化学中的 AI 模型：描绘材料与生命科学的版图

‍科学领域 AI 模型全景

为了理解特定模型的选择背景及其影响，我们对引入 AI 方法的科学出版物（包括期刊和专利族）进行了全面分析。全景可视化分析表明，随着越来越多模型和功能被开发出来，这些技术在各科学领域的融合程度正不断提高（见图 1）。

该可视化主要分支包括：

分类、回归和聚类模型

分类模型用于预测离散标签或类别，特别擅长处理高维数据并提供可解释结果。常见模型如决策树 (DT)，该模型通过递归分割数据分支进行分类。随机森林 (RF) 整合了多个决策树，通过对预测结果平均处理来减少过拟合。另一种常见模型支持向量机 (SVM) 用于寻找类间最优边界，而K近邻 (KNN) 模型是根据临近样本的多数类别进行分类。

这些模型广泛应用于带类别标签的数据集（监督学习），如已知类别的光谱、显微镜或组学数据。应用示例包括根据基因表达或影像数据区分疾病类型、预测材料类别，以及基于毒性或反应性对化合物进行分类。

‌回归模型‌用于预测连续数值，是预测和优化的理想工具。文献中常见的回归模型包括线性回归、逻辑回归、支持向量回归 (SVR) 和符号回归。这些模型适用于实验数据、模拟数据或传感器和仪器的时间序列等数值数据。典型应用包括预测能级、衰减率或粒子轨迹，估算反应产率、分子性质，建模温度、降水量，预测导电性、硬度和带隙等。

与分类和回归不同，聚类模型能够在无标签数据中发现自然分组，揭示隐藏结构并支持探索性分析（无监督学习）。这些模型对高维无标签数据集（如影像、光谱和分子数据）尤为有效。适用的科学数据包括但不限于根据表达谱对基因或样本进行分组，以及从结构数据中发现新的材料家族等。

人工神经网络（ANNs）

ANNs是一类通过相互连接的人工神经元层学习复杂模式的机器学习 (ML) 模型。它们能有效对数据中复杂的非线性关系建模。因此，这一类模型构成了深度学习的基础，并成为现代AI的核心，其专用架构包括处理序列数据的循环神经网络 (RNNs)、能更好捕捉长程依赖的增强型RNN——长短期记忆网络 (LSTM)，以及参数更少的简化版LSTM，门控循环单元 (GRUs)。

这些模型适用于如基因表达、蛋白质序列、生理信号、气候数据、粒子物理和传感器网络数据等序列以及时间序列数据。它们常通过知识图谱（领域概念及其关系的结构化表示）增强图文对齐，弥合视觉数据（如医学影像）与文本描述（如临床记录或诊断报告）间的语义鸿沟。这些模型在药物研发、精准医疗、医学影像、材料发现与设计、能源存储、制造和质量控制领域的应用呈现爆发式增长。

混合方法

ANNs 与传统ML模型（如分类、回归和聚类）的比较不在于孰优孰劣，而在于理解其互补作用。ANNs 在数据复杂且非结构化、训练数据集庞大且需要表征学习的场景占据主导地位。相反，传统 ML 在小规模数据、需严格可解释性研究问题，以及输入具有明确统计关系且需不确定性量化的场景仍具有显著优势。

领域专用模型

尽管领域专用模型的出版物数量较少，但其中包含了如 AlphaFold 等突破性成果。这种深度学习方法在蛋白质结构预测中已接近实验精度。ESMFold 是另一个值得关注的模型，该模型可以直接利用蛋白质语言建模，从单一蛋白质序列生成高质量的结构预测结果。

自然语言处理（NLP）

NLP用于分析、理解、解释和生成人类语言。其任务包括分词（将文本拆分为更小的单元，称为“词元”，通常是词或子词），以便算法处理。常见的文本表示方法是词袋 (BoW) 模型，该方法基于词频将文本转换为数值向量，忽略了语法和词序。另一项关键技术是命名实体识别 (NER)，用于对文本中的人名、组织名和地名等实体进行识别和分类。

NLP模型在生物医学文本挖掘和知识提取中有广泛应用，包括生物医学文献预训练专用语言模型（如BioBERT、BioGPT）、电子健康记录 (HER) 分析、临床记录自动提取疾病特征，以及使用语言模型生成新候选药物等。在材料科学与化学领域，NLP已用于合成方案提取、材料性质预测、知识库构建和逆向设计。

