在过去的几年中，化学研究仅集中在利用从个人经验和文献中获得的先前研究结果进行实验的方法上。尽管文献中有许多反应和化学途径可供科学家使用，但一系列反应/一系列反应中可能会发生许多不可预测的自发情况。这是化学研发需要时间和耐心才能产生结果的原因之一。在过去的十年左右的时间里，计算化学领域一直在增长。尽管在此之前使用计算方法受到限制，但近年来，它已成为优化和预测化学研究的非常强大的工具。现在，化学家可以使用计算方法来预测反应的工作方式，最佳参数，要使用的试剂和反应条件，甚至可以使用计算方法来预测他们计划制造的材料/分子的结构和性质。因此，计算方法可以在整个概念，开发和分析过程中帮助化学家。那么，为什么近年来使用量增加了？首先，化学家对计算化学有更好的了解，并意识到它可以带来的好处。其次，现在更多的科学家可以更轻松地访问支持这些模拟所需的计算能力。第三，机器学习算法的进步及其在计算化学过程中的集成已使获得更准确的结果成为可能；当进行实验时，成功的可能性更高。将机器学习应用于化学过程与在许多实施机器学习的领域中相同。它在计算化学中的用途是从文献中获取所有已知数据，进行推断和分析，并预测最可能的结果。对于化学领域，这通常意味着从不同的反应中获取数据，例如试剂的类型，化学物质的浓度，工艺条件以及可生产的产品。所有这些数据都是有价值的，因为它们都是可以决定结果的因素，从而使反应物成为理想的输入集，而产物则成为输出。这些数据的使用可以输入到机器学习算法中，并且可以用来做三件事。首先是通过使用现有数据，可以推断出化学结构形成的最可能原因（从反应/过程的角度来看），并且可以被工业界用来预测执行其所需功能的新分子。第二种方法与过程本身有关。有时，研究人员会想到一种产品，但不知道其过程。可以从以前的反应中获得数据并进行分析，这使算法可以预测哪些条件和试剂将负责分子中不同化学基团的形成。这允许算法创建反应路径，该路径显示了逐步构建分子的最可能方法。第三种方法是完整的分子设计方法，该方法从构思开始，但没有明确的产物或反应途径。这使用了其他两个原理。然而，除了一个变量（产物或反应）外，两者在技术上都是未知的，因此该算法需要外推产物和反应条件以产生可能的结果/途径。这是一项很难执行的任务，但已引起了很多关注。机器学习来预测分子计算化学的另一个主要方面是预测材料/分子本身，它们的基本内在特性以及它们在某些情况/环境下的行为。与工业上常用的过程优化相比，这是计算化学的更基本和更长的使用，并且在学术界研究新材料和新分子时通常更常用（因为这是时间，金钱和有效的产品规模） 。反映）。应当指出，这些努力不限于化学领域，因为在生物学和工程领域中使用了类似的计算方法。即使要关注的因素较少（即仅关注分子，而不关注过程和分子），在此领域中使用计算化学也很重要，因为它有助于从根本上获得结果。通常，这是在创建工业过程之前的一个阶段，机器学习确实有助于改善该领域。模拟分子的结构以及如何执行它们并不容易。多年来，它一直受到需要计算的变量数量和可用计算能力的限制（许多研究人员共享一台超级计算机来执行上述计算）。机器学习在这方面真的很有帮助，因为与以前相比，计算各种原子数，键能，能量和r