自然生物学家们已经合作开发出一类机器学习演算法，能预估无机大分子中的电子零件热量水平。这一冲破是在两个少于22000个大分子的资料库中体能训练出来的，控制技术上的不断进步能快速像药物这样的功能大分子的设计。
无机生物化学即对碳基大分子的研究，不仅是有机体自然科学的基础，而且对许多当前和未来的控制技术非常重要，如无机发光二极管（OLED）显示屏。了解一类金属材料大分子的电子零件结构是预估该金属材料生物化学优点的关键性。
在京都大学轻工业自然科学科学研究院的科学研究人员前段时间刊登的一项科学研究中，合作开发了一类机器学习演算法来预估无机大分子内的状况表面积，即电子零件在金属材料大分子内的唤起态所能占有的能阶数量。那些如前所述谱线统计数据的预估对无机生物化学家和金属材料自然生物学家预测碳基大分子时有很大协助。
京都大学轻工业自然科学科学研究院的
通常用以找寻状况表面积的试验控制技术可能极难说明。被称为核心理念经济损失谱线的方式尤其如此，它紧密结合了热量经济损失近边沿谱线（ELNES）和X伽马射线稀释近边沿结构（XANES）。那些方式在金属材料样本上反射束电子零件或X伽马射线；继而产生的电子零件散射和对金属材料大分子升空的热量的量测使钟爱的大分子的状况表面积能被量测。然而，谱线所具有的信息只是在唤起大分子的电子零件缺位（未被占有）状况。
为了解决这个问题，京都大学轻工业自然科学科学研究院的项目组体能训练了两个数学模型机器学习数学模型来预测核心理念耗损谱线统计数据并预估电子零件状况的表面积。首先，透过计算少于22000个大分子的状况表面积和适当的核损谱线，构筑了两个资料库。他们还加进了一些演示的噪音。然后，在核损谱线上对该演算法展开了体能训练，并对其展开了强化，以预估唤起态下转义和非转义状况的恰当表面积。
“他们想用两个由较细大分子体能训练的数学模型来推测对较大大分子的预估。他们发现透过须建细微的大分子能提高准确度，”主要译者Po-Yen Chen说明说。
该项目组还发现，透过使用平滑预处理和向统计数据加进特定的噪音，能改善对状况表面积的预估，这能快速预估数学模型在真实统计数据上的应用。
高级译者Teruyasu Mizoguchi说：”他们的工作能协助科学研究人员了解大分子的金属材料优点，并快速功能大分子的设计。这能包括药物和其他令人兴奋的化合物。”