大语言模型（LLMs）

这类变革性AI系统革新了NLP模型，并在多科学领域获得了广泛应用。LLMs系统基于神经网络，通过海量文本数据训练学习语言的统计模式。其应用包括信息提取、摘要生成、知识图谱构建、跨领域整合和生成式应用等。

广泛采用的LLMs包括生成式预训练变换器 (GPT)，它是ChatGPT、GPT-3.5和GPT-4的核心技术。双向编码器表示 (BERT) 仍是顶尖语言模型，因其双向上下文理解能力以及在问答和情感分析中的卓越表现，持续受到学术界高度关注。

多语言模型BLOOM已成为研究领域的重要力量。谷歌DeepMind开发的GEMINI、Meta AI的LLAMA以及Anthropic的Claude等新模型也日益流行。2023至2025年间推出的最新一代模型如Gemma、Falcon、Mistral、Qwen和DeepSeek展现出了巨大的未来发展潜力。

化学、生命科学和材料科学领域的专用模型如chemLLM、PharmaGPT和MatSciBERT等也产生了重要影响。

出版趋势显示AI对科学的影响

如前所述，我们分析了2015-2025年间CAS内容合集里31万篇与科学研究中AI相关的文献。结果显示，AI相关文献整体呈现持续增长趋势，且在近五年增长尤为显著（见图 2）。专利族数量上升也进一步表明，AI正从新兴技术发展为各行业的重要研究工具。
‍

‍

• 国家/地区与机构分布：中国在出版物数量（期刊与专利）上处于领先地位，美国、印度、韩国和日本也呈现稳定增长的趋势（见图 3）。专利方面，中国和印度贡献了该领域全球 75% 以上的专利——专利申请量前 15 的机构均来自中印两国。中国高校在出版物数量上占主导地位，其平均引用次数多在 10 至 20 次之间。相比之下，麻省理工学院和斯坦福大学的平均引用次数更多，分别为 32 次和 66 次。该现象表明中国在数量上占据优势，美国高校在AI领域期刊文章的质量和影响力上较领先。

• 特定出版物分布：我们分析了刊载AI研究的先进期刊出版物数量与引用影响力。Scientific Reports, Applied Sciences 和 PLoS One 在出版物数量上占据主导地位。但就单篇平均引用次数而言，Proceedings of the National Academy of Sciences(PNAS) 表现突出，尽管其出版物数量相对较少，但每篇文章平均引用接近 50 次，影响力显著。其他期刊如 Journal of Chemical Information and Modelling(JCIM)，Bioinformatics 和 Nature Communications 的平均引用次数同样亮眼，显著优于出版量庞大的期刊。这一模式表明，虽然 Scientific Reports 等综合性期刊发表的 AI 相关研究最多，但 PNAS，JCIM 和 Nature Communications 等专业或权威期刊发表了更具影响力、科学影响更大的工作。‍
• 众多领域均深受 AI 影响，但有几个领域因出版物呈指数级增长尤为突出（见图 4）：按科学领域划分的趋势‌：众多领域均深受AI影响，但有几个领域因出版物呈指数级增长尤为突出（见图4）：

在所有学科中，工业化学与化学工程领域的期刊出版物增长最显著，截至2024年其总文献量占比约 8%。这种特殊增长可能源于该领域在制造业、工艺优化和工业创新中的广泛应用，同时该领域在开发可持续工业流程和绿色化学解决方案中也起到了关键作用。

分析化学是期刊出版物增长第二快的领域，深蓝色曲线显示该领域自2019年起持续强劲增长。这一增长模式表明该领域在化学各分支的基础性重要地位，以及该领域在开发跨学科研究的新型测量技术、仪器设备和分析方法中的作用。

能源技术与环境化学期刊出版物稳定增长，与生物化学并列增速第三。这反映了全球对气候变化、环境可持续性挑战以及新兴事件的紧迫关注。

其余学科领域，包括物理化学、药理学、毒理学与制药学、有机化学、无机化学、天然产物和合成聚合物等，期刊出版物均呈现小幅但稳定的增长。这些领域代表科研成熟的方向，其基本原理已确立完善，但持续研究仍能带来渐进式进展。

