編輯 | KX
AI 工具的強大功能，令人難以置信。但如果你試圖開啟引擎蓋並瞭解它們在做什麼，你通常會一無所獲。AI 常常被視為「黑匣子」。
對於化學來說，AI 可以幫助我們最佳化分子，但它無法告訴我們為什麼這是最佳的——重要的特性、結構和功能是什麼？
近日，伊利諾伊大學厄巴納-香檳分校（UIUC）的一個跨學科研究團隊開啟了黑匣子，研究人員透過將 AI 與自動化學合成和實驗驗證相結合，找到了 AI 所依賴的化學原理，從而改進用於收集太陽能的分子。
研究找到了比現有穩定四倍的捕光分子，同時給出了使其保持穩定的重要見解 ——這是一個阻礙材料開發的化學問題。
研究人員提出將閉環實驗與基於物理的特徵選擇和監督學習整合，稱為「閉環轉移」（Closed-loop Transfer，CLT)，可以在最佳化目標函式的同時產生化學見解。
「透過我們的過程，我們確定了是什麼賦予這些分子更高的光穩定性。我們把 AI 黑匣子變成了一個透明的玻璃球。」伊利諾伊大學厄巴納-香檳分校化學教授 Nicholas Jackson 說。
相關研究以「Closed-loop transfer enables artificial intelligence to yield chemical knowledge」為題，於 8 月 28 日發表在《Nature》上。
AI 引導的閉環實驗
AI 引導的閉環實驗平臺，在加速科學發現方面顯示出巨大潛力。但目前還不可能利用閉環最佳化策略來獲取全新的化學知識。
光穩定性是一種普遍存在的化學功能，目前缺乏通用的化學設計原則。化學知識的缺乏限制了有機光伏、染色聚合物、太陽能燃料和熒光染料等領域的進展。
此前對分子光穩定性的研究主要集中在最低激發三重態 (T1) 的能量學及其與鍵解離能的關係上，但在分散的化學類別中研究有限。最近的研究表明，較高能量的三重態 (Tn, n > 1) 也適用於較窄的化學類別，但仍然缺乏通用的設計原則。
閉環正規化有望在傳統方法未能實現的光穩定性方面取得突破。為了實現這一願景，需要從閉環策略中提取知識的新方法，然後 AI 才能產生可解釋的假設並增強科學家對光穩定性和分子功能的根本理解。
「三段式」AI 方法用於化學研究
該研究的目標是，如何改進有機太陽能電池，這種電池基於薄而柔韌的材料，而不是現在遍佈屋頂和田野的剛性、沉重的矽基電池板。
「阻礙有機光伏電池商業化的是穩定性問題。高效能材料在暴露於光線下時會降解，而這並不是太陽能電池所希望的，」UIUC 化學和生物分子工程教授 Ying Diao 說。「它們可以以矽無法實現的方式製造和安裝，也可以將熱量和紅外光轉化為能量，但自 20 世紀 80 年代以來，穩定性一直是一個問題。」
在此，伊利諾伊大學厄巴納-香檳分校研究團隊提出了一種三階段方法，該方法在展示化學知識的同時，還最佳化了廣泛化學空間中的分子功能。
第一階段是機器學習 (ML) 驅動的假設生成：應用貝葉斯最佳化 (BO) 來提高光穩定性，直到效能指標達到穩定狀態，並使用基於物理的分子特徵出現 ML 衍生的假設。
第二階段是假設檢驗：透過實驗驗證 ML 得出的假設，來建立新發現的化學知識。
第三階段是物理驅動的發現：將新的基於物理的知識應用於化學設計空間，人為驅動，突破最佳化瓶頸。
分子的光穩定性提高四倍
在多輪閉環合成和實驗表徵中，AI 演算法給出了合成和探索哪些化學物質的建議。每一輪之後，新的資料都會被重新納入模型，然後模型給出改進的建議，每一輪實驗都會更接近預期的結果。
研究人員在五輪閉環實驗中產生了 30 種新的化學候選物。
重要的是，透過對 2,200 個潛在分子總空間的不到 1.5% 進行取樣，排名前五位的分子的平均光穩定性提高了 500% 以上，這一結果與之前的理論預測一致。
研究結果還表明，與傳統的 T1 能量光穩定性描述符相反，高能 TDOS 成為整個化學空間中分子光穩定性的主要決定因素。這一見解在第四輪 BO 之後出現，並在第五輪之後得到證實。由於 ML 模型的收斂與分子光穩定性的穩定期相吻合，這標誌著 BO 實驗的結束。
「模組化化學方法完美地補充了閉環實驗。AI 演算法要求獲取具有最大學習潛力的新資料，而自動分子合成平臺可以非常快速地生成所需的新化合物。然後對這些化合物進行測試，資料會返回到模型中，模型會一次又一次地變得更智慧，」伊利諾伊大學化學教授 Martin Burke 說道。
Jackson 說，「現在我們有了一些使分子具有光穩定性的物理描述，這使得篩選新化學候選物的過程比在化學空間中盲目搜尋要簡單得多。」
「我們相信我們可以解決其他材料系統。最終，我們設想了一個介面，研究人員可以輸入他們想要的化學功能，AI 將生成假設進行測試。」Schroeder 說。