Credito:Angewandte Chemie
I database contenenti enormi quantità di dati sperimentali sono disponibili per i ricercatori in un'ampia varietà di discipline chimiche. Tuttavia, un team di ricercatori ha scoperto che i dati disponibili non riescono a prevedere i rendimenti di nuove sintesi utilizzando l'intelligenza artificiale (AI) e l'apprendimento automatico. Il loro studio è stato pubblicato sulla rivista Angewandte Chemie International Edition suggerisce che ciò è in gran parte dovuto alla tendenza degli scienziati a non segnalare esperimenti falliti.
Sebbene i modelli basati sull'intelligenza artificiale abbiano avuto particolare successo nel predire le strutture molecolari e le proprietà dei materiali, restituiscono previsioni piuttosto imprecise per informazioni relative alla resa dei prodotti in sintesi, come hanno scoperto Frank Glorius e il suo team di ricercatori della Westfälische Wilhelms-Universität Münster, Germania .
I ricercatori attribuiscono questo fallimento ai dati utilizzati per addestrare i sistemi di intelligenza artificiale. "È interessante notare che la previsione delle rese di reazione (reattività) è molto più impegnativa della previsione delle proprietà molecolari. Reagenti, reagenti, quantità, condizioni, l'esecuzione sperimentale, determinano tutti la resa e, quindi, il problema della previsione della resa diventa un dato -intensivo", spiega Glorius. Quindi, nonostante l'enorme quantità di letteratura e risultati disponibili, i ricercatori si sono resi conto che i dati non sono idonei per previsioni accurate del rendimento atteso.
Il problema non è solo la mancanza di esperimenti. Al contrario, il team ha identificato tre possibili cause di dati distorti. In primo luogo, i risultati delle sintesi chimiche possono essere imperfetti a causa di errori sperimentali. In secondo luogo, quando i chimici pianificano i loro esperimenti, possono, consciamente o inconsciamente, introdurre pregiudizi basati sull'esperienza personale e fare affidamento su metodi ben consolidati. Infine, poiché si ritiene che solo le reazioni con esito positivo contribuiscano al progresso, le reazioni fallite vengono segnalate meno frequentemente.
Per scoprire quale di questi tre fattori ha avuto la maggiore influenza, Glorius e il team hanno modificato di proposito i set di dati per quattro reazioni organiche diverse, comunemente usate (e quindi ricche di dati). Hanno aumentato artificialmente l'errore sperimentale, ridotto le dimensioni dei set di campionamento dei dati o rimosso i risultati negativi dai dati. Le loro indagini hanno mostrato che l'errore sperimentale ha avuto la minima influenza sul modello, mentre è stato fondamentale il contributo dato dalla mancanza di risultati negativi.
Il gruppo spera che questi risultati incoraggino gli scienziati a segnalare sempre gli esperimenti falliti così come i loro successi. Ciò migliorerebbe la disponibilità dei dati per la formazione dell'IA, contribuendo in definitiva ad accelerare la pianificazione e rendere più efficiente la sperimentazione. Glorius aggiunge che "l'apprendimento automatico nella chimica (molecolare) aumenterà notevolmente l'efficienza e dovranno essere eseguite meno reazioni per raggiungere un determinato obiettivo, ad esempio un'ottimizzazione. Questo darà potere ai chimici e li aiuterà a realizzare processi chimici, e il mondo:più sostenibile." + Esplora ulteriormente