专利族数据与期刊出版物形成鲜明对比，创新模式呈现高度差异化和集中化，而非学术产出的均匀增长。这种对比凸显了学术研究产出与商业可行创新间的本质差异——市场力量、实际应用和经济激励在决定哪些科学进展转化为可专利的知识产权中起到了决定性作用。

生物化学领域专利呈指数级增长，2024年占比约 8%，远超其他学科。生物化学专利格局以生物医学方法为主导，其发展轨迹主要靠融合分子科学与先进医疗技术的创新手段来塑造。核心领域包括疾病检测、医学影像、可穿戴监测和临床决策支持，均借助生物标志物技术实现技术突破。生物化学还推动了神经接口、基因组学、生物标志物发现、信号处理、手术导航和生物医学制造的进展，凸显了其在现代生物医学创新中的核心地位。这一专利活跃度反映了生命科学研究的商业热情与投资热潮，并在 COVID 疫情期间因商业研究获得大量资金而进一步激增。

分析表明，多数AI相关出版物聚焦在生物医学研究与材料科学领域。因此，我们对此进行了深度分析：这些领域在数据集中占据主导地位，AI 应用增速显著且引用影响力更高，表明这些领域具有重要的科学意义。

AI 模型在生物医学研究中的应用

概述

生物医学研究长期面临复杂性和成本上的挑战，而AI如今可有效应对这些问题。例如，解析复杂的蛋白质结构与相互作用、药物开发的高成本与高失败率，以及理解多因素疾病机制的复杂性，这些领域都适合采用基于AI的方法。

本分析通过文献频率来客观量化关键概念，确保对重要研究领域代表性抽样。具体来说，我们使用多种AI/ML方法识别了生物医学领域内引发重大科学兴趣与研究投入的概念（见图 5）。

‍

在生物化学领域，蛋白质序列与结构、基因与基因表达以及 DNA/基因组学已成为研究最广泛的概念，多种机器学习方法被应用到这些领域。得益于数据的丰富性与标准化，ML模型在这些领域（特别是在蛋白质结构层级和基因调控网络等复杂系统）表现非常亮眼。在序列-功能映射、蛋白质家族分类、结构域预测、结构-功能分析、肿瘤特征选择、癌症基因相互作用预测以及肿瘤学基因表达模式聚类分析等任务中表现突出。这些研究主要利用了可同时处理数千个基因的高维表达数据、基因与表型间复杂的非线性关系以及基因调控网络的层级结构。

AlphaFold 和 BERT 等先进ML模型可通过学习氨基酸序列和进化模式，预测蛋白质的 3D 折叠与功能域，有效处理复杂的空间关系和序列输入的长程依赖问题。

在建模与药物设计领域，QSAR 建模占据主导地位。它利用 ML 从化学结构中提取分子描述符（如理化性质、指纹特征），通过监督学习来预测生物活性和毒性终点。这些方法擅长处理特征丰富的分子描述符、构效关系以及适合回归任务的定量终点。

分子对接作为第二常见的概念，利用深度学习（CNN和GNN）分析3D结构数据和分子图，通过空间构象、能量景观和分子相互作用来预测蛋白质-配体结合姿态与亲和力。药代动力学是下一个重点领域，ML通过分子描述符、生理参数和时间序列数据来预测 ADMET 性质（吸收、分布、代谢、排泄、毒性）和药物清除率。

生物标志物主导诊断领域，ML通过特征选择和分类分析高维基因组学、蛋白质组学和代谢组学数据，识别区分疾病状态与健康对照的分子特征。AI方法还用于预后研究，通过生存分析技术来分析患者临床数据和治疗史，用以预测生存时间和疾病进展。

医学影像（X光、CT、MRI）和结构化空间信息非常适合深度学习。CNN广泛用于分析放射影像，通过自动模式识别实现肿瘤检测、骨折识别、疾病分类和病理状态判断。深度学习的多尺度特征提取和分割能力尤其有助于癌症诊断中的肿瘤检测、分类、恶性评估和风险预测。

