Utilizzo di tecniche di Machine Learning nella Chimica Analitica

ABSTRACT Background. Machine Learning and artificial intelligence are increasingly gaining prominence through image analysis, language processing and automation, to name but a few applications. Machine Learning and the application of artificial methods are bringing profound changes and reshaping to chemistry as well, from revisiting old analytical techniques for the purpose of creating better calibration curves, to assisting and accelerating traditional in silico simulations, to automating entire scientific workflows, to using it as an approach to infer the underlying physics of unexplained chemical phenomena thus accelerating scientific discovery and producing new insights. Purpose of the thesis. The purpose of this thesis was to give a general overview of the studies in the literature regarding Machine Learning applied to chemical analysis. Specifically, the 9 chapters of this paper address and discuss topics regarding the potential and growing interest in Machine Learning associated with principal component analysis (PCA) and cluster hierarchy (HCA) techniques, computational chemistry, intelligent algorithms and chemistry laboratory, optical analyzers, and mass spectrometry. Methods. Literature review using major databases to select and analyze relevant studies published in the most recent years. Results. From what has been reported in the literature, Machine Learning has become increasingly common in the field of chemistry, including analytical chemistry, in recent years. Data scarcity is, often, being overcome by new forms of Machine Learning that address transferability and data limitations by being much more generalizable across chemical systems. In particular, Machine Learning is becoming a mainstay of computational chemistry. At present, hierarchies of Machine Learning methods and their trade-offs between accuracy and time are available for common tasks in chemistry, along with direct comparisons of their performance against traditional methods. Conclusions. In the future, Machine Learning models may approach chemical accuracy for complete systems. In the field of analytical chemistry, modern Machine Learning techniques are now being used to try to more accurately predict experimental results and gain insight into data obtained by traditional methods, and may one day be an integral part of full automation at the laboratory level.

ABSTRACT Background. Machine Learning e intelligenza artificiale stanno guadagnando sempre più importanza attraverso l’analisi delle immagini, l’elaborazione del linguaggio e l’automazione, solo per citare alcune applicazioni. Il Machine Learning e l’applicazione di metodi artificiali stanno apportando profondi cambiamenti e rimodellazioni anche alla chimica, dalla rivisitazione di vecchie tecniche analitiche allo scopo di creare migliori curve di calibrazione, all'assistenza e all'accelerazione delle tradizionali simulazioni in silico, all'automazione di interi flussi di lavoro scientifici, all'utilizzo come approccio per dedurre la fisica sottostante di fenomeni chimici inspiegabili accelerando, così, la scoperta scientifica e producendo nuove intuizioni. Scopo della tesi. Lo scopo di questa tesi è stato quello di fare una panoramica generale degli studi presenti in letteratura riguardo il Machine Learning applicato alle analisi chimiche. Nello specifico, i 9 capitoli di questo elaborato affrontano e discutono argomenti riguardanti le potenzialità e il crescente interesse verso il Machine Learning associato a tecniche di analisi delle componenti principali (PCA) e la gerarchia dei cluster (HCA), chimica computazionale, algoritmi intelligenti e laboratorio di chimica, analizzatori ottici e spettrometria di massa. Metodi. Revisione della letteratura utilizzando le principali banche dati per selezionare e analizzare studi pertinenti pubblicati negli anni più recenti. Risultati. Da quanto riportato in letteratura, negli ultimi anni il Machine Learning è diventato sempre più comune nel settore della chimica, compresa quella analitica. La scarsità di dati viene, spesso, superata da nuove forme di Machine Learning che affrontano la trasferibilità e le limitazioni dei dati essendo molto più generalizzabili tra i sistemi chimici. In particolare, il Machine Learning sta diventando un pilastro della chimica computazionale. Allo stato attuale, sono disponibili gerarchie di metodi di Machine Learning e i relativi compromessi tra accuratezza e tempo, per compiti comuni in chimica, insieme a confronti diretti delle loro prestazioni rispetto ai metodi tradizionali. Conclusioni. Nel futuro, i modelli di Machine Learning potrebbero avvicinarsi alla precisione chimica per sistemi completi. Nel campo della chimica analitica, le moderne tecniche di Machine Learning sono oggi utilizzate per cercare di prevedere in modo più accurato i risultati sperimentali e ottenere una visione più approfondita dei dati ottenuti con i metodi tradizionali, e potrebbero un giorno essere parte integrante di una completa automazione a livello laboratoristico.