九九热视频精品在线_国产成人mv视频在线观看_国产精品三级一区二区_亚洲精品国产av成拍色拍婷婷_久久伊人一区二区_国产高清精品网站_九九99热久久精品离线6_国产在线一卡2卡三卡4卡免费_日韩美女乱淫aaa高清视频_亚洲大胆_啪啪一级视频_午夜av免费观看_国产高清精品福利私拍国产写真_亚洲婷婷五月综合狠狠_日韩欧美一区二区三区视频_岛国av免费看_精品国产乱码久久久久久久软件_亚洲国产成人精品无码区99_www日本色_免费黄色看片

編輯 ｜ ScienceAI??

科學(xué)研究的核心之一是發(fā)現(xiàn)能夠描述自然現(xiàn)象的規(guī)律性方程。這些方程不僅能加深我們對(duì)自然的理解，還能為復(fù)雜問(wèn)題的解決提供明確指導(dǎo)。

然而，許多領(lǐng)域，尤其是材料和化學(xué)等依賴(lài)實(shí)驗(yàn)的學(xué)科，因?yàn)樽兞勘姸唷⑦^(guò)程復(fù)雜，傳統(tǒng)理論推導(dǎo)往往難以建立明確的關(guān)系。

近期，來(lái)自北京大學(xué)深圳研究生院、寧波東方理工大學(xué)（暫名）等機(jī)構(gòu)的研究團(tuán)隊(duì)結(jié)合自動(dòng)化實(shí)驗(yàn)平臺(tái)與人工智能算法，首次成功從實(shí)驗(yàn)數(shù)據(jù)中挖掘出了物質(zhì)分離過(guò)程中色譜關(guān)系的顯式數(shù)學(xué)公式。

該研究提出了一種知識(shí)發(fā)現(xiàn)技術(shù)、建立了可解釋的公式，將專(zhuān)家經(jīng)驗(yàn)（Chemist’s experience）轉(zhuǎn)化為「人工智能經(jīng)驗(yàn)」（AI experience），為色譜分離實(shí)驗(yàn)條件的確定與優(yōu)化提供了理論支持。相關(guān)成果于2025年1月19日發(fā)表在《自然·通訊》（Nature Communications）上。

圖 1：相關(guān)工作于發(fā)表于 Nature Communications

挑戰(zhàn)與背景：從專(zhuān)家經(jīng)驗(yàn)到「AI經(jīng)驗(yàn)」

如果想要構(gòu)建真正的「AI科學(xué)家」，必須實(shí)現(xiàn)對(duì)實(shí)驗(yàn)數(shù)據(jù)的自動(dòng)化分析與顯式公式的推導(dǎo)，從而有效推動(dòng)對(duì)科學(xué)問(wèn)題的認(rèn)知與探索。然而，要達(dá)成這一目標(biāo)尚面臨諸多科學(xué)挑戰(zhàn)：

其一、如何對(duì)多變量、多尺度的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行通用化建模，以準(zhǔn)確刻畫(huà)潛在的高維映射關(guān)系；其二、不同實(shí)驗(yàn)來(lái)源的數(shù)據(jù)在采樣方式、環(huán)境條件等方面存在差異，如何實(shí)現(xiàn)跨實(shí)驗(yàn)數(shù)據(jù)的精準(zhǔn)對(duì)齊與融合；其三，如何提高可解釋性（Interpretability），為研究者提供透明可信的推理過(guò)程，以幫助他們深入理解背后的科學(xué)機(jī)制，而不僅僅是停留在「黑箱」式預(yù)測(cè)上。

在此背景下，該研究選取化學(xué)分離領(lǐng)域中常見(jiàn)的薄層色譜（TLC）和柱色譜（CC）作為研究對(duì)象，為上述問(wèn)題提供一個(gè)具體的落腳點(diǎn)。

