化學學科中的機器學習：人工智能的衝擊
ISBN13：9787122474469
出版社：化學工業出版社
作者：(英)休‧M.卡特賴特
出版日：2025/09/01
裝訂：精裝
頁數：388頁
規格：24cm*17cm (高/寬)
版次：一版
內容介紹
隨著人工智慧技術的崛起，在化學研究領域，傳統的基於實驗和物理模型的方式正在逐漸與基於數據的機器學習範式相融合，加速了化學機制的研究和化學物質的發現。本書對人工智慧在化學學科中應用的近期新技術發展前沿動態進行較全面的綜合性介紹。首先介紹人工智慧和機器學習中的一些核心概念以及醫藥學中使用最廣泛的人工智慧方法；隨後全面深層地介紹了人工智慧技術在藥物設計、材料性能預測、功能性材料分子設計和有機合成路線設計、自組裝化學、天體化學等諸多方面的應用。並討論了人工智慧在科學領域中應用的複雜性與困難以及在科學研究中使用人工智慧技術時所面臨的挑戰以及解決方案。
本書可供化學領域的研究人員、高等院校師生閱讀參考，也可作為從事環境、醫藥、臨床診斷等專業技術人員的參考資料。
目錄
第1章 計算機科學家
1.1 什麼是計算科學？
1.2 什麼是人工智慧？
1.3 什麼是機器學習？
參考文獻
第2章 機器如何學習？
2.1 提出問題
2.2 收集數據
2.3 設定演算法
2.4 訓練流程
2.5 克服缺陷
2.6 部署演算法
參考文獻
第3章 藥物化學資訊學：藥物發現中的機器學習導論
3.1 引言
3.1.1 人工智慧與機器學習
3.1.2 有監督與無監督學習
3.2 凡事預則立
3.2.1 資料集收集與管理
3.2.2 模型構建
3.2.3 主成分分析
3.2.4 三維空間中的機器學習，「對齊」就是一切
3.2.5 QSAR建模的活性範圍和分佈
3.2.6 異常值
3.3 深度學習與神經網絡
3.4 數學基礎
3.4.1 “可觀測值”和“特徵”
3.4.2 根據描述詞比較分子
3.4.3 模型品質與統計分析
3.4.4 過度訓練和良好描述符的特徵
3.5 機器學習方法
3.5.1 k-最近鄰
3.5.2 線性迴歸
3.5.3 決策樹與隨機森林
3.5.4 支援向量機
3.6 總結
參考文獻
第4章 非絕熱分子動力學中的機器學習
4.1 引言
4.2 方法
4.2.1 機器學習（ML）模型
4.2.2 訓練集生成
4.2.3 波函數相位
4.2.4 相位校正演算法
4.2.5 表面跳躍動力學
4.3 例：亞甲基銨陽離子
4.3.1 ML表面跳躍動力學
4.3.2 能量守恆
4.3.3 ML模型的其他工具
4.4 結論與展望
參考文獻
第5章 機器學習在科學中的作用－機械同感？
5.1 引言
5.1.1 歷史點滴
5.1.2 挑戰
5.2 問題和解決
5.2.1 需要多少樣本來訓練AI？
5.2.2 正在合併資料庫，有什麼困難呢？
5.2.3 使用化學反應資料庫預測合成路線，但進展甚微。可能出了什麼問題？
5.2.4 資料庫太大，訓練模型需要花費很長時間。我們又能做些什麼呢？
5.2.5 如何設定參數
5.2.6 AI如何學會一些不存在的東西？
5.2.7 我訓練的AI測試非常漂亮，但現在正在製造垃圾
5.2.8 AI解決了方框5.4中的挑戰，它是如何做到的？
5.2.9 AI認為籃球運動員導致了全球暖化
5.2.10 AI結果顯示我的資料只包含噪聲，但我認為可能存在某些真實的東西。如何告知我的AI？
5.2.11 AI很好，直到我找到了一些額外的數據；為什麼數據會讓情況變得更糟，而不是更好？
5.2.12 雖然有大量數據，但我的AI仍然學習得很艱難
5.2.13 問題：我的AI很奇怪
5.2.14 一切都變糟了。我該怎麼辦？
5.3 結論
參考文獻
第6章 未來狀況預測：AI推動的國防應用化學創新