在疾病领域，癌症研究最受关注，根据数据类型可应用不同的ML模型。基因组和转录组数据常用RF和SVM来分析癌症亚型分类和治疗预测。这些任务受益于整合的多组学数据（涵盖不同分子层面），并通过对异质性肿瘤微环境的复杂性建模来提升预测能力。

在糖尿病研究中，可以利用纵向监测数据、生活方式与遗传因素的复杂相互作用以及血糖时间序列预测，采用多种算法预测糖尿病并发症并优化治疗方案。在阿尔茨海默病研究中，RF和SVM模型通过分析神经心理学测试分数、生物标志物水平（β-淀粉样蛋白、tau蛋白）和人口统计数据，广泛用于早期预测以区分健康人群和轻度认知障碍患者。

在治疗领域，抗肿瘤药物研究最受关注，ML通过分析分子描述符和化学性质来筛选药物并预测活性，用以识别潜在抗癌化合物。化疗中，这些方法通过分析患者临床数据、遗传特征和肿瘤特性来预测治疗反应和毒性，实现个性化用药。免疫治疗中则通过分析患者免疫特征、肿瘤突变负荷和生物标志物表达来预测响应并优化疗效，应对免疫相互作用和时间动态的复杂性。

人工智能模型与生物医学概念的共现分析

我们的分析探讨了生物医学概念与各种 AI/ML 方法之间的共现模式，阐明了它们在五个领域的战略应用（见图 6）。

RF 已成为生物医学研究中的主导 AI 方法，在上述两个时期内展现出显著增长并超越 SVM。RF 与生物医学所有领域的概念均呈现强共现性，尤其在生物化学、诊断和疾病相关研究中应用广泛。RF通过分析氨基酸组成、序列 Motifs 和理化性质来实现蛋白质功能预测和分类，将蛋白质归类至功能家族。在生物标志物发现中，RF 用于分析高维基因组学、蛋白质组学和代谢组学数据。

SVM 在此期间稳步增长，在蛋白质、基因表达、DNA 与基因组学、生物标志物、预后、医学成像和癌症研究中均保持重要地位。在蛋白质研究中，SVM 通过分析氨基酸序列、结构特征和理化性质对蛋白质进行分类和功能注释。它还可以利用核函数推动高维特征空间映射，预测亚细胞定位并识别酶的类别。

在基因表达中，SVM 根据基因在不同生化条件和细胞状态下的表达模式，识别参与特定生化过程的基因、分类代谢通路并预测编码酶的基因。在基因组变异分类中，SVM 通过处理 DNA 序列特征和注释，利用核苷酸模式和基因组背景的高维特征分析，区分致病性与良性突变，并识别与疾病相关的基因组区域。

在生物标志物研究中，SVM 通过将多种生物标志物整合至预测模型，用于诊断、治疗反应、疾病进展风险评估和患者分层，实现个性化医疗方案的识别、分类和验证。SVM 在癌症研究中用于区分癌组织与正常组织、区分癌症类型以及识别特定癌症分子亚型。SVM 还可以通过整合临床参数、生物标志物谱和基因组特征，用于预测患者生存结果、治疗反应、耐药模式和复发风险，从而实现癌症预后和治疗预测。图 6B 显示，SVM 在 QSAR 和 SAR 建模中保持着优势，但其后期与蛋白质分析的关联相对于 RF 有所减弱。

逻辑回归 (LR) 是生物医学研究中广泛使用且可解释的统计方法，常与蛋白质、基因表达、生物标志物、预后、医学成像、癌症和 COVID-19 等关键概念共现。在蛋白质功能预测中，LR 通过分析氨基酸组成、序列特征和结构特性将蛋白质按功能或结构类别分类。该模型的核心优势是提供可解释系数，表明每个特征对分类决策的相对贡献，使研究人员能识别哪些氨基酸特性或结构特征对预测影响最大。

这种可解释性在基因表达分类中同样重要，LR 有助于识别差异表达基因。在生物标志物验证和诊断中，LR 模型可预测二元结果（如患病/健康或响应者/非响应者），并为诊断决策提供具有临床意义的比值比。在预后建模中，LR 通过评估临床参数、生物标志物谱和患者人口统计学特征，采用类似的二元结果预测来预判死亡/存活、疾病复发/缓解、良好/不良预后等结局。

