在过去的几年中，化学研究只专注于使用从个人经验和文献中获得的先前研究结果的实验??方法。尽管文献中总是有许多可供科学家使用的反应和化学途径，但在一系列反应/反应链中可能会发生许多不可预测的自发情况。这就是化学研发需要时间和耐心才能产生结果的原因之一。在过去十年左右的时间里，计算化学领域一直在发展。尽管在此之前计算方法的使用受到限制，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，使用计算方法，化学家可以预测反应如何进行、最佳参数、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/分子的结构和特性。因此，计算方法可以在整个概念、开发和分析过程中为化学家提供帮助。那么为什么近年来使用量增加了呢？首先，化学家对计算化学有了更多的了解，并意识到它可以带来的好处。其次，支持这些模拟所需的计算能力现在更容易为更多科学家所用。第三，机器学习算法的进步及其在计算化学过程中的整合使得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许多实践机器学习的领域一样，它在计算化学中的用途是从文献中获取所有已知数据，进行推理和分析，并预测最可能的结果。对于化学，这通常意味着从不同的反应中获取数据，例如试剂类型、化学品浓度、工艺条件和可以生产的产品。所有这些数据都很有价值，因为它们是可以决定结果的因素，使反应物成为一组理想的输入，而产物成为输出。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），并且可以被工业用来预测执行其所需功能的新分子。第二种方法更多地与过程本身有关。有时，研究人员心中有一个产品，但不知道过程。可以从先前的反应中获取数据并进行分析，这使算法能够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，显示最有可能逐步构建分子的路径。第三种方法是完整的分子设计方法，它从一个想法开始，但没有明确的产品或反应途径。这采用了其他两点的原则。尽管如此，除了一个变量（产物或反应）外，两者在技术上都是未知的，因此算法需要推断产物和反应条件以产生可能的结果/途径。这是一项艰巨的任务，但却受到了很多关注。预测分子的机器学习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特定情况/环境中的行为方式。与工业中通常采用的过程优化相比，这是计算化学更基本、更长期的用途，并且在研究新材料和分子时通常更常用于学术界（因为它是时间、金钱和有效产品规模的反映）。应该指出的是，这些努力不仅限于化学，因为在生物学和工程学中也使用了类似的计算方法。尽管需要关注的因素较少（即仅分子，而不是过程和分子），但在该领域使用计算化学很重要，因为它有助于从根本上取得成果。通常是在创建工业过程之前发生的一个阶段——机器学习也确实帮助提升了这一领域。模拟分子的结构及其性能并非易事。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）。机器学习在这里真的很有帮助，因为计算原子的各种数量、键能、能量和反应势垒、量子特性、磁性和激发分子态以及分子间和分子内相互作用比以前容易得多。简单的。从一组变量和已知数据点推断和预测最佳解决方案是机器学习最擅长的，这意味着使用机器学习算法可以更轻松地优化必须计算的大量数据。上述许多变量对分子/分子系统的结构和性质都有显着影响，从而比往年推断出更准确的分子和性质。它甚至可以更精确地计算更复杂的原子，例如元素周期表中的d和f块元素，这在过去几年是不可能的。总结尽管有几种不同的计算程序可用于创建这些分子模拟，但机器学习可以应用于所有这些程序。机器学习不仅有助于在工业层面上优化和改进化学和药物发现过程，而且在推断已知和未知分子的分子结构和性质、了解分子在特定情况下的行为方式以及反应最可能的结果方面也发挥了基础方面的作用一个关键的作用。总的来说，机器学习已经对计算化学产生了巨大的影响，并将在未来几年发挥更大的作用，因为越来越多的化学家在尝试实验程序之前首先转向计算/模拟。
