搜索结果: 1-15 共查到“化学 学习”相关记录39条 . 查询时间(0.171 秒)
中国科学院成都生物所在基于对比学习的MS/MS谱图-结构预训练模型鉴定代谢物研究中获新进展（图）
结构 模型 鉴定 代谢
2024/11/13
代谢物是在代谢过程中化学转化的小分子，提供了细胞状态的直接读数。阐明代谢物的结构是代谢组学的首要研究任务，在药物研发、生物标志物发现、天然产物研究等方面具有重要意义。液相色谱-串联质谱（LC-MS/MS）是该领域广泛使用的分析手段。在代谢物研究中，对代谢物串联质谱（MS/MS）数据的结构注释是一项关键挑战。人工智能（AI）技术已彻底改变了质谱数据的解析方式，促进了代谢组学领域中“暗物质”的识别。现...
中国科学院大连化学物理研究所开发出新型深度学习模型应用于电池寿命预测（图）
模型应用 电池 预测
2024/8/28
2024年8月22日，中国科学院大连化学物理研究所能源催化转化全国重点实验室动力电池与系统研究部（DNL29）陈忠伟院士、毛治宇副研究员团队，联合西安交通大学冯江涛教授，在电池健康管理领域取得新进展。合作团队开发了一种新型的深度学习模型，有效地解决了传统方法对大量充电测试数据的依赖，为电池实时寿命预估提供了新的思路，实现了锂电池寿命的端到端评估。同时，该模型也作为团队开发的第一代电池数字大脑PBS...
中国科大运用可解释机器学习破解催化结构敏感性难题（图）
机器学习 催化结构 活性
2024/6/14
2024年3月18日，中国科学技术大学李微雪教授结合物理启发的可解释机器学习算法与第一性原理计算，解决了一个多相催化研究中长期存在的关于催化结构敏感性难题。研究成果于2024年3月18日以“Structure Sensitivity of Metal Catalysts Revealed by Interpretable Machine Learning and First-principles ...
2024年3月11日，中国科学院高能物理研究所方亚泉团队和北京大学周辰团队合作，在环形正负电子对撞机的希格斯物理的模拟分析中，尝试基于国产的量子计算机，利用量子支持向量机（QSVM）的ML算法，分析希格斯粒子衰变到双光子过程，达到了与传统SVM类似的敏感度；并且，基于国产量子计算机硬件的结果与国际上同类量子计算机的结果也是可比的。研究结果作为首篇利用国产量子计算机硬件实施高能物理QML物理分析研究...
中国科学院软件所在因果图表示学习方面获进展（图）
软件 合成数据集
2024/1/7
2024年1月4日，中国科学院软件研究所天基综合信息系统重点实验室研究团队撰写的题为Rethinking Causal Relationships Learning in Graph Neural Networks的研究成果，被人工智能领域顶级学术会议Association for the Advancement of Artificial Intelligence（AAAI）接收。该研究首次提出...
本发明涉及一种结合二级质谱强度和机器学习算法的蛋白质组无标记定量方法，用于蛋白质组水平的绝对和相对定量分析。该方法首先需要在液相色谱-串级质谱系统上分析用于建立训练数据集的蛋白质组实际样品的酶解肽段混合物以及待分析的蛋白质组样品的酶解肽段混合物。样品总量可以通过细胞计数或测定蛋白浓度得知，根据上一步算得的百分比和样品总量即可以计算每一个蛋白的绝对量。将同一个蛋白在不同样品中的绝对量进行比较即可以获...
昆明植物所发表机器学习辅助天然产物结构解析的综述（图）
天然产物 结构解析 质谱
2023/11/26
天然产物（natural products, NPs）的结构鉴定是天然药物研发中的重要环节之一。在NPs的结构研究中，质谱（mass spectrometry, MS）和核磁共振（nuclear magnetic resonance, NMR）技术被认为是最具深度洞察力的工具。化学家们依靠智慧和经验通过分析MS和NMR的信息构建化学结构；而计算机辅助结构解析（computer-assisted s...
