干系研究成果以题为“Closed-loop transfer enables artificial intelligence to yield chemical knowledge” ，于8月28日揭橥在 Nature 上。
据先容，CLT 可以帮助研究职员快速识别影响目标函数的关键物理特色，从而更好地理解化学征象背后的事理。同时，CLT 可以辅导实验设计，避免不必要的实验考试测验，从而提高实验效率。此外，CLT 还能帮助研究职员创造新的化学知识，并为材料设计和药物创造等领域供应新的思路。
“AI黑盒”是指内部事情事理对用户不可见的 AI 系统，可以向它们供应输入并得到输出，但是不能检讨产生输出的系统代码或逻辑。目前，人工智能勾引的闭环实验已成为一种有出息的目标函数优化方法，但这种传统的黑盒方法在创造新化学知识方面的巨大潜力仍未得到充分开拓。
然而，AI黑盒是一把“双刃剑”。在实际运用中，还存在技能、安全、伦理及道德等诸多问题，仍需加强安全测试及建立有效的监督机制等办法来降落这些风险。
同时，AI在科研中的运用已形成了一个全新的观点——AI for Science，并逐步融入各行各业，如生物制药、新材料研发、前沿物理研究、景象预测、地球仿照和天文探索等，尤其在化学和生物医药领域，AI都有着运用广泛。