新兴交叉方向

材料设计、逆向分子设计

了解计算与机器学习方法如何从期望的分子或材料性质反向搜索候选结构，并考虑化学、合成可行性和不确定性的约束。

直觉从有用性质反向设计

正向预测从结构推测性质。逆向设计则从颜色、导电性、结合亲和力或稳定性等目标出发，寻找可能满足目标的结构。可能有多个结构满足同一目标，也可能没有结构满足全部约束。

通过交互模拟联系候选结构、预测性质与设计目标。

定义: 设计空间

设计空间是搜索能够表达的候选结构集合。允许无效价态或不可能组成的表示会浪费搜索；过窄的表示则会排除潜在有用的化学结构。

分子图以顶点表示原子、以边表示化学键。化学有效性不止图语法：价态、电荷、芳香性、立体化学和稳定性都很重要；有效图仍可能无法合成。

\max_{x\in\mathcal{X}} f(x)\quad\text{subject to}\quad g_i(x)\leq 0

这里 $x$ 表示候选， $f$ 是预测目标， $g_i$ 表示毒性、成本或稳定性等约束。模型分数是否有意义，取决于训练数据、校准以及与目标实验测量的相关性。

定义: 帕累托权衡

多目标下，若一个候选在所有目标上不差且至少一项更好，则称其支配另一候选。帕累托前沿包含未被支配的权衡方案；选择需要依据应用优先级，而非仅看模型分数。

贝叶斯优化可在实验昂贵时通过平衡预测性能与不确定性来选择下一个候选。其效果取决于代理模型、适合目标的采集规则，以及对分布外候选的审慎处理。

生成结构应独立检查其化学有效性、新颖性、预测性质的不确定性和合成可及性。逆合成估计只是筛选而非保证；路线质量及实验成功仍需实验判断。

可信的发现循环应定义可测目标、提出多样候选、开展安全且信息量高的实验、报告阴性结果并更新模型与约束。证据来自测得的材料，而非生成结构的新颖性。

Inverse molecular design using machine learning: Generative models for matter engineering · B. Sanchez-Lengeling, A. Aspuru-Guzik, 2018
Machine learning in materials informatics: recent applications and prospects · R. Ramprasad et al., 2017
Molecular de novo design through deep reinforcement learning · M. Popova, O. Isayev, A. Tropsha, 2018