肽段酶切概率和质谱可检测性的深度学习预测（图）
肽段酶切 质谱 可检测性 深度学习
2023/6/13
在高通量蛋白质组学中，蛋白质首先会被酶切为肽段，再通过质谱仪进行检测分析，最后基于对质谱数据的解析完成对肽段和蛋白质的研究。然而，在质谱实验中，并不是所有理论上可能的肽段都能被检测到，造成了质谱数据的随机性和解读上的困难。准确的肽段酶切概率和可检测性预测能够对蛋白质组学的实验设计和数据分析提供有力帮助。
在高通量蛋白质组学中，蛋白质首先会被酶切为肽段，再通过质谱仪进行检测分析，最后基于对质谱数据的解析完成对肽段和蛋白质的研究。然而，在质谱实验中，并不是所有理论上可能的肽段都能被检测到，造成了质谱数据的随机性和解读上的困难。准确的肽段酶切概率和可检测性预测能够对蛋白质组学的实验设计和数据分析提供有力帮助。
【Soft Matter Lecture 130】软物质遇见机器学习 ——微结构调控机制研究
机器学习辅助计算电化学揭示盐包水电解液电化学稳定性根源（图）
电化学 盐包 水电解液 稳定性
2023/6/20
近日，程俊课题组采用机器学习分子动力学和基于从头算分子动力学的自由能计算方法研究盐包水电解液电化学稳定性，并取得重要进展。相关研究成果以“Switching of Redox Levels Leads to High Reductive Stability in Water-in-Salt Electrolytes”为题发表在Journal of the American Chemical Soc...
根据应用环境需求，定制合金材料的成分及工艺，突破“试错法”高成本、低效率的材料设计瓶颈，是材料科学家的终极梦想。近20年来，合金成分由单主元传统合金发展到多主元高熵合金，极大拓展了合金的成分空间。如何从近乎无限的成分空间中高效筛选出具有特定性能的合金成分，是材料研究者所面临的巨大挑战。2022年来，机器学习在材料的成分筛选和性能优化中的应用发展迅速。中国科学院金属研究所胡青苗研究员和杨锐研究员应S...
中国科学院合肥物质科学岛团队通过机器学习方法实现RAFM钢的“按需设计”（图）
机器学习 活化铁素体 聚变
2023/7/24
2022年7月8日，中科院合肥研究院核能安全技术研究所郑明杰课题组在低活化铁素体/马氏体（RAFM）钢智能设计方面取得新进展，相关研究成果发表在国际知名期刊 Materials Science and Engineering: A 。博士研究生李孝晨为论文第一作者，郑明杰研究员和丁文艺副研究员为共同通讯作者。
有机合成中化学反应的机器学习
化学反应 机器学习 逆合成 图神经网络
2022/3/18
化学反应预测及合成路线设计是有机合成领域极具挑战性的问题之一。机器学习是近年来新兴的研究方法。针对有机小分子的化学合成，本文综述了机器学习方法在有机合成（包括化学反应数据的收集、化学反应的预测和合成路线的设计等）领域的进展。对于高度复杂的树脂分子，本文论述了基于机器学习合成路线亟待解决的问题，如数据的不完备和偏倚、缺乏规范化的表示、少样本的机器学习方法等。
费托合成（CO+H2→长链烃类）是基础石油工业的重要反应。由于费托体系丰富催化剂物相和多种产物选择性，其也是公认的最复杂多相催化体系之一，为机理研究和催化设计带来了巨大的挑战。近日，刘智攀课题组利用组内开发的基于LASP软件的全局神经网络方法，研究了铁基费托合成这一重要工业催化体系的结构和反应机理，证明了基于机器学习全局优化，从第一性原理出发解决反应条件下的复杂催化问题已具有较为完善可行的研究模式...