TLC 和 CC 同樣基于色譜原理（Chromatography）開(kāi)展分析與分離，廣泛應(yīng)用于合成化學(xué)實(shí)驗(yàn)室。以柱色譜為例，實(shí)驗(yàn)時(shí)通常先通過(guò) TLC 測(cè)定混合物的保留因子（RF 值），依據(jù)該值評(píng)估組分與流動(dòng)相的相對(duì)極性，并據(jù)此實(shí)時(shí)調(diào)整流動(dòng)相的組成與比例，確保目標(biāo)化合物的 RF 值大致在 0.2 到 0.3 之間。

盡管這一經(jīng)驗(yàn)性做法在實(shí)踐中行之有效，卻難以通過(guò)傳統(tǒng)分析方法對(duì)其背后的多尺度耦合機(jī)理進(jìn)行系統(tǒng)闡釋?zhuān)嬖凇钢淙欢恢渌匀弧沟默F(xiàn)象，阻礙了研究者對(duì)色譜分離化學(xué)本質(zhì)的深入理解。

因此，若能引入人工智能手段，從大量實(shí)驗(yàn)數(shù)據(jù)中自動(dòng)挖掘并總結(jié)出可解釋的經(jīng)驗(yàn)方程，就有望將這類(lèi)依賴(lài)「經(jīng)驗(yàn)＋試錯(cuò)」的方法體系化、公式化，進(jìn)而提高實(shí)驗(yàn)效率和可靠性。

圖 2：色譜分離的專(zhuān)家經(jīng)驗(yàn)與數(shù)據(jù)驅(qū)動(dòng)的方程挖掘

AI 驅(qū)動(dòng)的知識(shí)發(fā)現(xiàn)

為了解決上述問(wèn)題，研究團(tuán)隊(duì)設(shè)計(jì)了一套完整的數(shù)據(jù)驅(qū)動(dòng)框架，借助自動(dòng)化實(shí)驗(yàn)平臺(tái)和人工智能技術(shù)，從實(shí)驗(yàn)數(shù)據(jù)中系統(tǒng)性地挖掘化學(xué)分離的規(guī)律性方程。

首先，他們開(kāi)發(fā)了高通量自動(dòng)化 TLC 和 CC 實(shí)驗(yàn)平臺(tái)，通過(guò)精準(zhǔn)控制實(shí)驗(yàn)條件生成大規(guī)模數(shù)據(jù)集。該平臺(tái)包括樣品加載、溶劑配制、色譜分離、吸光度檢測(cè)和結(jié)果分析的全流程自動(dòng)化，大幅減少了人工干預(yù)可能帶來(lái)的誤差。

在數(shù)據(jù)獲取方面，研究團(tuán)隊(duì)在自動(dòng)化平臺(tái)上測(cè)量了 192 種化合物的RF值，并在不同實(shí)驗(yàn)條件下記錄了 5984 條柱色譜數(shù)據(jù)點(diǎn)。這些數(shù)據(jù)涵蓋了化合物的分子結(jié)構(gòu)、物理化學(xué)性質(zhì)以及實(shí)驗(yàn)設(shè)置參數(shù)，從而為機(jī)器學(xué)習(xí)模型的構(gòu)建提供了充分支持。

圖 3：高通量自動(dòng)化 TLC 和 CC 實(shí)驗(yàn)平臺(tái)

為了從這些數(shù)據(jù)中提取規(guī)律，還需要消除不同實(shí)驗(yàn)來(lái)源的數(shù)據(jù)在采樣方式、環(huán)境條件等方面存在的差異。研究團(tuán)隊(duì)引入了代理模型（surrogate model），利用神經(jīng)網(wǎng)絡(luò)將 TLC 和 CC 數(shù)據(jù)點(diǎn)關(guān)聯(lián)起來(lái)，實(shí)現(xiàn)跨實(shí)驗(yàn)數(shù)據(jù)的精準(zhǔn)對(duì)齊與融合。這些代理模型通過(guò)復(fù)雜的高維特征建模，預(yù)測(cè)了未觀察到的實(shí)驗(yàn)數(shù)據(jù)。

