化学是一种应用物理学，电子及其产生的行为决定了一系列可以发生反应的规则，以及哪些产品将保持稳定。在传统的层面上，这些规则的基础非常简单，经验丰富的化学家可以将它们全部数据保留，并直观地记录。如何以他们想要的起始材料的方式将各个部分组合在一起。然而化学领域的某些部分我们没有多少经验，当在某些实验中，有时会发生奇怪的事情。这就是为什么一些关键药物仍然必须从生物来源中纯化出来的原因。
现在，格拉斯哥大学的一个团队已经将机器学习系统与可以运行和分析其自身化学反应的机器人配对。结果是一个系统可以计算出一组给定的起始材料可能发生的每一个反应。即使这些也不能总是捕获由于溶剂和反应温度的选择等因素而产生的一些反应结果。但人工智能的改进了许多令人印象深刻的化学应用示范。而且很容易理解为什么这样有效; 认可机构可以找出他们自己的规则，没有化学教育传统上给予的相同限制。
组织这项工作的研究员Lee Cronin发送了一个设置图像，它看起来与我们典型的机器人概念不同（研究人员将其称为“定制设备”）。它的大部分零件都通过通风橱装置，确保任何以某种方式系统的产品的安全通风。右上方是一组含有起始材料和泵罐，它们将它们送入六个反应室中的一个，这些反应室可以并行操作。
然后可以发送这些反应的结果用于分析。泵可以将样品送入红外光谱仪，质谱仪和紧凑型核磁共振仪器，后者是唯一不适合通风橱的设备。总的来说，这些可以产生占据反应室的分子的量化。通过将其与起始材料结果进行比较，可以确定是否发生了化学反应并推断出其产品的某些内容。
所有这一切都取代了化学家的手动操作，但它并没有取代评估潜在反应的大脑。这就是机器学习算法的用武之地。系统给出了一组72个已知产品的反应，并用它们来预测进一步反应的结果。在它开始从剩余的选项列表中随机选择反应，并确定它们是否也生产产品。当算法对总可能反应的10％进行采样时，它能够以超过80％的准确度预测未经测试的反应的结果。
并且，由于它所测试的早期反应是随机选择的，因此系统不会因人类对反应会起什么作用或不起作用的期望而产生偏见。一旦建立了模型，就建立了系统来评估哪些剩余的可能反应最有可能产生产品并优先测试这些产品。系统可以继续进行直到达到一定数量的反应，在一定数量的测试不再产生产品后停止，或者直到它测试每一个可能的反应。研究小组不满足于这种程度的成功，继续增加一个神经网络，该网络提供了研究文献中关于连接两个烃链的一类反应产率的数据。在对近3500次反应进行培训后，该系统在预测文献中另外1700个反应的产量时误差仅为11％。
然后将该系统与现有的测试装置集成，并在文献中未报道的反应中数据。这使得系统不仅优先考虑反应是否可能产生产物，而且优先考虑反应产生多少产物。所有这些就其本身而言，已经是很大的突破。正如他们所说，“通过仅实现反应总数的10％，我们可以预测其余90％的结果，而无需进行实验。” 但该系统还帮助他们找出了一些意外情况，反应混合物的结果表明该产品不仅仅是原料的简单组合。实际的人类化学家进一步探索了这些反应，他们通过这种方式确定了破环和成环反应。
最后一个方面在解释这种能力如何适应未来的化学实验室方面确实有很长的路要走。人们倾向于将机器人视为取代人类。但在这种情况下，没有理智的人会考虑尝试每种可能的反应物组合，看看他们做了什么，人类无法进行24小时测试。这些机器人还擅长识别极少数情况，即训练有素的直觉导致我们误解了尝试某些反应的效用。
但就目前而言，人类将有必要将这些知识整合到有用的化学中，认识到在部署任何新的或有效的反应时可能会使以前效率低下的过程，或无法获得的产品的可行使用。可能未来人工智能会帮助解决这个问题，但我们需要很努力来实现这些想要的结果。
