ケモインフォマティクス：閉ループ伝達は人工知能が化学的知識をもたらすことを可能にする

人工知能によって導かれる閉ループ実験は、目的関数を最適化する有望な方法として浮上しているが、この従来のブラックボックス的手法で新しい化学的知識を見いだす実質的な可能性は、ほとんど未開拓のままである。今回我々は、閉ループ伝達（CLT）として表される、閉ループ実験と物理ベースの特徴選択および教師あり学習との統合によって、目的関数の最適化と並行して、化学的知見がもたらされることを報告する。CLTを用いて、さまざまな有機エレクトロニクス用途に用いられる集光性ドナー–アクセプター分子溶液中における光安定性を決定付ける要因が調べられ、三重項状態多様体の高エネルギー領域の重要性などの基本的な知見が示された。これは、わずか約1.5％の理論的化学空間の自動化されたモジュール合成と実験的特性評価の後に可能になった。この光安定性に関する物理法則に基づく（physics-informed）モデルは、複数の実験テストセットを用いて強化され、溶媒の三重項励起状態エネルギーを調整して閉ループ光安定性最適化プロセスにおいて観測されたプラトーから抜け出すことによって検証された。さらに、CLTを追加の材料系に適用することによって、この戦略を閉ループ戦略拡大に向けて一般化できる可能性が裏付けられた。広く見れば、今回の知見は、解釈可能な教師あり学習モデルおよび物理ベースの特徴を閉ループ発見プロセスと組み合わせることで、基本的な化学的知見が迅速にもたらされ得ることを示している。

目次へ戻る