化學學科中的機器學習——人工智能的沖擊
丁曉
- 出版商: 化學工業
- 出版日期: 2025-09-01
- 售價: $948
- 語言: 簡體中文
- 頁數: 388
- ISBN: 7122474461
- ISBN-13: 9787122474469
-
相關分類:
Machine Learning、化學 Chemistry
- 此書翻譯自: Machine Learning in Chemistry: The Impact of Artificial Intelligence
下單後立即進貨 (約4週~6週)
商品描述
隨著人工智能技術的崛起，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。本書對人工智能在化學學科中應用的最新技術發展前沿動態進行較全面的綜合性介紹。首先介紹人工智能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能方法；隨後全面深層次地介紹了人工智能技術在藥物設計、材料性能預測、功能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。並討論了人工智能在科學領域中應用的覆雜性與困難以及在科學研究中使用人工智能技術時所面臨的挑戰以及解決方案。 本書可供化學領域的科研人員、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。
目錄大綱
第1章 計算機科學家
1.1 什麼是計算科學？
1.2 什麼是人工智能？
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 設置算法
2.4 訓練流程
2.5 克服缺陷
2.6 部署算法
參考文獻
第3章 藥物化學信息學：藥物發現中的機器學習導論
3.1 引言
3.1.1 人工智能與機器學習
3.1.2 有監督與無監督學習
3.2 凡事預則立
3.2.1 數據集收集和管理
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布
3.2.6 異常值
3.3 深度學習和神經網絡
3.4 數學基礎
3.4.1 “可觀測值”和“特征”
3.4.2 根據描述符比較分子
3.4.3 模型質量和統計分析
3.4.4 過度訓練和良好描述符的特征
3.5 機器學習方法
3.5.1 k-最近鄰
3.5.2 線性回歸
3.5.3 決策樹和隨機森林
3.5.4 支持向量機
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 相位校正算法
4.2.5 表面跳躍動力學
4.3 示例：亞甲基銨陽離子
4.3.1 ML表面跳躍動力學
4.3.2 能量守恒
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 正在合並數據庫，存在什麼困難呢？
5.2.3 使用化學反應數據庫來預測合成路線，但進展甚微。可能出了什麼問題？
5.2.4 數據庫太大，訓練模型需要花費很長時間。我們又能做些什麼呢？
5.2.5 如何設置參數
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，但現在正在制造垃圾
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變暖
5.2.10 AI結果顯示我的數據只包含噪聲，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 一切都變糟糕了。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 合成搜索引擎：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 采納
6.3 化學統計學習中的數據挑戰
6.3.1 數據偏向於成功的實驗
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數據沒有標準的表征形式
6.4 數據挑戰的現實解決方案
6.4.1 實驗數據收集的自動化和標準化
6.4.2 跨實驗室共享數據
6.4.3 利用科學文獻中描述的實驗數據
6.4.4 通過模擬生成數據
6.4.5 數據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 數據源
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 優化反應條件
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 化學反應數據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 覆雜網絡的機器學習技術
8.5 結論
參考文獻
第9章 （納米）材料-生物界面中的機器學習
9.1 機器學習概述、挑戰和機遇
9.2 覆雜材料中特殊問題的尺度與重要性
9.3 材料中的機器學習示例
9.4 納米材料中的機器學習示例
9.5 生物材料和再生醫學中的機器學習示例
9.6 細胞療法、生物反應器和可植入細胞的材料
9.7 機器學習與進化方法
9.8 展望
參考文獻
第10章 應用於覆雜聚合過程的機器學習技術
10.1 化學過程建模的難點
10.2 自由基聚合過程的唯象學模型
10.3 人工神經網絡在聚合過程中的應用
10.3.1 神經網絡在聚合反應工程中的應用類型
10.3.2 應用於聚合過程建模中的不同類型神經網絡模型
10.4 軟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中的應用
參考文獻
第11章 分子藥物發現中的機器學習和打分函數（SFs）