通过整合合并症、生命体征和生物标志物，LR 用于 COVID-19 诊断、严重程度预测和死亡率评估，支持风险分层和临床决策。这些多样化应用表明 LR 与生物医学核心研究主题高度契合，使其成为可解释且具有临床相关性建模的基础工具。图 6B 展示了逻辑回归增强的适应性，可能源于其多类别分类和基于概率输出的能力，而线性回归仅限于连续预测。

如图 6B 所示，2020-2024年间涌现出此前鲜有涉及的专业深度学习方法，例如 AlphaFold。该时期还见证了图神经网络 (GNN) 逐步用于分子相互作用建模、图对抗网络 (GAN) 广泛用于生成合成数据，以及模式识别技术在成像和诊断中的进展。

近年来另一重大转变是将 NLP 技术融入生物医学研究，其标志是 BERT 等模型在挖掘临床报告和分析生物医学文本领域的兴起。这种专业化趋势反映了该领域从应用通用 AI 方法发展为针对特定生物医学挑战开发定制方案的成熟过程。

两个时期间的研究重点发生了显著变化。2020-2024年间，蛋白质序列与结构分析及基因表达分析大幅增长（图 6B）。生物标志物发现和成像应用也经历急剧增长，同时疾病特异性研究大幅扩展，COVID-19 成为主要焦点，癌症研究则向多亚型方向分化。

生物医学研究中的物质类别

该比较为未充分探索的治疗机会提供战略洞察，并强调可通过增加研究投入或创新方法弥合科学发现与临床应用差距的物质类别（见图 7）。请注意“物质类别”指具有公认治疗应用潜力的 CAS 索引物质分类。

小分子药物持续主导药物研发，AI技术正加速其发现进程。基于机器学习的虚拟筛选、用于药代动力学预测的 QSAR 建模，以及优化合成路径的深度学习系统现已成为该过程的核心组成部分。这些创新基于小分子的固有优势，包括成熟的合成路线、明确的药代动力学特征、口服生物利用度和经济高效的制造工艺。

蛋白质/多肽治疗剂构成第二大研究类别。‌AlphaFold 等工具革新了蛋白质结构预测，使得设计优化治疗性蛋白质成为可能，如用于糖尿病的胰岛素、用于中风组织纤溶酶原激活剂，以及用于癌症和自身免疫性疾病的单克隆抗体。机器学习模型通过预测蛋白质-蛋白质相互作用和优化多肽稳定性进一步推动该领域发展。

含盐化合物与盐类受益于 AI 驱动的制剂优化算法，该算法可预测溶解度、生物利用度和稳定性，反映了药物制剂与生物利用度优化的重要性。聚合物作为关键治疗递送系统，正通过 AI 设计的纳米颗粒制剂、ML 优化的水凝胶特性，以及提升治疗效力和组织特异性的靶向给药预测模型得到增强。

配位化合物是另一类前景广阔的类别，AI 可辅助配体设计和金属有机框架 (MOF) 优化。这些化合物正通过计算化学和预测金属-配体相互作用及生物活性的 AI 模型得到改进。

AI 模型在材料科学中的应用

概述

在材料科学中，理解和预测材料成分、结构特征与性能之间的复杂关系对加速材料发现至关重要。相关数据通常具有多维性、层次性、异质性，并通过高通量、数据密集型流程生成。AI（特别是机器学习）通过实现这些复杂数据集的分析，正在革新该领域。我们通过分析 CAS 内容合集，确定了 AI 方法应用的关键材料科学概念，并评估了它们在材料发现和性能预测中的重要性（见图 8）。

‍

‍

在应用类别中，储能是AI研究最密集的领域，反映了全球对先进电池技术和可持续能源解决方案的需求。机器学习技术已成为电池材料创新的有力工具，研究人员采用三大策略：直接性能预测、机器学习势能和逆向设计。该领域 AI 研究的高度集中源于电池系统复杂的多尺度特性，传统实验方法往往难以优化材料成分、结构与电化学性能之间的复杂关系。

在材料和器件类别中，陶瓷、压电陶瓷、传感器和场效应晶体管领域显著的AI活动反映了这些材料及其器件的复杂性。这些先进材料通常表现出复杂的结构-性能关系，是机器学习方法的理想研究对象。

