人工智能化学：变革研究范式,加速物质发现

化学科学领域的复杂性和海量数据为人工智能应用提供了契机。人工智能、机器学习、深度学习从海量数据中识别新的化合物,建立新的模型,提出新的理论,正在改变化学物质的发现、转化和功能研究范式,促进重大问题的解决。本文综述了近年来国际上人工智能在化学研究中的重要进展,分析了人工智能化学的主要发展态势。人工智能通过助力化学海量数据挖掘、实现化学实验室智能化和自动化、增强计算化学解决实际问题的能力,推动化学跨越式发展。     

量子机器学习在催化化学研究中的应用

量子机器学习融合了量子化学与机器学习的优点,具有比传统密度泛函理论更快的计算速度和更高的准确性.量子机器学习可为复杂、多维、多尺度的催化化学提供更智能和有效的研究方式,通过训练可靠的数据及建立合理的模型和算法,快速、准确地预测最优的催化剂设计参数、最佳的催化剂材料的合成方法和反应条件、以及催化剂结构和性能之间的关系.作者就量子机器学习应用于催化材料的设计、催化反应性能和催化反应机理三方面的发展趋势进行了概述.     

机器学习在新材料筛选方面的应用进展

新材料产业是许多相关领域技术变革的基础,也是新能源、航空航天、电子信息等高新技术产业发展的先导.传统研发手段由于成本高、效率低、商业化周期长等不利因素无法满足现代社会的发展需求.近年来大数据与人工智能不断深入结合,以数据驱动为核心的机器学习在新材料设计、筛选以及性能预测等方面取得巨大进展,极大促进了新材料的研发与应用.本综述总结了机器学习的基本过程及其在材料科学中常用的算法和相关材料数据库,重点介绍了机器学习在不同功能上的应用以及在催化剂材料、锂离子电池、半导体材料和合金材料等领域的性能预测和材料开发中的最新进展,并对其下一步在新材料应用方面提出展望.     

高分子材料基因组——高分子研发的新方法

材料基因组旨在将计算工具、数据库和实验工具有机结合,缩短研发时间,提高材料研发效率.高分子材料因其结构独特性和复杂性阻碍了材料基因组在高分子材料领域的发展.目前,国内外学者在高通量筛选高分子化学结构策略和构建性能预测方法等方面开展了尝试,并取得了一些成果.本文总结和评述了当前利用代理量方法和机器学习预测模型实现高分子材料基因组的进展,利用可计算的量代理宏观性能的代理量法和利用机器学习模型预测材料性能的方法在一定程度上克服了高分子复杂性的影响.在此基础上,系统地介绍了数据挖掘或模型构建的方法以及运用这些模型筛选不同类型高分子的思路,着重探讨了方法构建和材料筛选背后的思想以及对各类问题的解决措施.最后,探讨了当前高分子材料基因组发展中所面临的主要挑战,并展望了高分子材料基因组的未来发展方向.     

机器学习方法在高分子玻璃化研究中的应用

高分子玻璃的物理性质与其结构和动力学密切相关.揭示高分子玻璃化的微观物理图像对高分子玻璃材料的结构调控和分子设计至关重要.然而,高分子的长链结构和复杂单体结构特征致使目前仍然缺乏普适的理论或者模型来定量解释高分子玻璃化的物理机制.因此,亟需发展更为先进的研究方法从而更深入地理解高分子玻璃化.近年来,国内外学者利用基于数据驱动的信息学方法(例如机器学习)对高分子玻璃化开展了研究,并取得了丰富成果.本综述首先介绍了常用的高分子信息学数据库和机器学习算法.之后,从高分子玻璃化转变温度的预测、新型高分子玻璃材料的研发、过冷液体的结构-动力学关系和玻璃体系相变的确定四个方面总结和评述了机器学习应用在玻璃化研究中的代表性进展.最后,探讨了机器学习方法在高分子玻璃化研究中面临的主要挑战,并对玻璃信息学这一领域的发展进行了展望.     

初中化学深度学习的教学实践*——以干冰探究二氧化碳的化学性质

传统实验方法较难判断干冰能否与氢氧化钠溶液反应,更无法呈现其反应的过程。通过验证生成物的实验可以判断干冰与氢氧化钠溶液反应,成功实现将无明显现象反应变成有明显现象反应。运用手持技术数字化实验将“不可见”的化学实验现象转化为“可观测”的数据与曲线图像,以及探究反应产物与氢氧化钠溶液浓度的关系,从而实现对二氧化碳化学性质的深度学习。     

高放废物地质处置中的模型

我国将采用深地质处置的方法处理核能发展所产生的大量高水平放射性废物。为了准确地预测核素的迁移行为,评估处置库的安全性,除了实验之外,还必须使用模型。本文对高放废物地质处置中所涉及的模型,以及与模型相关的软件、数据库做了综述,重点叙述了用于化学种态分析的地球化学模型,扼要介绍了多场耦合模型。此外还简要报告了本实验室核素迁移实验数据的处理方法和程序。     