圖 4：構(gòu)建代理模型實(shí)現(xiàn)跨實(shí)驗(yàn)數(shù)據(jù)的精準(zhǔn)對(duì)齊與融合

此外，研究團(tuán)隊(duì)使用符號(hào)回歸（symbolic regression）技術(shù)，從模型預(yù)測(cè)中提取了顯式數(shù)學(xué)公式，并采用樹(shù)結(jié)構(gòu)以表征化合物性質(zhì)的影響，提高可解釋性。這些公式揭示了RF值與柱層析保留體積之間的反比例關(guān)系，并通過(guò)統(tǒng)計(jì)驗(yàn)證了其高擬合精度（R2 值超過(guò) 0.88）。

圖 5：柱色譜的保留時(shí)間與薄層色譜的 RF 值之間關(guān)系的公式識(shí)別與預(yù)測(cè)效果

與傳統(tǒng)機(jī)器學(xué)習(xí)模型不同的是，這些公式具備高度的可解釋性，能夠直觀地展示實(shí)驗(yàn)變量之間的關(guān)系。例如，研究發(fā)現(xiàn)，RF 值與保留體積的關(guān)系不僅受溶劑比例的影響，還與化合物的分子結(jié)構(gòu)緊密相關(guān)。這種定量化的規(guī)律性公式為化學(xué)家優(yōu)化實(shí)驗(yàn)條件提供了科學(xué)依據(jù)。

圖 6：表征化合物影響的柱層析因子的回歸樹(shù)模型的可視化

此外，研究團(tuán)隊(duì)進(jìn)一步分析了這些公式的推廣性與泛化性，成功地將它們應(yīng)用于不同規(guī)格的色譜柱。例如，通過(guò)遷移學(xué)習(xí)校正公式系數(shù)，可以將適用于 4 克色譜柱的公式推廣至 25 克柱和串聯(lián)柱。這種推廣不僅驗(yàn)證了公式的通用性，還表明AI驅(qū)動(dòng)的知識(shí)發(fā)現(xiàn)可以適應(yīng)不同實(shí)驗(yàn)條件。

應(yīng)用價(jià)值與未來(lái)展望

這項(xiàng)研究的直接應(yīng)用價(jià)值在于顯著提升了化學(xué)分離實(shí)驗(yàn)的效率和可靠性，以化學(xué)中常用的 TLC 和 CC 實(shí)驗(yàn)為例，驗(yàn)證了利用人工智能方法從實(shí)驗(yàn)數(shù)據(jù)中提取顯式方程的可行性。

傳統(tǒng)上，研究人員需要通過(guò)多次試錯(cuò)來(lái)確定最佳分離條件，而這種數(shù)據(jù)驅(qū)動(dòng)的知識(shí)發(fā)現(xiàn)方法則可以通過(guò)簡(jiǎn)單的薄層色譜實(shí)驗(yàn)預(yù)測(cè)柱層析的分離效果，從而減少實(shí)驗(yàn)次數(shù)和溶劑消耗。特別是在處理復(fù)雜混合物時(shí)，AI 發(fā)現(xiàn)的顯式公式為快速判斷分離可能性提供了強(qiáng)有力的工具。

更廣泛地看，這項(xiàng)研究展示了人工智能在科學(xué)發(fā)現(xiàn)中的巨大潛力。與傳統(tǒng)理論推導(dǎo)不同，知識(shí)發(fā)現(xiàn)框架通過(guò)大數(shù)據(jù)分析和機(jī)器學(xué)習(xí)，從實(shí)驗(yàn)數(shù)據(jù)中自動(dòng)提取規(guī)律性公式。這種方法不僅可以揭示化學(xué)中的多尺度耦合機(jī)制，還可以推廣到其他科學(xué)領(lǐng)域。

例如，在生物學(xué)中，它可以用于分析基因調(diào)控網(wǎng)絡(luò)的動(dòng)態(tài)關(guān)系；在物理學(xué)中，它可以幫助構(gòu)建復(fù)雜流體力學(xué)的數(shù)學(xué)模型。通過(guò)將人工智能技術(shù)融入科學(xué)研究，我們有望加速科學(xué)知識(shí)的生成過(guò)程，推動(dòng)各領(lǐng)域的跨學(xué)科創(chuàng)新。

論文鏈接：https://www.nature.com/articles/s41467-025-56136-x