在材料化學領(lǐng)域人工智能也在發(fā)揮著越來越重要的作用，往往研究人員想盡腦汁做不出來的東西它可以經(jīng)過成千上萬次的計算給出最優(yōu)答案。

【引言】

機器學習方法正在成為眾多學科科學探究的一部分。 機器學習（ML）是可以從數(shù)據(jù)中學習計算機算法的研究和構(gòu)建。我們腦海里對新材料的發(fā)現(xiàn)以及化學合成基本還停留在傳統(tǒng)的研究人員身穿白大褂，手里拿著各種化學試劑的場景。殊不知這幾年人工智能的發(fā)展已經(jīng)應用到了各個領(lǐng)域，人工智能真正讓人們接受應該是AlphaGo大戰(zhàn)圍棋天才柯潔而一戰(zhàn)成名。它能通過數(shù)據(jù)記錄上百個頂級棋手的下棋行為，通過大數(shù)據(jù)分析，后臺的優(yōu)化算法而做到越賽越勇。在材料化學領(lǐng)域人工智能也在發(fā)揮著越來越重要的作用，往往研究人員想盡腦汁做不出來的東西它可以經(jīng)過成千上萬次的計算給出最優(yōu)答案。

【成果簡介】

Science在線發(fā)表了普林斯頓大學Abigail G． Doyle、Merck Sharp ＆ Dohme公司Spencer D． Dreher（共同通訊）等人題為“Predicting reaction performance in C–N cross－coupling using machine learning”的文章，團隊證明了機器學習可以用來預測多維化學空間中合成反應的性能，使用通過高通量實驗獲得的數(shù)據(jù)。通過創(chuàng)建腳本來計算和提取原子，分子和振動描述符，用于鈀催化的Buchwald－Hartwig芳基鹵化物與4－甲基苯胺在各種潛在抑制添加劑存在下的交叉偶聯(lián)反應。使用這些描述符作為輸入和反應產(chǎn)量作為輸出，表明隨機森林算法提供了比線性回歸分析顯著改進的預測性能。

【圖文導讀】

圖1 ML在反應預測中的應用

圖2 測試集性能圖

圖3 加法預測

圖4 模型分析