文献类型：期刊文章

作　　者：刘振邦[1] 张硕[2] 包宇[2] 马英明[2] 梁蔚淇[2] 王伟[2] 何颖[2] 牛利[2]

LIU Zhen-Bang;ZHANG Shuo;BAO Yu;MA Ying-Ming;LIANG Wei-Qi;WANG Wei;HE Ying;NIU Li(School of Computer Science and Cyber Engineering,Guangzhou University,Guangzhou 510006,China;Center for Advanced Analytical Science,School of Chemistry and Chemical Engineering,Guangzhou University,Guangzhou 510006,China)

机构地区：[1]广州大学计算机科学与网络工程学院,广州510006 [2]广州大学化学化工学院分析科学技术研究中心,广州510006

出　　处：《应用化学》

年　　份：2023

卷　　号：40

期　　号：3

起止页码：360-373

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD_E2023_2024、JST、ZGKJHX、核心刊

摘　　要：在知识、数据、算法与算力的多重驱动下,深度学习不仅在计算机视觉、自然语言处理等研究领域取得了突破,并随着各学科间的迁移应用于交叉融合,逐渐衍生出多个新兴研究方向。化学信息学作为以应用信息学方法以解决化学问题的学科,深度学习技术凭借其强大的非线性学习能力,通过深度学习模型可以从数据集中对其进行筛选预测,再基于理论计算对结果可行性进行理论验证,最后通过实验表征结果,缩短了实验周期、降低了人力成本、加速了化学信息学智能化。本文简要介绍了深度学习发展历史及主要网络模型架构,介绍了近年来深度学习在在化合物合成路线规划、化合物结构活性与性质及催化剂设计的最新研究和应用现状,并对未来的发展方向进行讨论与展望。

关 键 词：深度学习  化学信息学 构效关系 合成路线  催化化学

分 类 号：O657]