随着人工智能技术的崛起，在化学研究领域，传统的基于实验和物理模型的方式正在逐渐与基于数据的机器学习范式相融合，加速了化学机制的研究和化学物质的发现。本书对人工智能在化学学科中应用的最新技术发展前沿动态进行较全面的综合性介绍。首先介绍人工智能和机器学习中的一些核心概念以及医药学中使用最广泛的人工智能方法；随后全面深层次地介绍了人工智能技术在药物设计、材料性能预测、功能材料分子设计和有机合成路线设计、自组装化学、天体化学等诸多方面的应用。并讨论了人工智能在科学领域中应用的复杂性与困难以及在科学研究中使用人工智能技术时所面临的挑战以及解决方案。 本书可供化学领域的科研人员、高等院校师生阅读参考，也可作为从事环境、医药、临床诊断等专业技术人员的参考资料。

第1章 计算机科学家
1.1 什么是计算科学？
1.2 什么是人工智能？
1.3 什么是机器学习？
参考文献
第2章 机器如何学习？
2.1 提出问题
2.2 收集数据
2.3 设置算法
2.4 训练流程
2.5 克服缺陷
2.6 部署算法
参考文献
第3章 药物化学信息学：药物发现中的机器学习导论
3.1 引言
3.1.1 人工智能与机器学习
3.1.2 有监督与无监督学习
3.2 凡事预则立
3.2.1 数据集收集和管理
3.2.2 模型构建
3.2.3 主成分分析
3.2.4 三维空间中的机器学习，“对齐”就是一切
3.2.5 QSAR建模的活性范围和分布
3.2.6 异常值
3.3 深度学习和神经网络
3.4 数学基础
3.4.1 “可观测值”和“特征”
3.4.2 根据描述符比较分子
3.4.3 模型质量和统计分析
3.4.4 过度训练和良好描述符的特征
3.5 机器学习方法
3.5.1 k-最近邻
3.5.2 线性回归
3.5.3 决策树和随机森林
3.5.4 支持向量机
3.6 总结
参考文献
第4章 非绝热分子动力学中的机器学习
4.1 引言
4.2 方法
4.2.1 机器学习（ML）模型
4.2.2 训练集生成
4.2.3 波函数相位
4.2.4 相位校正算法
4.2.5 表面跳跃动力学
4.3 示例：亚甲基铵阳离子
4.3.1 ML表面跳跃动力学
4.3.2 能量守恒
4.3.3 ML模型的其他工具
4.4 结论与展望
参考文献
第5章 机器学习在科学中的作用——机械同感？
5.1 引言
5.1.1 历史点滴
5.1.2 挑战
5.2 问题和解决
5.2.1 需要多少样本来训练AI？
5.2.2 正在合并数据库，存在什么困难呢？
5.2.3 使用化学反应数据库来预测合成路线，但进展甚微。可能出了什么问题？
5.2.4 数据库太大，训练模型需要花费很长时间。我们又能做些什么呢？
5.2.5 如何设置参数
5.2.6 AI如何学会一些不存在的东西？
5.2.7 我训练的AI测试非常漂亮，但现在正在制造垃圾
5.2.8 AI解决了方框5.4中的挑战，它是如何做到的？
5.2.9 AI认为篮球运动员导致了全球变暖
5.2.10 AI结果显示我的数据只包含噪声，但我认为可能存在某些真实的东西。如何告知我的AI？
5.2.11 AI很好，直到我找到了一些额外的数据；为什么数据让情况变得更糟，而不是更好？
5.2.12 虽然有大量数据，但我的AI仍然学习得很艰难
5.2.13 问题：我的AI很奇怪
5.2.14 一切都变糟糕了。我该怎么办？
5.3 结论
参考文献
第6章 未来状况预测：AI推动的国防应用化学创新
6.1 引言
6.2 合成搜索引擎：自动化合成规划
6.2.1 优化已知路线
6.2.2 预测反应结果
6.2.3 执行逆合成
6.2.4 评估
6.2.5 采纳
6.3 化学统计学习中的数据挑战
6.3.1 数据偏向于成功的实验
6.3.2 现有数据不可靠且不规范
6.3.3 数据只与一个狭窄的任务集合相关
6.3.4 机器学习模型中化学数据没有标准的表征形式
6.4 数据挑战的现实解决方案
6.4.1 实验数据收集的自动化和标准化
6.4.2 跨实验室共享数据
6.4.3 利用科学文献中描述的实验数据
6.4.4 通过模拟生成数据
6.4.5 数据生成和预测模型的闭环集成
6.5 自驱动实验室的初步演示
6.5.1 自主研究的启示
6.6 结论
参考文献
第7章 化学合成中的机器学习
7.1 引言
7.2 化学数据的性质
7.2.1 数据源
7.2.2 分子描述符
7.3 机器学习方法
7.4 合成路线设计
7.4.1 逆合成
7.4.2 反应预测
7.4.3 优化反应条件
7.5 实际应用
7.6 结论
参考文献
第8章 天体化学中的约束化学网络
8.1 引言
8.2 化学反应数据库的完整性和可靠性
8.2.1 气相网络
8.2.2 颗粒表面网络
8.3 贝叶斯方法
8.4 复杂网络的机器学习技术
8.5 结论
参考文献
第9章 （纳米）材料-生物界面中的机器学习
9.1 机器学习概述、挑战和机遇
9.2 复杂材料中特殊问题的尺度与重要性
9.3 材料中的机器学习示例
9.4 纳米材料中的机器学习示例
9.5 生物材料和再生医学中的机器学习示例
9.6 细胞疗法、生物反应器和可植入细胞的材料
9.7 机器学习与进化方法
9.8 展望
参考文献
第10章 应用于复杂聚合过程的机器学习技术
10.1 化学过程建模的难点
10.2 自由基聚合过程的唯象学模型
10.3 人工神经网络在聚合过程中的应用
10.3.1 神经网络在聚合反应工程中的应用类型
10.3.2 应用于聚合过程建模中的不同类型神经网络模型
10.4 软计算混杂配置在聚合过程的应用
10.5 机器学习技术在甲基丙烯酸甲酯自由基聚合中的应用
参考文献
第11章 分子药物发现中的机器学习和打分函数（SFs）