2018年7月27日
电子探针研究人员Mark Schubert使用酶漆晶体来改变木材属性，但追求是非常具有挑战性的 - 有点像尝试将关键定位到未知锁定。Schubert而不是使用昂贵和耗时的实验，而是雇用人工智能，因为它让他更快地达到目标。
漆酶能够改变木材表面的化学结构，从而在不改变材料结构的情况下促进生物化学修饰。然而，漆有不同的种类，并不是所有的漆都能起作用。(图片来源:Thordis Rüggeberg)
漆酶能够改变木材表面的化学结构，从而在不改变材料结构的情况下实现生物化学变化。例如，Empa的科学家们在木材表面添加了功能分子，以创造抗菌或防水的木材表面。
还可以开发粘合木材纤维，其可以容易地向纤维板压入纤维板，也可以开发出任何化学结合剂。这些种类的无溶剂纤维板用于绝缘ECO房屋。
然而，问题是漆酶存在几种变体，它们在化学活性中心的设计上各不相同;此外，这些变体不会与所需的基质发生反应。由于猜测特定漆酶是否会与特定底物发生反应是非常复杂的，因此确定合适的漆酶与底物对需要进行一系列昂贵且耗时的实验。但这个问题可以通过分子模拟来解决:只需对漆酶进行精确的结构分析，就可以在计算机上模拟每种首选组合的化学反应机制。然而，这需要很高的计算机计算能力，尽管如此，仍然会非常昂贵和耗时
相反，“深度学习”提供了捷径。研究人员培训计算机程序，以检测从自己的实验中获得的数据以及文献中获得的数据：哪种类型的漆酶氧化哪种衬底？需要进行化学过程的优化条件是什么？关于这一点的一个最好的事情是，即使有关化学机制的所有细节都不知道，搜索仍将起作用。
过去七年的重大进展
此成功的关键是以适当的形式提供数据以及深度学习网络的设计。事实上，舒伯特已经与神经元网络合作超过七年。他的初始项目主题来自2012年，最新2018年。“过去，我们使用浅层神经网络：输入层，隐藏层和输出层。今天，我们使用更复杂的网络工作。它们包含几个隐藏的图层，更强大。“
舒伯特使用已知的数据集训练他的算法，然后用系统从未见过的数据集测试算法。他关于他的“智能木材搜索引擎”的可靠性的报告令人难以置信。早些时候，舒伯特只能使用精心挑选的有意义的数据来获得像样的结果。与此同时，他也在使用部分无法使用的数据堆来测试他的系统。机器可以识别什么可以用，什么不能用。
KI的工业应用
由于系统的鲁棒性，深度学习机器可以被工业使用。舒伯特有一段时间的合作伙伴Pavatex生产自粘绝缘板。制造过程中充满了传感器;大量的数据积累，揭示了“一些东西”的制造板的质量。但是什么?舒伯特的智能木材搜索引擎识别了这种联系。
目前舒伯特正在以这种方式改进生产。如果在纤维加工过程中某一点出现问题，可以在最终产品质量受到影响之前对产品进行修改。这不仅可以节省对最终产品的昂贵检查，还可以减少制造过程中的错误率。