生物催化进展:从计算到代谢工程（英文）

经过数次技术研究和超常创新战略的大发展,生物催化逐渐达到工业化水平,从而受到人们特别的关注.基于酶值,通过生物途径生产高附加值化合物和精细工业化学品成为人们最感兴趣的领域之一.更广泛的众多生物化学路线可由酶催化来实现,其中还有一些酶尚未被人们发现.另一方面,由于非同源底物和某些化学过程所必需的苛刻条件,导致酶催化过程的效率低、稳定性差,因而限制了生物催化的应用.因此,开发具有多催化特征、更高效率和稳定性的绿色催化剂,成为生物催化的重中之重.计算科学、代谢工程、合成生物,以及机器学习路线的运用为新催化剂的工程化提供了新方法.本文重点介绍了合成生物学和代谢工程在催化中的作用,讨论了用于催化的机器学习算法和如何选择一种预测蛋白质-配体相互作用的算法;为了预测键合和催化功能,综述了分子对接的重要性;最后给出了结束语、未来挑战和前景展望.     

人工智能在锂离子电池研发中的应用

锂离子电池已成为解决现代社会储能问题的最佳解决方案之一。然而,电池材料和器件开发都是复杂的多变量问题,传统的依赖研究人员进行实验的试错法在电池性能提升方面遇到了瓶颈。人工智能（AI）具有强大的高速、海量数据处理能力,是上述突破研究瓶颈的最具潜力的技术。其中,机器学习 (ML) 算法在评估多维数据变量和集合之间的组合关联方面的独特优势有望帮助研究人员发现不同因素之间的相互作用规律并阐明材料合成和设备制造的机制。本综述总结了锂离子电池传统研究方法遇到的各种挑战,并详细介绍了人工智能在电池材料研究、电池器件设计与制造、材料与器件表征、电池循环寿命与安全性评估等方面的应用。最重要的是,我们介绍了AI和ML在电池研究中面临的挑战,并讨论了它们应用的缺点和前景。我们相信,未来实验科学家、数学建模专家和AI专家之间更紧密的合作将极大地促进AI和ML方法用以解决传统方法难以克服的电池和材料问题。     

基于化学史和实验数据的化学键概念教学

沿循化学键发展史、创设实验和文献情境、分析实验数据,引导学生自主建构化学键的概念及其表征方式。研究结果表明:基于化学史和实验数据的教学不仅能帮助学生充分理解概念的含义,在学生构建概念并解释真实问题的过程中,还能发展学生宏微结合、证据推理、科学探究与社会责任的化学学科核心素养,认识化学研究的创新方法和研究结论的相对合理性。     

在垃圾分类中寻找化学元素*——基于生活情境的探究性学习

介绍一个结合4种教学策略(情境教学、探究性学习、合作学习、混合式教学)面向非化学专业类大一学生开展元素化学教学的案例。以垃圾分类为主题,学生分组协作完成探究性学习任务,调查不同种类垃圾中存在的化学元素及其用途,通过线下课堂展示、线上成果共享以及校外推广等3项活动传播探究结论。对比活动前后收集的数据,活动前有75%的学生只认识原子序数前20的化学元素,活动后学生认识的元素数量明显增多,平均值是原来的1.7倍。元素中文名称与元素符号记忆混乱的情况得到改善。最后问卷调查表明活动提高了学生上课的积极性并且对了解生活中的化学元素有帮助。     

基于互动和合作学习的无机化学教学模式

在分析无机化学课堂教学现状和采纳学生建议的基础上提出了构建互动和合作学习的无机化学教学模式。着重介绍了"分组互动、读书报告会、尝试讲课和评判纠错"互动和合作学习的过程。教学实践表明,这种互动和合作学习正是学生需要和喜欢的无机化学教学模式。     

国外化学元素周期表教学方式的介绍与启示*——基于2009-2019年Journal of Chemical Education的载文

查阅2009-2019年Journal of Chemical Education中关于化学元素周期表的发文情况,分析其在学科范围、授课对象及教学方式等3方面的特征,最后介绍了具有代表性的教学案例:构建模型、游戏学习、探究学习、合作学习等。     

从课程标准到单元学习目标*——以化学学习单元设计为例

将课程标准转化为学习目标是进行单元设计的核心问题。基于北京市十一学校化学学科在不同化学学习模块中的单元教学实践,总结了将课程标准转化为学习目标的通用策略,包括基于课程标准的关键词解构,基于核心素养的单元核心重构,基于单元学习任务的学习者目标的转化,以及学习迁移和学习建构的互补。这一方法对于化学学科不同模块下的学习单元设计乃至其他学科都具有一定的通用性。     

A semi-supervised learning approach for RNA secondary structure prediction

RNA secondary structure prediction is a key technology in RNA bioinformatics. Most algorithms for RNA secondary structure prediction use probabilistic models, in which the model parameters are trained with reliable RNA secondary structures. Because of the difficulty of determining RNA secondary structures by experimental procedures, such as NMR or X-ray crystal structural analyses, there are still many RNA sequences that could be useful for training whose secondary structures have not been experimentally determined. In this paper, we introduce a novel semi-supervised learning approach for training parameters in a probabilistic model of RNA secondary structures in which we employ not only RNA sequences with annotated secondary structures but also ones with unknown secondary structures. Our model is based on a hybrid of generative (stochastic context-free grammars) and discriminative models (conditional random fields) that has been successfully applied to natural language processing. Computational experiments indicate that the accuracy of secondary structure prediction is improved by incorporating RNA sequences with unknown secondary structures into training. To our knowledge, this is the first study of a semi-supervised learning approach for RNA secondary structure prediction. This technique will be useful when the number of reliable structures is limited.     

