首頁 / 科學

科學

我們的方法

AI 與 GPU 退火，多輪協作。

AI 模型描繪條件空間，GPU 加速的退火演算法在這張地圖上平行搜尋。兩者多輪交棒、逐步放大，以最少的實驗找到精確最佳點；每一步的先後順序會依製程調整。

流程示例 · 示意—

AI 模型從實驗與模擬數據學習，預測整個範圍內的結果與不確定性。

GPU annealing

數千條退火鏈在 GPU 上平行搜尋 AI 模型，跳出局部最佳，鎖定最有潛力的區域。

反覆

每一輪都縮小搜尋範圍、讓模型更精準，下一個實驗永遠是最有價值的那一個。

學術發表

J. Cheminform. · 2025

展示以 Digital Annealer 在龐大的反應條件空間中搜尋高產率條件。以高通量實驗與 Reaxys 數據訓練的模型，準確度與傳統機器學習相當，篩選數十億組條件的速度則快得多。

Green Chem. · 2025

以主動學習最佳化多參數反應，將甲殼素轉化為含氮呋喃 3-乙醯胺基-5-乙醯基呋喃，表現優於依化學直覺的試誤法。由 N-乙醯葡萄糖胺出發產率最高達 70%，也能直接以乾燥蝦殼為原料，並放大至 4.5 mmol；反應介質可重複使用，且無需有毒的高沸點溶劑。

npj Quantum Inf. · 2023

提出結合量子化學與量子運算的混合流程，預測類藥分子的主要互變異構形式，這是電腦輔助藥物設計中困難但關鍵的一步。

Nat. Rev. Chem. · 2022

提出化學領域機器學習研究的方法開發與評估準則，讓新演算法能被公平比較。

J. Org. Chem. · 2021

結合隨機取樣與主動學習，只做 3% 的可能反應就最佳化 isomacroin 的合成，並以動力學模型確認找到全域最佳。

Cell Rep. Phys. Sci. · 2020

介紹 LabMate.ML：只需隨機取樣 0.03–0.04% 的搜尋空間，就能同時最佳化多項反應參數的可解釋演算法，並在九項前瞻研究中驗證。

Nat. Rev. Chem. · 2019

回顧 AI 如何改變有機合成化學，從合成路線規劃到自動化，以及仍待解決的問題。