在结构特征方面，我们发现卷积神经网络 (CNNs) 与计算机视觉通过实现显微图像的自动分类、分割和特征提取，用于微观结构分析。这些工具有助于揭示以往难以量化的结构-性能关系。在冶金领域，定向AI方法正在推动超合金发展，而 CAMEO（闭环自主材料探索与优化）等系统通过将 AI 与高通量实验相结合，实现组合冶金。此外，用于 3D 断层扫描数据的机器学习工具正在增强多孔材料分析，从而更准确地模拟渗透率和机械强度等性能。

介电常数和电导率是性能类别中的主导概念，而压电性则是现象类别中的主导概念。在模拟与建模类别中，计算建模显示出较高的 AI 采用率，这与机器学习在数据分析任务中的天然适配性一致。

图 7 中紫色和混合色区域代表的中等AI活动领域，其 AI 采用正在加速但仍有改进空间。例如，某些以蓝色为主的低活动材料领域代表了科学中最成熟的基础领域，形成了最成熟的领域AI整合度最低的矛盾现象。复合材料和聚合物是该类别的典型代表。

然而，专业 AI 模型正在被开发以应对特定挑战。polyBERT 模型将聚合物结构视为化学语言，从而更有效地建模复杂聚合物系统。对于晶体材料，MEGNet、CGCNN和SchNet 等模型结合了晶体对称性和量子相互作用，而 ALIGNN 则捕捉了对合金性能准确预测至关重要的高阶原子相互作用。

AI 模型与材料科学概念的共现分析

正如生物医学分析一样，我们密切研究了材料科学中的 AI 方法及其共现概念。我们发现随机森林 (RF)、支持向量机 (SVM)、梯度提升机 (GBM) 和决策树 (DT) 等传统ML模型被广泛用于预测和特征重要性分析，这主要源于材料信息学中常见的高维非线性关系数据（见图 9）。

‌RF 模型‌在所有概念领域广泛分布。与‌ GBM 模型‌共同展现出与复杂异质材料的强共现性，因其建模非线性关系和处理混合数据类型的能力。它们常用于异质复合材料，通过捕捉基体与增强体间的复杂相互作用来预测机械性能和进行失效分析。

这些方法常与合金研究共现，RF 用于映射合金成分的非线性关系，辅助高熵合金设计、析出强化预测和热处理优化。GB 越来越多地应用于精确性能调控，如优化屈服强度或耐腐蚀性。

‌SVM‌ 更常用于具有明确结构-性能关系的材料。该模型通过固定维度特征向量对合金类型和阈值分类非常有效。温度依赖性性能通常呈现非线性模式，并受成分、加工历史和环境条件影响，基于树的方法和 SVM 能有效捕捉这些特性。

对于微观结构等结构特征，集成模型用于从复杂图像中识别特征；分类晶界、相和缺陷；预测晶体结构——这些常被视为需要对称感知模型的分类问题。跨越原子到宏观尺度的表面特性，涉及表面能和反应活性的复杂模式。这些应用需要图像数据预处理、多尺度特征提取以及对称性和周期性的编码，特别是在催化、腐蚀和粘附研究中，通常需与分子建模结合。

应用领域已显著扩展，电池研究呈现爆发式增长。图 9A 和 9B 证实 RF 与电化学过程的强相关性，可处理电池容量预测、电极材料选择和时变过程的复杂相互作用。

2020-2024年能源相关应用（储能、发电）的出现表明该领域的多元化发展。长短期记忆网络 (LSTM) 捕捉对电池退化预测和循环性能预测至关重要的时间动态。另一新兴关联是强化学习 (RL)，可优化充电协议和材料使用，并应用于电池管理系统。卡尔曼滤波器也见于电池和二次电池研究，用于追踪加工过程中的材料状态，预测电池健康状态和剩余使用寿命。

Transformer 模型用于从科学文献提取合成程序和材料特性，并捕捉复杂材料描述中的长程依赖关系。卷积神经网络 (CNNs) 和生成对抗网络 (GANs) 实现 2D/3D 结构的自动特征提取，支持性能预测和模式识别。尽管功能强大，它们需要更多数据和计算资源且可解释性较低，因此是对传统模型的补充而非替代。神经网络 (NNs) 越来越多用于基于图像的分析和生成设计，而传统方法在有限数据集下的成分-性能映射中保持优势。这也是神经网络与传统模型结合使用的原因。另一进展是结合对称性和物理约束的材料专用 CNN 架构，而图神经网络 (GNNs) 在原子和分子结构研究中日益受到关注。

