逆向配方分析是确定已知产品确切成分的过程。从已知的成分相对比例出发，测定每种成分的精确含量。逆向配方分析也被称为化学逆向工程。
化学产品逆向配方分析能够帮助企业：
- 从现有配方中推导出新配方。
- 提升竞争情报能力。
- 对竞品进行基准测试。
- 识别假冒产品。
- 开发自有品牌产品。
尽管研究人员已转向利用机器学习进行化学品和材料的发现与优化，但逆向配方分析通常仍需借助分析化学方法通过实验完成。目前可用于化学配方的结构化数据相对有限，这阻碍了许多人工智能驱动的逆向配方分析工作。许多广泛可用的配方数据在成分及其含量记录方面存在不完整和不一致的问题。
训练预测模型以实现快速、数据驱动的配方建议
《工业与工程化学研究》发表的论文《基于深度生成神经网络的预测性化学逆向配方分析》，表明训练无监督生成模型（变分自编码器，VAE）以实现快速、数据驱动的配方建议是可行的。
利用 CAS 科学家整理的配方数据训练的 VAE 神经网络，能够学习到止汗剂和口腔护理等各类产品配方中有意义的表征，其平均表现优于传统方法。文章指出，该方法“产生的估算结果比最近邻法更准确，在处理与已知配方差异较大的配方时具有更好的外推能力，并为利用大型数据集实现工业相关功能提供了途径。”
CAS Content Collection™ 中整理的配方提供了关于配方及其成分化学特性的高度结构化且一致的表征。得益于结合了专业技术与科学专长的独特整理流程，CAS 能够持续准确地识别每种配方的化学成分、分组及其含量。作者指出，“如果没有 CAS 数据集，这些生成式方法在逆向配方分析应用中的实际验证将无法实现。”
阅读完整出版物了解这些发现：《基于深度生成神经网络的预测性化学逆向配方分析》。
想要获得更准确的逆向配方预测结果？CAS 定制服务将我们的专业技术、科学专长和无与伦比的内容资源相结合，以满足您的独特需求。
