Closed-Loop Transfer Enables AI to Yield Chemical Knowledge
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
AI-guided closed-loop experimentation has recently emerged as a promising method to optimize objective functions,1,2 but the substantial potential of this traditionally black-box approach to reveal new scientific knowledge has remained largely untapped. Here, we report a new AI-guided approach, dubbed Closed-Loop Transfer (CLT), that integrates closed-loop experiments with physics-based feature selection and supervised learning to yield new scientific knowledge in parallel with optimization of objective functions. CLT surprisingly revealed that high-energy regions of the triplet state manifold are paramount in dictating molecular photostability in solution across a diverse chemical library of light-harvesting donor-bridge-acceptor oligomers. Remarkably, this insight emerged after automated modular synthesis and experimental characterization of only ~1.5% of the theoretical chemical space. Supervised learning models considering millions of combinations of 100+ physics-based descriptors further showed that high energy triplet states most strongly correlate with photostability, while excluding more commonly considered predictors such as the lowest energy triplet state. The physics-informed model for photostability was even further confirmed and then strengthened using an explicit experimental test set, validating the substantial power of the CLT method. Broadly, these findings show that interfacing physics-based modeling with closed-loop discovery campaigns unimpeded by synthesis bottlenecks can rapidly illuminate fundamental chemical insights and guide more rational pursuit of frontier molecular functions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,010 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle