- 化学学科中的机器学习(人工智能的冲击)(精)
- - 作者：编者:(英)休·M.卡特赖特|责编:林媛//窦臻|译者:丁晓琴//杨启帆//朱牧//朱文超
  - 出版社：化学工业
  - ISBN：9787122474469
  - 出版日期：2025/09/01
  - 页数：388
- 售价：63.2

内容大纲
随着人工智能技术的崛起，在化学研究领域，传统的基于实验和物理模型的方式正在逐渐与基于数据的机器学习范式相融合，加速了化学机制的研究和化学物质的发现。本书对人工智能在化学学科中应用的最新技术发展前沿动态进行较全面的综合性介绍。首先介绍人工智能和机器学习中的一些核心概念以及医药学中使用最广泛的人工智能方法；随后全面深层次地介绍了人工智能技术在药物设计、材料性能预测、功能材料分子设计和有机合成路线设计、自组装化学、天体化学等诸多方面的应用。并讨论了人工智能在科学领域中应用的复杂性与困难以及在科学研究中使用人工智能技术时所面临的挑战以及解决方案。
本书可供化学领域的科研人员、高等院校师生阅读参考，也可作为从事环境、医药、临床诊断等专业技术人员的参考资料。
作者介绍
目录
第1章  计算机科学家
  1.1  什么是计算科学？
  1.2  什么是人工智能？
  1.3  什么是机器学习？
  参考文献
第2章  机器如何学习？
  2.1  提出问题
  2.2  收集数据
  2.3  设置算法
  2.4  训练流程
  2.5  克服缺陷
  2.6  部署算法
  参考文献
第3章  药物化学信息学：药物发现中的机器学习导论
  3.1  引言
    3.1.1  人工智能与机器学习
    3.1.2  有监督与无监督学习
  3.2  凡事预则立
    3.2.1  数据集收集和管理
    3.2.2  模型构建
    3.2.3  主成分分析
    3.2.4  三维空间中的机器学习，“对齐”就是一切
    3.2.5  QSAR建模的活性范围和分布
    3.2.6  异常值
  3.3  深度学习和神经网络
  3.4  数学基础
    3.4.1  “可观测值”和“特征”
    3.4.2  根据描述符比较分子
    3.4.3  模型质量和统计分析
    3.4.4  过度训练和良好描述符的特征
  3.5  机器学习方法
    3.5.1  k-最近邻
    3.5.2  线性回归
    3.5.3  决策树和随机森林
    3.5.4  支持向量机
  3.6  总结
  参考文献
第4章  非绝热分子动力学中的机器学习
  4.1  引言
  4.2  方法
    4.2.1  机器学习（ML）模型
    4.2.2  训练集生成
    4.2.3  波函数相位
    4.2.4  相位校正算法
    4.2.5  表面跳跃动力学
  4.3  示例：亚甲基铵阳离子
    4.3.1  ML表面跳跃动力学
    4.3.2  能量守恒
    4.3.3  ML模型的其他工具
  4.4  结论与展望

  参考文献
第5章  机器学习在科学中的作用——机械同感？
  5.1  引言
    5.1.1  历史点滴
    5.1.2  挑战
  5.2  问题和解决
    5.2.1  需要多少样本来训练AI？
    5.2.2  正在合并数据库，存在什么困难呢？
    5.2.3  使用化学反应数据库来预测合成路线，但进展甚微。可能出了什么问题？
    5.2.4  数据库太大，训练模型需要花费很长时间。我们又能做些什么呢？
    5.2.5  如何设置参数
    5.2.6  AI如何学会一些不存在的东西？
    5.2.7  我训练的AI测试非常漂亮，但现在正在制造垃圾
    5.2.8  AI解决了方框5.4中的挑战，它是如何做到的？
    5.2.9  AI认为篮球运动员导致了全球变暖
    5.2.10  AI结果显示我的数据只包含噪声，但我认为可能存在某些真实的东西。如何告知我的AI？
    5.2.11  AI很好，直到我找到了一些额外的数据；为什么数据让情况变得更糟，而不是更好？
    5.2.12  虽然有大量数据，但我的AI仍然学习得很艰难
    5.2.13  问题：我的AI很奇怪
    5.2.14  一切都变糟糕了。我该怎么办？
  5.3  结论
  参考文献
第6章  未来状况预测：AI推动的国防应用化学创新
  6.1  引言
  6.2  合成搜索引擎：自动化合成规划
    6.2.1  优化已知路线
    6.2.2  预测反应结果
    6.2.3  执行逆合成
    6.2.4  评估
    6.2.5  采纳
  6.3  化学统计学习中的数据挑战
    6.3.1  数据偏向于成功的实验
    6.3.2  现有数据不可靠且不规范
    6.3.3  数据只与一个狭窄的任务集合相关
    6.3.4  机器学习模型中化学数据没有标准的表征形式
  6.4  数据挑战的现实解决方案
    6.4.1  实验数据收集的自动化和标准化
    6.4.2  跨实验室共享数据
    6.4.3  利用科学文献中描述的实验数据
    6.4.4  通过模拟生成数据
    6.4.5  数据生成和预测模型的闭环集成
  6.5  自驱动实验室的初步演示
    6.5.1  自主研究的启示
  6.6  结论
  参考文献
第7章  化学合成中的机器学习
  7.1  引言
  7.2  化学数据的性质
    7.2.1  数据源
    7.2.2  分子描述符

  7.3  机器学习方法
  7.4  合成路线设计
    7.4.1  逆合成
    7.4.2  反应预测
    7.4.3  优化反应条件
  7.5  实际应用
  7.6  结论
  参考文献
第8章  天体化学中的约束化学网络
  8.1  引言
  8.2  化学反应数据库的完整性和可靠性
    8.2.1  气相网络
    8.2.2  颗粒表面网络
  8.3  贝叶斯方法
  8.4  复杂网络的机器学习技术
  8.5  结论
  参考文献
第9章  （纳米）材料-生物界面中的机器学习
  9.1  机器学习概述、挑战和机遇
  9.2  复杂材料中特殊问题的尺度与重要性
  9.3  材料中的机器学习示例
  9.4  纳米材料中的机器学习示例
  9.5  生物材料和再生医学中的机器学习示例
  9.6  细胞疗法、生物反应器和可植入细胞的材料
  9.7  机器学习与进化方法
  9.8  展望
  参考文献
第10章  应用于复杂聚合过程的机器学习技术
  10.1  化学过程建模的难点
  10.2  自由基聚合过程的唯象学模型
  10.3  人工神经网络在聚合过程中的应用
    10.3.1  神经网络在聚合反应工程中的应用类型
    10.3.2  应用于聚合过程建模中的不同类型神经网络模型
  10.4  软计算混杂配置在聚合过程的应用
  10.5  机器学习技术在甲基丙烯酸甲酯自由基聚合中的应用
  参考文献
第11章  分子药物发现中的机器学习和打分函数（SFs）：预测和表征可成药药物和靶标
  11.1  引言
  11.2  数据与方法
    11.2.1  分子和疾病靶标的数据和可成药性打分
    11.2.2  打分函数对分子参数（MPs）和靶标的描述
    11.2.3  统计和编程方法
  11.3  结果
    11.3.1  主成分分析（PCA）结果
    11.3.2  机器学习分类结果
  11.4  总结与讨论
  参考文献
第12章  AI在有机材料预测中的应用
  12.1  引言
  12.2  从文献中提取数据

  12.3  构建合成切块数据库
  12.4  性质预测
    12.4.1  训练数据
    12.4.2  描述符
    12.4.3  加速性质预测
  12.5  结构预测
  12.6  相空间探索
  12.7  材料合成砌块的从头分子设计
  12.8  预测可合成材料
  12.9  研究案例
    12.9.1  有机电子材料
    12.9.2  多孔有机材料的性质预测和相空间探索
    12.9.3  其他功能有机材料
  12.10  结论
  参考文献
第13章  数据科学驱动的无机材料发现新时代
  13.1  引言
  13.2  通过机器学习方法的材料发现工作流程
    13.2.1  数据采集
    13.2.2  数据表征
    13.2.3  数据预处理
    13.2.4  模型构建
    13.2.5  模型评估
  13.3  机器学习在无机材料中的应用
    13.3.1  合成优化中的机器学习
    13.3.2  结构预测中的机器学习
    13.3.3  材料性质预测中的机器学习
  13.4  机遇与挑战
    13.4.1  从小数据集中学习
    13.4.2  生成有效的数据表征
    13.4.3  增强模型的可解释性
    13.4.4  增加模型的可访问性
  13.5  结论
  参考文献
第14章  机器学习在化学工程中的应用
  14.1  引言
  14.2  建模与模拟
    14.2.1  AI在分离装置建模与模拟中的应用
    14.2.2  AI在反应器建模与模拟中的应用
    14.2.3  AI在整体工厂建模与模拟中的应用
    14.2.4  AI在能源管理建模与模拟中的应用
  14.3  控制和操作
    14.3.1  过程控制的基本原则
    14.3.2  机器学习用于控制化学过程
    14.3.3  机器学习集成的传统控制器
  14.4  预估和预测
    14.4.1  化学工程预估器的可用AI算法
    14.4.2  基于AI的预估器的选择与应用
  14.5  未来趋势和展望
  参考文献

