化学元素周期表遇上AI模型会有什么反应？浙大科创这一新成果为你揭秘

　　当化学元素周期表与AI模型相遇，会碰撞出怎样的火花？浙江大学杭州国际科创中心的张强博士团队，在《Molecular Contrastive Learning with Chemical Element Knowledge Graph》的研究中，为我们揭示了一种利用化学元素知识图谱增强分子对比学习（KCL）的新型AI框架。这一创新成果有望为生物分子研究、化合物合成等领域带来革命性变化，如预测化合物分子的毒性属性等。

　　这一成果从全球近万篇投稿中脱颖而出，被国际人工智能顶级会议AAAI2022接收。其第一作者为方尹博士、张强博士，通讯作者为陈华钧教授。

　　知识图谱是描述客观世界概念、实体、事件及其关系的工具。在知识图谱中，实体代表图中的节点，关系代表图中的边。化学元素、基因、蛋白等均为实体，而关系则表达不同实体之间的联系。知识图谱在多个领域具有广泛应用。

　　图对比学习是一种针对图数据的自监督学习算法，旨在训练图编码器，以保留图数据的特性。然而，以往的研究未能将领域科学知识纳入分子图表示学习中，忽略了分子图中蕴含的领域知识及原子间的微观联系。

　　针对这一问题，张强博士带领团队成员，将AI模型与化学元素周期表有机结合，构建了化学元素知识图谱（Chemical Element Knowledge Graph），描述元素之间的微观联系及各元素有关的领域科学知识，并提出了KCL框架。该框架包含三个模块：融入知识的图增强模块、知识感知的图表示模块、对比学习目标模块。通过这些模块，KCL框架能够优化模型性能，并在多个真实场景中取得优于先进基线的性能。

　　张强博士是求是科创学者（科创百人），曾参加多项重要研究项目，并在多个顶级学术会议和SCI期刊发表多篇高质量论文。他选择浙大科创是因为看到了更多可能，并期待用AI赋能科学发现与探索（AI for Science），同时希望科研范式的转变能助推AI的发展（Science for AI）。

　　在浙大科创生物与分子智造研究院，张强每天都在与不同领域的青年才俊交流，碰撞出新的想法。这次的研究成果就是综合运用了计算机、化学、生物等多学科知识，通过构建科学知识图谱与AI模型的交叉研究，预测分子的属性，为生物医学领域带来广泛的应用场景。

　　张强希望，在浙大科创开展科研攻关的同时，能遇到更多志同道合的伙伴，并肩作战、通力合作，一起为科技创新贡献青春力量！