AI击败化学家？——《Nature》封面文章报道机器学习方法，或掀起化学科研革命

不久前，谷歌旗下DeepMind公司的人工智能（artificial intelligence,AI）程序AlphaGo以4:1击败世界围棋冠军、职业九段选手李世石，这被视为AI挑战人类智力的一大进步，AI是否能在智力上超过并代替人类？各种言论刷爆各种社交媒体。不过，化学家们似乎并不担心被AI抢饭碗，化学科研需要大量创新性和跳跃性思维，甚至基于多年经验的直觉，这似乎是AI难以企及的领域。但情况真这么乐观吗？

最近美国哈弗福德学院化学家Alexander J. Norquist、Sorelle A. Friedler和Joshua Schrier领导的研究小组的成果，可能会让化学家们开始担心来自AI的竞争。Norquist等人以《Nature》封面文章的形式报道了一种强大的机器学习算法（machine-learning algorithm），通过使用失败实验的数据（当然也包括成功实验的数据）进行训练，在预测晶体制备策略的比赛中成功率高达89%，打败了经验丰富的人类化学家。（Machine-learning-assisted materials discovery using failed experiments. Nature, DOI: 10.1038/nature17439）

图片来源：NIK Spencer/Nature

“失败的反应中包含大量未报告和未提取的资料，”Norquist说。“失败反应的数据要比成功反应的多得多，但一般只有成功反应的数据最后被公开。”在论文中，Norquist等人将这些失败的反应称为“暗黑反应（dark reactions）”。

Norquist团队最开始的目标并不复杂——在水热合成反应中，简单地预测一些特定的试剂组合能否生成晶体材料。他们随后进一步收窄了任务范围，仅仅只关注一种无机-有机杂化材料钒亚硒酸盐（templated vanadium selenites）的模板化合成，这种晶体材料包含钒、硒和氧元素，其中有机小分子（如胺）作为“模板”指导这些元素的排列。

研究人员采用了一种标准的机器学习方法，使用了近4,000次不同反应条件下（例如温度、浓度、反应物的量和酸度）合成晶体实验的数据来训练机器学习算法。他们将存档的实验记录本中记载的数据转换成机器可以分析的格式，这些数据包括那些失败的实验。然后，计算机找出区别实验成功或是失败的原则。

Norquist实验室失败实验的实验记录。图片来源：Haverford College