6.1 引言
6.2 合成搜尋引擎：自動化合成規劃
6.2.1 優化已知路線
6.2.2 預測反應結果
6.2.3 執行逆合成
6.2.4 評估
6.2.5 採納
6.3 化學統計學習中的資料挑戰
6.3.1 數據偏向成功的實驗
6.3.2 現有數據不可靠且不規範
6.3.3 數據只與一個狹窄的任務集合相關
6.3.4 機器學習模型中化學資料沒有標準的表徵形式
6.4 數據挑戰的現實解決方案
6.4.1 實驗資料收集的自動化和標準化
6.4.2 跨實驗室共享數據
6.4.3 利用科學文獻中所描述的實驗數據
6.4.4 透過模擬產生數據
6.4.5 資料生成和預測模型的閉環集成
6.5 自驅動實驗室的初步演示
6.5.1 自主研究的啟示
6.6 結論
參考文獻
第7章 化學合成中的機器學習
7.1 引言
7.2 化學數據的性質
7.2.1 資料來源
7.2.2 分子描述符
7.3 機器學習方法
7.4 合成路線設計
7.4.1 逆合成
7.4.2 反應預測
7.4.3 最佳化反應條件
7.5 實際應用
7.6 結論
參考文獻
第8章 天體化學中的約束化學網絡
8.1 引言
8.2 化學反應資料庫的完整性和可靠性
8.2.1 氣相網絡
8.2.2 顆粒表面網絡
8.3 貝葉斯方法
8.4 複雜網路的機器學習技術
8.5 結論
參考文獻
第9章 （奈米）材料-生物界面中的機器學習
9.1 機器學習概述、挑戰與機遇
9.2 複雜材料中特殊問題的尺度與重要性
9.3 材料中的機器學習範例
9.4 奈米材料中的機器學習範例
9.5 生物材料和再生醫學中的機器學習範例
9.6 細胞療法、生物反應器和可植入細胞的材料
9.7 機器學習與演化方法
9.8 展望
參考文獻
第10章 應用於複雜聚合過程的機器學習技術
10.1 化學過程建模的困難點
10.2 自由基聚合過程的唯象學模型
10.3 人工神經網路在聚合過程的應用
10.3.1 神經網路在聚合反應工程的應用類型
10.3.2 應用於聚合過程建模中的不同類型神經網路模型
10.4 軟體計算混雜配置在聚合過程的應用
10.5 機器學習技術在甲基丙烯酸甲酯自由基聚合的應用
參考文獻
第11章 分子藥物發現中的機器學習和評分函數（SFs）：預測和表徵可成藥藥物和標靶
11.1 引言
11.2 數據與方法
11.2.1 分子和疾病標靶的數據和可成藥性評分
11.2.2 評分函數對分子參數（MPs）和標靶的描述
11.2.3 統計和程式方法
11.3 結果
11.3.1 主成分分析（PCA）結果
11.3.2 機器學習分類結果
11.4 總結與討論
參考文獻
第12章 AI在有機材料預測的應用
12.1 引言
12.2 從文獻中擷取數據
12.3 建構合成切塊資料庫
12.4 性質預測
12.4.1 訓練數據
12.4.2 描述符
12.4.3 加速性質預測
12.5 結構預測
12.6 相空間探索
12.7 材料合成砌塊的從頭分子設計
12.8 預測可合成材料
12.9 研究案例
12.9.1 有機電子材料
12.9.2 多孔有機材料的性質預測與相空間探索
12.9.3 其他功能性有機材料
12.10 結論
參考文獻
第13章 數據科學驅動的無機材料發現新時代
13.1 引言
13.2 透過機器學習方法的材料發現工作流程
13.2.1 數據採集
13.2.2 數據表徵
13.2.3 資料預處理
13.2.4 模型構建
13.2.5 模型評估
13.3 機器學習在無機材料的應用
13.3.1 合成優化中的機器學習
13.3.2 結構預測中的機器學習
13.3.3 材料性質預測中的機器學習
13.4 機會與挑戰
13.4.1 從小資料集中學習
13.4.2 產生有效的數據表徵