材料科学中的物质类别

回到 CAS 索引物质的分类，我们分析了材料科学中与这些物质相关的出版物数量（见图 10）。
‍

有机/无机小分子在AI驱动研究中的主导地位反映了该领域在处理小结构时相较于聚合物等大型复杂系统的计算成本和数据量优势。约 6,500 篇期刊文章表明，该类别受益于数十年积累的化学数据库。

小分子特别适合机器学习方法，因为它们的性质可以通过分子描述符、指纹和基于图的表示有效编码。该领域的大量研究也表明制药和化学工业在药物发现、催化剂设计和分子性质预测方面对AI的强烈投资。

元素类以约 5,500 篇文章排名第二，同样受益于广泛的数据库和相对简单的结构，使其成为 AI 驱动性质预测和材料发现的理想候选。

表格无机材料约有 4,500 篇期刊文章，是AI有重要应用的另一个领域。这些材料——包括陶瓷、氧化物和其他结构化无机化合物——受益于晶体学数据库和系统性质测量，为有效机器学习提供了必要的大数据集。这些材料的结构性质允许基于晶体结构、组成和键合特性进行一致的特征工程。该类别在AI研究中的突出地位可能反映了材料科学界对储能、催化以及电子和磁性应用的新功能材料发现的关注。

聚合物研究显示中等程度的 AI 应用，约 1,800 篇期刊文章，考虑到聚合物的工业重要性，这可能显得较低。这可能反映了聚合物对 AI 应用提出的独特挑战，包括其复杂的链结构、分子量分布和加工依赖性。然而，不断增长的研究量表明 AI 在聚合物性质预测、合成和加工优化中的应用日益成功。

我们分析的另一重要发现是：在所有材料科学类别中，专利家族仅占期刊文章的一小部分。期刊与专利数量的差异表明，材料科学中大部分 AI 研究仍处于基础或探索阶段，学术发现与值得在商业阶段获得专利保护的实际应用之间存在显著时间滞后。

相对较少的专利数量也可能反映了将 AI 驱动的材料发现转化为商业可行技术的挑战，因为该领域许多 AI 应用侧重于性质预测和基础理解，而非可直接申请专利的发明。不同材料类型间一致的比例表明，从学术到商业的转化挑战普遍存在于整个材料科学领域，而非特定材料类别所独有。

流程管理中的 AI

AI 正通过实现更智能、快速和自适应的决策改变流程管理。分析 AI 在该领域的作用可揭示自动化、预测分析和实时优化如何推动跨行业的卓越运营（见图 11）。

AI 驱动的优化广泛应用于增材制造、石油化工、塑料加工、冶金、流动化学、催化过程以及药物发现与合成。常用模型包括响应面方法 (RSM)、实验设计以及 ANN、混合模型、物理信息神经网络 (PINN)、大语言模型 (LLMs) 和强化学习等机器学习技术。以下探索其他将预测建模扩展到实时决策与自动化的技术：

• 实时监控系统‌：利用机器学习分析流数据以检测模式、趋势和早期预警信号，实现动态预测和主动决策。关键创新包括：基于实时输入自动调整参数的自主决策；在故障发生前进行预测性维护；以及适应变化条件的自改进模型。此外，实时数据可视化和智能警报系统正在改变操作人员与实时流程数据的交互方式。这些进步正应用于制药行业的自动色谱系统和药物反应监测等领域。我们还看到它们被用于聚合物生产的性能优化、废物管理中的固体废物分析、环境监测、大规模制氢的能源与资源管理，以及老化基础设施的云端能源管理。‍
• 软传感器‌：基于物理传感器的实时数据，利用 AI 和统计模型估算难以直接测量或成本高昂的变量。它们广泛应用于生物过程监测、废水与空气质量监测等行业。在化工过程控制中，软传感器用于监测复杂硫化矿浮选、异构化、反应蒸馏和汽油调合等过程。
• 数字孪生‌：这些创新是物理系统的虚拟副本，通过与 AI 集成快速演进，实现实时优化、预测分析和自主运营。AI 通过从历史和实时数据中学习来模拟未来状态、检测异常和预测故障，将数字孪生从静态模型转变为弹性自优化系统。在制造业中，AI 驱动的数字孪生利用传感器和图像预测设备故障、优化生产流程并检测质量问题。在医疗领域，它们模拟患者状况、支持个性化药物、建模疾病、临床试验模拟并优化免疫治疗。在环境与可持续发展领域，AI 赋能的数字孪生应用于地质碳封存、矿石废料处理和资源管理。它们还支持材料科学，实现自动化发现、缺陷分析和逆向分子设计。