非正式环境下的化学探究学习*——以博物馆为例

依据任务驱动学习理论,选择苏州博物馆中的金属材料藏品制作化学探究学习任务单,以“寻找金属文物”“金属铸造奥秘”“金属文物防护”等3个主题任务引导学生在博物馆中学习化学,使得化学探究学习兴趣更盎然、观察更仔细、思辨更深入、学习更自主。     

Data-driven machine learning models for quick prediction of thermal stability properties of OLED materials

Organic light-emitting diode (OLED) materials have exhibited a wide range of applications. However, the further development and commercialization of OLEDs requires higher quality OLED materials, including materials with a high thermal stability. Thermal stability is associated with the glass transition temperature (T_g) and decomposition temperature (T_d), but experimental determinations of these two important properties generally involve a time-consuming and laborious process. Thus, the development of a quick and accurate prediction tool is highly desirable. Motivated by the challenge, we explored machine learning (ML) by constructing a new dataset with more than 1,000 samples collected from a wide range of literature, through which ensemble learning models were explored. Models trained with the LightGBM algorithm exhibited the best prediction performance, where the values of mean absolute error, root mean squared error, and R² were 17.15 K, 24.63 K, and 0.77 for T_g prediction and 24.91 K, 33.88 K, and 0.78 for T_d prediction. The prediction performance and the generalization of the ML models were further tested by two applications, which also exhibited satisfactory results. Experimental validation further demonstrated the reliability and the practical potential of the ML-based models. In order to extend the practical application of the ML-based models, an online prediction platform was constructed. This platform includes the optimal prediction models and all the thermal stability data under study, and it is freely available at http://www.oledtppxmpugroup.com. We expect that this platform will become a useful tool for experimental investigation of T_g and T_d, accelerating the design of OLED materials with desired properties.     

影响高中化学有效学习因素的实证分析

设计了《影响高中生化学有效学习因素调查问卷》,在具有代表性的普通中学进行大样本的问卷调查,调查数据经计算机统计处理,结果发现：学习习惯、学习方法、学习内容难度等3个维度对高中生有效学习具有显著影响,学习环境维度对高中生有效学习影响不明显;这4个维度对男女生的影响差别不是很大,但对不同年级学生的影响度发生了变化。由此可以为中学一线化学教师的有效教学策略提供有益的启示。     

化学系统性思维的表征手段与改革实践*

化学系统性思维强调化学子系统之间,以及化学系统与其他学科系统之间的关系,有助于学习者整合、应用化学知识解释化学现象、解决化学问题。内外交织的多个不同系统很容易让学生迷失在纷繁复杂的概念体系中,需要借助SOCME,OPM,BOTG,CLD,SFD等可视化图形工具厘清各个系统之间的关系,以表征化学系统性思维。在明确化学系统性思维内涵的基础上,开展“化学平衡”教学改革,探索绿色化学课程建设,开展游戏化学习、服务性学习、深度学习、项目学习、工作坊或研讨会,有助于化学系统性思维培养实践的改革与落地。横向关联化学系统与其他学科系统的关系,纵向深入分析化学子系统之间的关系,是进一步开展化学系统性思维教学的关键。这就需要多学科的协同攻关,既要关注化学知识的社会应用,也要抓住化学学科本质和特征,才可以围绕化学概念和社会问题,建构纵横交织的多系统影响关系,促进学生化学系统性思维的发展。     

Multi-instance multi-label distance metric learning for genome-wide protein function prediction

Multi-instance multi-label (MIML) learning has been proven to be effective for the genome-wide protein function prediction problems where each training example is associated with not only multiple instances but also multiple class labels. To find an appropriate MIML learning method for genome-wide protein function prediction, many studies in the literature attempted to optimize objective functions in which dissimilarity between instances is measured using the Euclidean distance. But in many real applications, Euclidean distance may be unable to capture the intrinsic similarity/dissimilarity in feature space and label space. Unlike other previous approaches, in this paper, we propose to learn a multi-instance multi-label distance metric learning framework (MIMLDML) for genome-wide protein function prediction. Specifically, we learn a Mahalanobis distance to preserve and utilize the intrinsic geometric information of both feature space and label space for MIML learning. In addition, we try to deal with the sparsely labeled data by giving weight to the labeled data. Extensive experiments on seven real-world organisms covering the biological three-domain system (i.e., archaea, bacteria, and eukaryote; Woese et al., 1990) show that the MIMLDML algorithm is superior to most state-of-the-art MIML learning algorithms.