第15章  化学中的表征学习
  15.1  引言
  15.2  非学习型分子表征
    15.2.1  分子指纹
    15.2.2  可计算的性质
  15.3  学习表征的必要性
  15.4  学习型分子表征
    15.4.1  图模型
    15.4.2  网格模型
    15.4.3  序列模型
    15.4.4  以物理学为灵感的架构
  15.5  数据方面的考虑
  15.6  挑战和展望
  15.7  结论
  参考文献
第16章  揭开人工神经网络作为新化学知识产生者的神秘面纱：以抗疟药物发现研究为例
  16.1  引言
  16.2  材料和方法
    16.2.1  数据集和分子描述符
    16.2.2  构建Ms-QSBER_EL模型
  16.3  结果与讨论
    16.3.1  Ms-QSBER-EL模型
    16.3.2  适用域
    16.3.3  从分子描述符中收集物理化学和结构信息
    16.3.4  实际有效和安全的抗疟化学品的计算设计
    16.3.5  类药性
  16.4  结论
  参考文献
第17章  堆芯损耗谱的机器学习
  17.1  引言
  17.2  方法学
    17.2.1  谱图数据库的构建
    17.2.2  谱图数据的聚类
    17.2.3  材料信息的决策树
    17.2.4  前馈神经网络
  17.3  结果与讨论
    17.3.1  数据驱动的预测和解释方法概述
    17.3.2  单金属氧化物的O-K边的表征
    17.3.3  无定形SiO2的O-K边的解释和预测
    17.3.4  从ELNES/XANES中使用机器学习方法定量结构和性质
    17.3.5  从噪声谱中定量结构和性质
  17.4  结论
  参考文献
第18章  自主科学：大数据工具为化学中的小数据问题服务
  18.1  引言
  18.2  实验的自主设计
    18.2.1  稀疏采样策略对“小数据”的挑战
    18.2.2  自主实验设计的单纯形方法
    18.2.3  动态采样的插值算法
    18.2.4  一种有监督学习的动态采样方法

    18.2.5  用于拉曼高光谱成像和X射线衍射成像的SLADS
    18.2.6  实验自主设计的非迭代动态采样
    18.2.7  主动机器学习
    18.2.8  材料合成的动态采样
    18.2.9  自主实验设计的模块化架构
  18.3  有限数据训练的生成式对抗方法
    18.3.1  图像识别中的生成式对抗网络
    18.3.2  对抗性攻击的线性示例：对抗性光谱
    18.3.3  数据生成示例：生成式对抗线性分析
  18.4  结论
  参考文献
第19章  多相催化中的机器学习：从构建到应用的全局神经网络势
  19.1  引言
  19.2  方法
    19.2.1  高维神经网络架构
    19.2.2  结构描述符
    19.2.3  神经网络训练
    19.2.4  数据集生成和SSW全局优化
    19.2.5  自学习过程
  19.3  应用
    19.3.1  PES探索
    19.3.2  负载在CeO2上的超微量金
    19.3.3  无定形TiOxHy上的析氢反应
    19.3.4  在ZnCrO催化剂上的合成气转化
  19.4  展望
  参考文献
第20章  机器学习在化学和材料中实际应用的指导性原则
  20.1  引言
  20.2  应用机器学习的指导性原则
  20.3  结论与警示
  参考文献
中英文对照

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目