【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)展已經應用到了各個領域，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過成千上萬次的計算給出最優(yōu)答案。

【成果簡介】

北京時間2018年4月13日，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