.png){kind=icon}
返回
Staged Diversity-Constrained Machine Learning for High-Dimensional Reaction Condition Optimization
.png){kind=icon}
OA
AI
DOI：10.1002/anie.4418883.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在高维化学空间中优化反应条件仍是现代合成中的核心挑战。在此背景下，我们开发并评估了一种分阶段多样性约束机器学习框架，该框架在条件优化过程中高效平衡了探索与利用。在每个阶段，批内多样性约束促进了广泛的化学覆盖，而该约束逐步放宽以聚焦于有前景的子空间。对大规模钯催化的C─C和C─N偶联数据集的系统评估表明，影响优化效率的主导因素是阶段数量，而非探索比例。与贝叶斯优化（BO）方法的比较显示其性能具有维度依赖性趋势：在此，分阶段多样性约束策略在高维反应空间中表现更优，而BO在低维场景中表现更佳。此外，我们开发了一款用户友好的软件工具，使本文开发的框架可便捷地供实验化学家使用。我们的策略进一步应用于具有11,880种可能条件的挑战性钌催化间位C─H官能化，仅需44次实验即可确定最优方案（产率91%）。这项工作提供了一种经过验证且实用的框架，用于加速高维反应条件优化，连接了数据驱动建模与实验合成。
Keyword:
C-H Functionalization
Machine Learning
Reaction Modelling
Reaction Optimization
Structure-Activity Relationship
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
16.9
论文数:
4.7K
被引数:
368
机构
引用论文
Machine Learning-Based Process Optimization in Biopolymer Manufacturing: A Review生物聚合物制造中基于机器学习的过程优化: 综述.png)
Polymers
OAAI
PolymersIF0
OAAI分享收藏When Do Quantum Mechanical Descriptors Help Graph Neural Networks to Predict Chemical Properties?
PREAI
分享收藏Explainable uncertainty quantifications for deep learning-based molecular property prediction基于深度学习的分子特性预测的可解释不确定性量化OAAI
OAAI分享收藏How to explore chemical space using algorithms and automation如何使用算法和自动化探索化学空间NATURE REVIEWS CHEMISTRY
NATURE REVIEWS CHEMISTRYIF51.7
PREAI
分享收藏分享收藏Predicting reaction performance in C–N cross-coupling using machine learning使用机器学习预测c-n交叉耦合中的反应性能Science
ScienceIF0
PREAI
分享收藏
查看更多内容