视角：借助机器学习实现化学空间可持续探索

人工智能正在改变分子和材料科学，但其日益增长的计算和数据需求引发了关键可持续性挑战。本文作为视角论文，我们审视了 AI 驱动发现管道中的资源考量——从量子力学 (QM) 数据生成和模型训练到自动化、自驱动的研究工作流程——并建基于德国 Dresden 举办的“SusML 工作坊：面向化学空间可持续探索的机器学习”讨论的结果。在此背景下，大型量子数据集的可用性既使我们能够进行严格的基准测试和快速的方法学进步，又带来了巨大的能源和基础设施成本。我们概述了提高效率的新兴策略，包括通用机器学习 (ML) 模型、多保真度方法、模型蒸馏和主动学习。此外，在层次化工作流程中嵌入物理约束——其中将快速 ML 代理广泛应用于高精度 QM 方法的选择性应用——可进一步优化资源使用，而不会牺牲可靠性。同样重要的是，在考虑可合成性和多目标设计准则的实际条件下，弥合理想计算预测与现实之间的鸿沟，这对于实际产生影响至关重要。最后，我们认为可持续的进步将依赖于开放数据和模型、可重用的工作流程以及最大化单位计算价值的特定于领域的 AI 系统，以实现高效和负责任的技术材料和疗法发现。