Video Experimental Relacionado
Updated: Jun 14, 2025

Closed-loop Neuro-robotic Experiments to Test Computational Properties of Neuronal Networks
Published on: March 2, 2015
La transferencia en circuito cerrado permite a la inteligencia artificial obtener conocimientos químicos
Nicholas H Angello1,2,3, David M Friday1,2,3, Changhyun Hwang2,3,4
1Department of Chemistry, University of Illinois at Urbana-Champaign, Urbana, IL, USA.
La transferencia de circuito cerrado (CLT) integra la inteligencia artificial con el aprendizaje basado en la física para optimizar los materiales y descubrir ideas químicas simultáneamente. Este enfoque acelera el descubrimiento mediante la exploración de un espacio químico mínimo para mejorar la fotostabilidad en la electrónica orgánica.
Área de la Ciencia:
- Ciencias de los materiales
- Química
- Inteligencia artificial
Sus antecedentes:
- La experimentación en circuito cerrado guiada por inteligencia artificial (IA) optimiza las funciones, pero a menudo actúa como una caja negra, limitando el descubrimiento del conocimiento químico.
- El potencial de la IA para descubrir nuevos conocimientos químicos junto con la optimización sigue siendo en gran medida inexplorado.
Objetivo del estudio:
- Integrar los experimentos de circuito cerrado con la selección de características basadas en la física y el aprendizaje supervisado, denominado transferencia de circuito cerrado (CLT).
- Lograr la optimización paralela de las funciones objetivas y la generación de conocimientos químicos.
- Investigar los factores que influyen en la fotostabilidad en la solución de las moléculas receptoras de luz.
Principales métodos:
- Desarrolló y aplicó la transferencia de circuito cerrado (CLT), combinando síntesis automatizada, caracterización experimental, selección de características basadas en la física y aprendizaje supervisado.
- Exploró una pequeña fracción (1.5%) del espacio químico teórico para la eficiencia.
- Validación del modelo de fotostabilidad basado en la física utilizando múltiples conjuntos de pruebas experimentales y ajuste de disolventes.
Principales resultados:
- El CLT produjo con éxito conocimientos químicos fundamentales sobre la fotostabilidad, destacando la importancia de los estados triplet de alta energía.
- Logró una optimización significativa de las funciones objetivas con una exploración mínima del espacio químico.
- Demostró la generalización de la TLC a través de aplicaciones a sistemas de materiales adicionales.
Conclusiones:
- La combinación de aprendizaje supervisado interpretable con características basadas en la física en el descubrimiento de circuito cerrado proporciona rápidamente conocimientos químicos fundamentales.
- CLT ofrece una poderosa estrategia para aumentar los procesos de descubrimiento de circuito cerrado tanto para la optimización como para la generación de conocimiento.
- Este enfoque mejora el descubrimiento de nuevos materiales para electrónica orgánica y otras aplicaciones.
Videos de Conceptos Relacionados
Non-equilibrium in the Cell
Chemical Synapses
Because chemical synapses depend on the release of neurotransmitter molecules from synaptic vesicles to pass on their signal, there is an approximately one millisecond delay between when the axon potential reaches the presynaptic terminal and when the neurotransmitter leads to opening of postsynaptic ion channels. Additionally, this signaling is...
Energy Transfer in Chemical Reactions
Inductive Effects on Chemical Shift: Overview
Chemical Reactions
The relative amounts of reactants and products represented in a balanced chemical equation are often referred to as stoichiometric amounts.
Effects of Chemicals: Overview

