化学妥协时,优化算法决定自动驾驶实验

加拿大的科学家们发明了一种机器学习算法优化化学实验。算法,他们在一个无人驾驶的实验室测试,法官的化学价值竞争变量来确定最佳条件根据用户的偏好。¹

优化化学过程是困难的,因为它通常包括竞争参数之间的权衡和完美的条件可能不存在。例如,增加产量在一个化学反应可能的反应的选择性化学家经常不得不做出妥协。

艾伦Aspuru-Guzik和他的团队,刚搬到多伦多大学,创造了一个算法来处理这样的决定,他们称为嵌合体。与其他多目标优化算法相比,妄想不需要任何先验知识的过程,你可以告诉它优先目标,你认为是最重要的。

的识别条件满足多个所需的目标是一个关键的能力自主实验平台,“团队成员Florian哈泽解释说。与妄想从一开始,我们的目标是使多目标优化任意数量的目标。虽然嵌合体看起来简单的数学表达式只有两个目标,总结它任意数量的目标是相当具有挑战性。”

灵感来自它的神话希腊同名,妄想构造一个scalarised目标函数从一系列不同的目标。它使用分层与先天的多目标优化方法——这意味着它可以找到帕累托最优分到预定义的优先级。

嵌合体执行至少还有另一个主要优化方法,c-ASF,约翰·梅洛教授和他的团队从挪威科技大学为自优化设计的反应堆。²Aspuru-Guzik的团队测试c-ASF和嵌合体虚拟实验室无人驾驶的自动校准程序。目标是最大化响应的高效液相色谱法(HPLC)实验同时尽可能减少样品的用量。妄想是能够快速地实现这一目标,比c-ASF较少的实验。

嵌合体是一种有效的方法来找到最优的挑战妥协之间竞争标准的梅洛说。现在最大的挑战之一将是开发一个直观的用户界面的代码。化学家们倾向于认为,不同于应用数学家,将广泛的化学目标转换成明确的和可以解决的数学问题可能会非常棘手。”

哈泽嵌合体的未来持乐观态度。我们都渴望将算法应用于更复杂的系统在各领域的化学和更远的地方。我们邀请加入我们的社区在这个努力和探索各种口味的反演设计问题。”