中科大江俊：开发有大脑的「机器化学家」，赋能科学研究

6月2日，在由北京智源人工智能研究院主办的2021北京智源大会《科学智能》专题论坛上。中国科学技术大学化学物理系江俊教授作了题为「分子光谱与材料构效关系的机器学习研究」的演讲。

演讲主旨：

谱学结合AI，探索复杂体系科学规律的利器：预测难以直接测量的物理量、实时反演结构化演化和构效关系。

利用机器破解复杂系统的高维关联，从基于量子力学的大数据中提升理论认知。

提供重要科学研究（生命医学、分子合成机器人、材料逆向设计、星际化学测量）的指导性模型与工具。

谱学结合AI，探索科学规律的利器

光谱，本质上是物质对光子的散射。早在1704年，牛顿的《光学》中提到：「若要了解物质内部的结构情况，只要看其光谱就可以了。」所以，我们只要看光子遇到不同物质的散射行为，就可以推测出其结构，甚至了解其功能。

光谱成为人类探索科学规律的利器。1913年，玻尔发表《论原子结构与分子结构》，通过解读光谱，提出氢原子模型，奠定了量子理论基础。

事实上，量子力学的理论大厦奠基都离不开谱学数据分析。那么，量子力学的理论大厦奠基建立100多年之后，我们是否可以真正有效利用这个底层规则的理解呢？答案并不乐观。量子力学的简单模型无法破解化学世界的高维关联。

需要更有效的模型描述复杂对象的构效关系。狄拉克说过：「对物理化学问题作数学求解的基本规则已经完全清楚，苦难在于应用基本规则的方法过于复杂而无法求解！」对于化学问题，需要大量的数据，但往往缺乏数据，那么就需要借助机器智能。

大家知道AlphaFold 2就是借助于机器学习预测蛋白质折叠结构，但我们发现它并不是真正解决问题，AlphaFold 2不涉及折叠机制，而是从已知的结构数据中学习关联性，蛋白质序列如何决定折叠结构的「原因/道理」，仍然是个黑匣子！再到合成机器人，比纯人工操作快1,000倍，每天可无休止工作，这是一个很有希望的方向，但缺乏「大脑」。作者也承认：「没有利用已有的化学知识，组分都具有相同的初始数量，也就是没有物理模型，没有科学假设，没有计算大脑。」事实上，对于一个真正有用的化学/合成反应来说，我们可能会有20到30步，那么这样一个10的30次方的高效空间，即使有机器人还是无法解决问题。

开发「机器化学家」

针对以上问题，上个月，中国科学技术大学研究人员提出「机器化学家」这个概念。江俊表示：「我从鄂维南院士提出的『AI for Science——从理论模型得到可靠的数据，再从数据得到有效的模型』得到了启示，修改了我之前的思路，并拿到了项目。」「机器化学家」将帮助人类科学家突破思维局限，从融合了底层规则的数据中，学习建立有效的复杂模型，指导化学实践。

可靠数据集、知识图谱

首先，要得到大量可靠的数据。得到可靠的数据必须依赖底层规则去建立可靠的数据集，最后得到知识图谱。

在大数据时代，数据可靠性是关键。当前数据库量很大，但数据来源太多：良莠不齐、碎片化、标准不统一、格式不一致。在预测时会发现很多问题，一方面，我们需要更完美的数据，但更重要的是需要一个更高效的「清洗」数据的工具。数据的质量决定了预测的能力。

即使是有效的数据，也会存在问题。不懂物理化学的自然语言处理，问题很严重。比如抽取化学反应会产生错误；错将溶剂当成反应物，最后只能通过人工调节得到合理的数据基础。但往往很难去手动调节每个过程，成本太高，那能否通过底层规则去「清洗」数据，通过探索发现可行。但「一个完美的理论必须以直接可观测量作为依据。」

从光谱角度，谱学是我们探索科学规律的一个重要工具。通过谱学观测量，可以把很多物理量（化学特性、物理特性、几何结构、电子态结构）关联起来。可建立融入关联性规则的鉴别模型。

然后，通过第一性原理计算去提升鉴别模型的维度和精度。因为很多数据在化学里很难测到，甚至只有理论定义，需要深入规则底层提供数据库，有了数据底层规则，其实就有了关联模型，也就是知识图谱已经成型。

提炼描述符

那么如何从知识图谱中提炼描述符，有了描述符甚至有一天可以建立更有效的复杂模型，去指导和解决实际应用问题。这一步的挑战在于：如何对高维非线性关联性进行解耦？

为什么关联性解耦，传统描述符的一个重要作用是简化复杂度（脱耦、分离变量、降维）去适应底层物理规则，相反，构效关系符是「融合变量」而不是「分离变量」。尝试开发解耦合算法，从描述符中抽取有效的复杂模型。

最后我们要建立复杂的模型，就意味着还要倒过来从描述符当中找它背后的偶极矩。通过建立数据集、知识图谱，提炼描述符，未来最终开发基于谱学的构效关系反演算法与软件，研究生物中心法则过程、催化剂材料逆向设计、全自动合成逆向预测。

低维到高维

在化学领域，结构和构效关系是最重要的，是我们实际问题的核心。那么具体怎么做呢？传统的套路，可以利用光谱去跟踪结构变化。挑战在于从测量光谱去反演结构/功能。

从测量光谱到反演结构/功能，其实是一个低维信息到高维信息的过程，这需要大量的数据补充。也就是需要建立一个计算平台提供计算数据同时去标定数据，在此我们可以建立一个谱学数据库，一个在线软件，为实验人员服务，在服务同时把它的数据收集起来，有这样一个数据补充，或许我们能够做那样的反演。

近期研究工作

升维反演 多种谱学信息重构化学键能（BDE）。单个光谱信息有限，通过将拉曼光谱、核磁光谱、红外光谱多个维度光谱结合在一起，精度可到到0.94，进一步优化甚至可达到0.98。从低维反演高维，挑战很巨大，但机遇也很巨大。
接下来，我们准备开发复杂体系结构与功能的谱学反演预测算法。

绿色矿山系统 基于标准的谱学预测模型，利用磷矿石的有限数据集进行神经网络训练，预测化学结构和组分，误差＜2%。以前是20万一套，现在加上软件卖200万一套，是真正的赋能。这个例子让我觉得确实有了底层规则，有了机器学习，可以把传统的矿山的开采行业数字化。

除此以外，还可以做更复杂的体系，比如识别分子基团，识别羟基（-OH）、羰基（-C=O），准确度分别达99,36%、98.50%。

未来突破

「机器化学家」赋能生命科学。
「机器化学家」赋能仿生催化剂材料开发。
「机器化学家」赋能全自动化学合成。

理论机器化学家中科大