科学研究中 AI 应用的挑战

AI 显然已为所有科学研究领域做出许多积极贡献，并随着其进步将持续如此。然而，这些创新并非没有挑战，研究人员和数据科学家必须解决这些挑战以确保 AI 在科学中发挥全部潜力。最紧迫的挑战包括：

• 数据隐私与安全：确保数据隐私与安全是 AI 实施中最大挑战之一，因其需要大量敏感数据进行训练和操作。当敏感信息未经适当许可被收集使用，或从 AI 系统中泄露/窃取时会出现问题。科学数据集可能包含未发表的实验结果、新型化合物结构和代表重大竞争优势的专有合成方法。当研究人员使用基于云的 AI 平台或参与协作研究环境时，面临知识产权暴露的重大风险。为应对风险，部分企业正实施保护客户信息和维护信任的措施，新创企业也在寻找保护免受外部 AI 威胁的市场利基。‍
• 数据质量与偏差‌：数据集常存在系统性偏差，这些偏差会通过 AI 模型传播，导致预测偏差并可能加剧现有研究不平等。已发表反应数据中的历史偏差（成功反应被过度代表而失败实验未被充分报告）会显著损害ML模型探索新化学空间的能力，尤其对无机材料。这种"发表偏差"形成自我强化循环，使 AI 系统优先推荐与已充分研究的化合物相似的化合物。生成式AI模型带来额外担忧，因其可能操纵现有数据并产生幻觉以满足客户需求，却牺牲真实证据。‍
• 透明度‌：模型的"黑箱"特性可能掩盖其预测背后的推理，使研究人员难以评估可靠性或识别潜在故障模式。一项关于药物发现中可解释 AI 方法的综述强调，复杂模型缺乏可解释性会削弱药物化学家的信任，并阻碍制药开发中 AI 引导决策的监管接受度。该挑战对基于高维化学表示的图神经网络和 Transformer 模型尤为严峻，其中输入特征与预测间的关系变得高度非线性。‍
• 自动化与人类专业知识的平衡‌：虽然 AI 系统能处理海量数据集并识别超出人类认知能力的模式，但它们缺乏经验科学家为研究问题带来的直觉、创造力和情境理解。这可能导致一代科学家缺乏基础研究技能和概念理解。相反，当 AI 驱动的结论与直觉相矛盾时，也可能导致"算法厌恶"。

AI 模型与科学研究的未来

AI 对科学探究的重要性只会与日俱增，其革命性能力已在生物医学和材料科学等领域得到体现。正如我们对 CAS 内容合集的分析所示，新的应用、模型和方法正不断被用于解决困难的研究问题。我们可以预见，药物发现、疾病诊断、材料开发等领域的突破将受到 AI 驱动技术的影响甚至完全由其主导。

随着 AI 从工具转变为科学协作伙伴，我们还可能看到逆向设计和自动驾驶实验室等新范式，将科学方法论重新定义为自主发现引擎。然而，较低的专利-发表比表明大量研究仍停留在学术界，特别是在传统材料科学领域。

AI 的进一步应用需要通过不确定性量化和模型透明度等技术方案进行适当的信任校准。AI 对科学的广泛影响及其实施挑战的范围意味着，协作与透明度将是最大化其科学进步效益的关键。

‍

更多信息，请参阅《化学中的AI革命：塑造材料与生物医学科学的未来》

文中使用的品牌名称和/或任何第三方产品或服务的提及仅用于教育目的，不代表 CAS 或美国化学会的认可，也不构成对未提及的类似品牌、产品或服务的歧视。