生化环材+机器学习，是否有未来？

生化环材+机器学习，是否有未来？

这个仁者见仁，智者见智，不能说太多
给几个例子，如果你是医学方向的
决策树和随机森林预测心力衰竭患者生存 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/529436868
使用深度学习通过脑部MRI进行年龄分类 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/530099271
基于LSTM 模型的癫痫病检测 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/530124102
迁移学习在生物医学图像中的应用 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/530397214
使用深度学习在 Matlab中进行 ECG信号识别 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/530461249


如果你是传染病方向的
MATLAB双向长短时记忆网络BILSTM预测 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/532675845
如果你是搞机械零部件剩余寿命预测方向的
NASA涡轮喷气发动机风扇的剩余寿命RUL预测-基于传统机器学习 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/528098659
NASA涡轮喷气发动机风扇的剩余寿命RUL预测-基于LSTM网络,Lookback=20 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/528324129
NASA涡轮喷气发动机风扇的剩余寿命RUL预测-几种不同方法的对比 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/528451358
如果是故障诊断方向的
基于小波散射算法的空气压缩机异常噪声诊断 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/531077421
基于scalogram 时频谱和 DCNN的空气压缩机异常噪声诊断 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/531154070
一种旋转机械故障诊断方法 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/531499108
基于CNN的轴承故障诊断及特征可视化 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/531748264
简单地使用核主成分分析KPCA 进行Tennessee Eastman process(TE过程) 故障诊断 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/53

化学/制药+机器学习已经有很多运用了。
前两天看到赛诺菲达成了两项合作：
1、11月22日，百度宣布，将LinearDesign技术授权给法国赛诺菲，用于疫苗和治疗产品的设计。
LinearDesign通过动态规划算法，能在10分钟内设计出最稳定的新冠mRNA疫苗序列，同时优化序列稳定性和蛋白质表达，提升疫苗有效性。
百度将获得相应的里程碑付款，具体金额未披露。
2、11月18日，赛诺菲宣布，与AI和精准医学公司Owkin达成合作，开发针对4种特定类型癌症（非小细胞肺癌、三阴性乳腺癌、间皮瘤和多发性骨髓瘤）的新疗法，同时建立强大的疾病模型。
根据协议条款，赛诺菲将对Owkin进行1.8亿美元股权投资，并在3年内支付9000万美元，Owkin还有资格获得额外的研究里程金。
Owkin成立于2016年，将医生、研究人员、数据科学家、制药公司等通过平台连接起来，并使用AI技术来创建数据集，再将信息发送给需要者，已建立best-in-class预测性生物医学AI模型和稳定数据集。


化学+机器学习这个我自己也在做，机器学习刚开始学，小bug都能卡半天，编程能力有待提高。
最近我做了一个反应的条件优化，用少量数据进行高斯回归，几轮下来收率从最低10%到最高83%
感觉的确很有帮助。
然而这种科研方式对人的要求更高，必须具有多领域复合技能。
我觉得机器学习能够作为一个非常有效的科研工具，能够减少无用功，大大提高科研效率，降低失败率。
所以与其问有没有未来，不如说这就是未来。

宏观上讲，只要不是伪需求，有没有未来就取决于供求关系。蓝海就容易有未来，红海就比较难。
微观上说，对别人是蓝海的，对你未必是蓝海。比如，现在机器学习培训班烂大街，随便一个阿猫阿狗都是张口梯度下降，闭口逻辑回归。对于这些人，机器学习早就是大红海了；但是对于对模型有深刻理解，技能点比较全，有领域工作经验的人来说，依然能算小蓝海。
今年我又看到一个趋势：做cv、nlp的人疯狂转推荐广告。前两年没有看到很多人转，今年听说好几个了。
生信现在有点像biotech，后者在国内已经涌现出来一批初创企业，也有人闷声发财的。对于这些人来说肯定是蓝海，对于普通人就不好说了。
其实在中国这种僧多粥少又精明人扎堆的国家，没有什么蓝海。你自己就是你最大的蓝海。面对不理想的现实，能做的就是丰富自身技术栈，培养眼光，找对平台。

在发论文和申请基金方面，套用机器学习很有前途。至于是否能真正促进生化环材发展，需要你们本领域的人挖掘。
说一说我审过的生化环材+机器学习SCI论文的问题：

• 可以明显感觉到作者数理基础不牢。机器学习本质上属于统计学，作为数学领域的分枝，其真正的创新一定在于对实际数据特性的数学归纳。可能是生化环材长期轻视数理学习的缘故，这些跨领域论文要么不假思索挪用别人公式，要么把科技论文写成公式稀少的议论文。
  
• 调包严重，编程能力不容乐观。而且调用还是国内自动化或者模式识别专业早期用烂的程序，所以经常能在生化环材论文里看到具有90年代末-本世纪初风格的、古早味排列组合式的idea。
  
• 机器学习+生化环材数据+号称有实际背景可能约等于“伪需求”。
  

当然，非常非常有意义。
生物我不是非常了解，但是据本人所知，机器学习和数据挖掘的算法被大量应用于生物信息学的研究，而且取得了很多非常不错的成果。
环境的话我有朋友在用机器学习的算法做很多环境设计方面的预测工作（这个算法其实是我教他写的）。据他说传统的环境工程方法做预测的性能是比较差的。
我比较了解的就是，在计算材料和计算物理这个领域，机器学习越来越成为一种极其重要的方法。机器学习以自己的特性（其实核心就是四个字：数据驱动）可以补充大量传统的DFT，或者有限元算法的不足。
现在很多计算材料和计算物理的会都会把机器学习作为一个单独的topic。
随手一搜：大数据为材料研究创造新机遇--材料设计的机器学习方法与应用综述

不过给各位生化环材人士提个醒：现在做机器学习的实在是太多了，想简单的靠调参找个工作，尤其是大厂工作，是越来越难。