作者:洪鑫等 来源:《化学》 发布时间:2024/4/24 12:26:36
选择字号:
新型数据驱动反应优化策略

 

2024年4月19日,德国哥廷根大学Lutz Ackermann教授和浙江大学化学系洪鑫教授在Chem期刊上合作发表了“Machine Learning-Guided Yield Optimization for Palladaelectro- Catalyzed Annulation Reaction”的研究工作。该成果报道了一种新型的数据驱动反应优化策略,将基于物理有机描述符的产率预测和正交实验设计相结合,同时平衡了采样多样性和目标产率提升,实现了海量条件组合的高效探索,成功预测了电化学钯催化环化反应的优势条件,充分展示了人工智能建模技术在合成化学反应优化领域的潜力。

随着化学大数据和人工智能技术的跨越式发展,数据驱动的反应优化策略近年来引起了广泛关注。由于合成反应构效关系高维且复杂的特性,催化剂、反应物、甚至溶剂细微的结构变化都可能引起反应产率的显著改变,为合成反应的条件优化提出了重要挑战。

在该文中,作者采用主动学习框架对电化学Pd催化环化反应的条件(图1a)进行优化。该智能建模策略的核心在于,将传统的贪心优化策略中融入了正交实验设计作为约束,从而提升条件空间取样的多样性,并根据优化进度逐级放宽正交约束,从而平衡对于采样多样性和采样目标提升的双重需求。在该策略中,以少量符合正交约束的实验作为初始数据集,结合机器学习建模的产率预测和基于化学维度的正交性约束,通过主动学习指导下一轮实验设计,并将实验结果反馈于机器学习模型,不断更新迭代,直至产率符合优化目标为止(图1b)。

图1:数据驱动的反应产率优化策略。

在ML建模中,作者使用了一系列物理有机描述符(图 2a)对反应体系进行编码,包括起始电位、电化学表面积、Tafel斜率、电导率等。每轮优化的结果如图2b所示,在进行了12轮共68个实验之后,模型就成功预测出了最优反应条件。此外,作者通过UMAP降维和特征重要性分析,揭示了产率优化的路径以及影响产率的关键特征。

图2:机器学习指导的产率优化结果。

为进一步评估反应优化策略的普适性,作者进一步增加了电极材料和溶剂的可能组合,将化学空间从8640种可能扩大到了39690种组合(图 3a)。模型利用已有产率数据对扩大空间内的反应条件进行产率预测,预测的前四名如图3b所示,所有这些推荐的反应条件均具有较高的产率,最高组合的产率达到了83%,更加凸显了该策略在反应优化上的有效性。

图3:基于机器学习的化学空间探索。

(来源:科学网)

相关论文信息:https://doi.org/10.1016/j.chempr.2024.03.027

 
 打印  发E-mail给: 
    
 
相关新闻 相关论文

图片新闻
科学家创有机小分子催化新纪录 科学家欲在脆弱冰川周围建屏障
科学家揭开天体高能电子产生之谜 7月福利!科学网APP论文&基金最新活动
>>更多
 
一周新闻排行
 
编辑部推荐博文