13.4.3 增強模型的可解釋性
13.4.4 增加模型的可近性
13.5 結論
參考文獻
第14章 機器學習在化學工程的應用
14.1 引言
14.2 建模與模擬
14.2.1 AI在分離裝置建模與模擬的應用
14.2.2 AI在反應器建模與模擬的應用
14.2.3 AI在整體工廠建模與模擬的應用
14.2.4 AI在能源管理建模與模擬的應用
14.3 控制和操作
14.3.1 過程控制的基本原則
14.3.2 機器學習用於控制化學過程
14.3.3 機器學習整合的傳統控制器
14.4 預估與預測
14.4.1 化學工程預估器的可用AI演算法
14.4.2 基於AI的預估器的選擇與應用
14.5 未來趨勢與展望
參考文獻
第15章 化學中的表徵學習
15.1 引言
15.2 非學習型分子表徵
15.2.1 分子指紋
15.2.2 可計算的性質
15.3 學習表徵的必要性
15.4 學習型分子表徵
15.4.1 圖模型
15.4.2 網格模型
15.4.3 序列模型
15.4.4 以物理學為靈感的架構
15.5 數據方面的考慮
15.6 挑戰與展望
15.7 結論
參考文獻
第16章 揭開人工神經網路作為新化學知識產生者的神秘面紗：以抗瘧藥物發現研究為例
16.1 引言
16.2 材料與方法
16.2.1 資料集和分子描述符
16.2.2 建構Ms-QSBER_EL模型
16.3 結果與討論
16.3.1 Ms-QSBER-EL模型
16.3.2 適用域
16.3.3 從分子描述子收集物理化學和結構訊息
16.3.4 實際有效且安全的抗瘧化學品的計算設計
16.3.5 類藥性
16.4 結論
參考文獻
第17章 堆芯損耗譜的機器學習
17.1 引言
17.2 方法學
17.2.1 譜圖資料庫的構建
17.2.2 譜圖資料的聚類
17.2.3 材料資訊的決策樹
17.2.4 前饋神經網絡
17.3 結果與討論
17.3.1 資料驅動的預測與解釋方法概述
17.3.2 單金屬氧化物的O-K邊的表徵
17.3.3 無定形SiO2的O-K邊的解釋與預測
17.3.4 從ELNES/XANES中使用機器學習方法定量結構和性質
17.3.5 從噪音譜定量結構與性質
17.4 結論
參考文獻
第18章 自主科學：大數據工具為化學中的小數據問題服務
18.1 引言
18.2 實驗的自主設計
18.2.1 稀疏採樣策略對「小數據」的挑戰
18.2.2 自主實驗設計的單純形方法
18.2.3 動態取樣的插值演算法
18.2.4 一種有監督學習的動態取樣方法
18.2.5 用於拉曼高光譜成像和X射線衍射成像的SLADS
18.2.6 實驗自主設計的非迭代動態取樣
18.2.7 主動機器學習
18.2.8 材料合成的動態取樣
18.2.9 自主實驗設計的模組化架構
18.3 有限資料訓練的生成式對抗方法
18.3.1 影像辨識中的生成式對抗網絡
18.3.2 對抗性攻擊的線性範例：對抗性光譜
18.3.3 資料生成範例：生成式對抗線性分析
18.4 結論
參考文獻
第19章 多相催化中的機器學習：從建構到應用的全局神經網路勢
19.1 引言
19.2 方法
19.2.1 高維神經網路架構
19.2.2 結構描述符
19.2.3 神經網路訓練
19.2.4 資料集產生和SSW全域最佳化
19.2.5 自學習過程
19.3 應用
19.3.1 PES探索
19.3.2 負載在CeO2上的超微量金
19.3.3 無定形TiOxHy上的析氫反應
19.3.4 在ZnCrO催化劑上的合成氣轉化
19.4 展望
參考文獻
第20章 機器學習在化學和材料中實際應用的指導原則
20.1 引言
20.2 應用機器學習的指導原則
20.3 結論與警示
參考文獻
中英文對照
