相关实验视频
Updated: Sep 9, 2025

Hierarchical and Programmable One-Pot Oligosaccharide Synthesis
Published on: September 6, 2019
机器学习和高通量实验的协同作用:通往自主合成的道路
Rizvi Syed Aal E Ali1, Jiaolong Meng1, Xuefeng Jiang1,2,3
1Hainan Institute of East China Normal University, State Key Laboratory of Petroleum Molecular & Process Engineering, Shanghai Key Laboratory of Green Chemistry and Chemical Processes, School of Chemistry and Molecular Engineering, East China Normal University, 3663 North Zhongshan Road, Shanghai, 200062, China.
机器学习 (ML) 和高吞吐量实验 (HTE) 正在通过用自动化,预测性工作流替代缓慢的手工方法来彻底改变合成化学. 这种协同作用加快了反应优化,提高了化学研究的效率和精度.
科学领域:
- 合成化学
- 计算化学
- 化学工程
背景情况:
- 传统的合成化学依赖于缓慢,劳动密集的试错方法.
- 在现代化学研究中,需要更快,更高效的反应优化.
- 自动化和数据分析的进步为化学合成提供了新的可能性.
研究的目的:
- 审查机器学习 (ML) 和高通量实验 (HTE) 在合成化学中的整合.
- 突出ML和HTE在加速化学研究中的原则,进步和应用.
- 讨论自动化AI/ML驱动实验的挑战和未来方向.
主要方法:
- 审查ML和HTE的基本原则和最近的进展.
- 在实验系统中强调自动化,并行化和小型化.
- 分析了在合成化学中成功应用的案例研究.
主要成果:
- ML和HTE集成可实现反应优化的自动化,预测工作流程.
- 合成化学过程的效率和精度显著提升.
- 这些技术在自主实验室环境中成功适应.
结论:
- ML和HTE的协同作用正在改变合成化学研究.
- 自动化和AI/ML的持续发展将继续塑造化学实验的未来.
- 应对当前的挑战是释放这些综合方法的全部潜力的关键.
相关概念视频
Synthetic Biology
Golden rice
Golden rice is a genetically modified...
Machines: Problem Solving II
Non-equilibrium in the Cell
Multi-input and Multi-variable systems
In the absence...
Sequence Networks of Rotating Machines
Zero-sequence current induces a voltage drop across the generator's neutral impedance and other...
Machines: Problem Solving I
The toggle clamp system is a machine structure consisting of movable, pin-connected multi-force members that form a stabilized system to transmit forces. The...

