生命系统的主要标志是通过学习和发展适应环境变化的能力。大自然这样做非常出色，以至于现在正在努力模拟生物过程。最初，这种仿生学涉及开发合成方法以生成复杂的生物活性天然产物。最近的工作是试图了解分子机器如何运作，以便复制它们的原理，并学习如何使用仿生进化和学习方法来解决科学，医学和工程中的复杂问题。自动化，机器人技术，人工智能和进化算法现在正在融合，以产生广泛称为基于计算机的材料自适应演化。这些方法正在应用于有机化学以使反应系统化，创建合成机器人进行单元操作，并设计闭环流动自优化化学合成系统。大多数科学创新和技术都通过众所周知的“S曲线”，开始缓慢，能力几乎呈指数增长，应用期稳定。自适应，不断发展，基于机器学习的分子设计和优化方法正在接近快速增长的时期，其影响已被描述为具有潜在破坏性。本文介绍了仿生自适应，进化，学习计算分子设计方法的新发展及其在化学，工程和医学中的潜在影响。大多数科学创新和技术都通过众所周知的“S曲线”，开始缓慢，能力几乎呈指数增长，应用期稳定。自适应，不断发展，基于机器学习的分子设计和优化方法正在接近快速增长的时期，其影响已被描述为具有潜在破坏性。本文介绍了仿生自适应，进化，学习计算分子设计方法的新发展及其在化学，工程和医学中的潜在影响。大多数科学创新和技术都通过众所周知的“S曲线”，开始缓慢，能力几乎呈指数增长，应用期稳定。自适应，不断发展，基于机器学习的分子设计和优化方法正在接近快速增长的时期，其影响已被描述为具有潜在破坏性。本文介绍了仿生自适应，进化，学习计算分子设计方法的新发展及其在化学，工程和医学中的潜在影响。基于机器学习的分子设计和优化方法正在接近快速增长的时期，其影响已被描述为具有潜在破坏性。本文介绍了仿生自适应，进化，学习计算分子设计方法的新发展及其在化学，工程和医学中的潜在影响。基于机器学习的分子设计和优化方法正在接近快速增长的时期，其影响已被描述为具有潜在破坏性。本文介绍了仿生自适应，进化，学习计算分子设计方法的新发展及其在化学，工程和医学中的潜在影响。
关键词： 自动化学合成; 深度学习; 进化算法; 计算机进化; 机器学习; 材料设计与开发; 神经网络
仍然没有清楚地理解“生命”是如何从“非生命”中产生的。生命的一个定义（NASA）是“能够达尔文进化的自我维持的化学系统” [1]。显然，我们世界上的所有生物都是复杂而且非常有组织的。它们是或者包含自组织的组件，需要从环境中输入能量和物质，并使用它来维持自组织状态，从而实现增长和繁殖。生物必须保持其内部状态（动态平衡），但显而易见的是，它们还必须对周围环境作出反应，促进类似反应的动作，后坐，以及高级形式的学习（特征识别）。由于生命在定义上是生殖性的，因此复制机制对于无限期存在也是必不可少的，并且对于通过对相关个体群体进行突变和自然选择而进行的进化也是必不可少的。
现在，越来越多的生物实体的一些基本操作和特征可以在计算机和实验室中进行模拟。我们现在正在经历另一种由人类智慧驱动的进化，即改变生活现在和将来的发展方式。图1说明了最初由自然过程产生的生物体的修饰和适应现在如何通过有意的，精确的遗传操作逐渐被取代，并且在未来通过大大增加对生命系统构成的理解，在计算机中产生，人工智能过程[1]。
已经将强化实验努力应用于天然产物合成的生物合成途径的有意再造，当与定向进化相结合时，可以产生具有显着多样性和高化学复杂性的潜在生物活性有机分子的文库[4]。
同时，正在开发仿生计算进化，特征识别和学习方法以解决科学，医学和工程中的复杂问题。许多这些新的和非常有用的元启发式方法，如蚁群优化，基于代理，进化[5,6]和粒子群算法，确实受到了大自然为解决难题而进化的解决方案的启发[7]。我们也开始了解如何创建人工自组织系统（依赖于物质和能量的连续输入），这些系统在自然界中无处不在，而不是自组装系统，这是当代纳米技术的一个主要特征[8] -10]。计算适应性，不断发展的自学设计和优化方法正在接近一个快速增长的时代，它们的影响已经被视为具有潜在的破坏性。它们在化学，特别是合成化学中的应用仍处于萌芽阶段，但它们有可能在短期到中期内产生快速的范式变化。
该透视文件为化学家提供了这些方法的简要概述，他们可能希望了解他们当前和未来的影响。它介绍了最常见的算法类型，即机器学习。讨论了非常有用的机器学习算法，神经网络，以及在使用中经常出现的问题，以及所描述的这些困难的解决方案。然后讨论了一种新型的深度学习神经网络算法，并在控制神经网络性能的数学定理的背景下描述了其与传统“浅”神经网络的性能。然后，本文讨论了生活和计算机学习中的另一个非常重要的概念，即特征选择。然后简要描述仿生的计算机进化方法及其与高通量材料合成技术（非常广泛地定义的材料）的协同作用。最后，所有这些概念结合在新的适应性，学习计算机进化方法的讨论中，用于发现新的生物活性分子和材料，并举例说明。