Key points are not available for this paper at this time.
O desenvolvimento de instalações experimentais automatizadas e a digitalização de dados experimentais introduziram numerosas oportunidades para avançar radicalmente laboratórios químicos. Como muitas tarefas de laboratório envolvem prever e compreender relações químicas previamente desconhecidas, abordagens de aprendizado de máquina (ML) treinadas em dados experimentais podem acelerar substancialmente o processo convencional de projetar-construir-testar-aprender. Este artigo de perspectiva visa ajudar químicos a entender e começar a adotar modelos preditivos de ML para uma variedade de tarefas de laboratório, incluindo design experimental, otimização de síntese e caracterização de materiais. Além disso, este artigo introduz como agentes de inteligência artificial (IA) baseados em grandes modelos de linguagem podem ajudar pesquisadores a adquirir conhecimento de base em ciência química ou de dados e acelerar vários aspectos do processo de descoberta. Apresentamos três estudos de caso em áreas distintas para ilustrar como modelos de ML e agentes de IA podem ser aproveitados para reduzir experimentos que consomem tempo e análise de dados manual. Por fim, destacamos desafios existentes que exigem um esforço sinérgico contínuo tanto das comunidades experimentais quanto das computacionais para serem abordados.
Oh et al. (Ter,) estudaram esta questão.