Lung-Yi Chen & Yi-Pei Li

Nat Commun 2025, 16 (1), 3262.

https://www.nature.com/articles/s41467-025-58503-0

當代化學與藥物研發面臨的關鍵挑戰，是如何在龐大且結構多樣的化學空間中，快速且準確地找出同時滿足多重性質需求的理想分子。針對此一問題，化工系李奕霈老師與博士生陳隆奕共同開發出一套結合圖神經網路(GNNs)、基因演算法(Genetic Algorithms)與不確定性量化(UQ)的人工智慧(AI)分子設計方法，並將成果發表於國際期刊Nature Communications。團隊在 16 項涵蓋有機發光材料、反應工程與藥物設計的任務進行驗證，全面評估多種UQ導向的優化策略。結果顯示，機率性改善優化法(PIO)表現最為穩定，能根據AI模型的不確定性，評估候選分子達成目標性質的機率，提升搜尋效率與可信度。本研究展示將 UQ 技術導入 AI 模型的實用潛力，有望加速化學與材料領域的創新研發與應用落地。