机器学习，2023年首篇Nature！

对催化有机反应机理的理解，对于设计新的催化剂、反应模式和发展更绿色、更可持续的化学过程至关重要。动力学分析是机理阐述的核心，它有助于从实验数据直接检验力学假设。传统上，动力学分析依赖于使用初始速率，对数图，最近，可视化动力学方法，结合数学速率定律推导。

然而，速率定律的推导及其解释需要大量的数学近似，因此，它们容易出现人为错误，并且仅限于在稳态下只有几个步骤的反应网络。

在此，来自英国曼切斯特大学的Jordi Burés & Igor Larrosa等研究者训练了一个深度神经网络模型，可用来分析普通的动力学数据，并自动阐明相应的机理类型，而不需要任何额外的用户输入。相关论文以题为“Organic reaction mechanism classification using machine learning”于2023年01月25日发表在Nature上。

确定将底物转化为产品所涉及的基本步骤的确切顺序，对于合理改进合成方法、设计新催化剂和安全扩大工业过程至关重要(图1a-d)。为了阐明反应的机理，收集了几个动力学剖面，人类专家必须对数据进行动力学分析。尽管反应监测技术，在过去的几十年里已经有了显著的改进，动力学数据收集可以完全自动化，但机理阐明的基本理论框架，并没有以同样的速度进步。

目前的动力学分析包括三个主要步骤(图1e，顶部路径)：从实验数据中提取动力学特性，预测所有合理机理的动力学特性，并将实验提取的特性与预测的特性进行比较。尽管存在许多缺陷，但提取动力学性质最常用的方法是一个多世纪前开发的初始速率对数-对数图。

现代动力学分析，如反应过程动力学分析和变时间归一化分析，利用整个动力学剖面提取更丰富的动力学信息，而不仅仅是其中的一小部分。然而，它们忽略了隐含在动力学剖面中的动力学信息，因为它们关注的是特定的反应性质，主要是反应的顺序。

动力学性质的预测，还要求化学家完全掌握稳态速率定律的复杂推导和解释。虽然稳态方程很好地近似了许多机理的动力学行为，但它们不能预测远离稳态的常见系统，例如催化剂缓慢活化或催化剂不可逆失活的反应。

此外，即使是中等复杂的反应网络也可能导致难以解释的难以管理的速率定律方程。另外，动力学建模已被用于拟合动力学数据，尽管它是化学过程参数化的强大工程工具，但由于难以区分具有相似拟合优度的模型，其对机理阐明的适用性受到限制。

图1. 动力学分析的相关性和现状

受到最近人工智能(AI)应用于长期科学挑战的巨大进展的启发，研究者设想人工智能可以改变动力学分析领域。

在此，研究者证明了在模拟动力学数据上训练的深度学习模型，能够从时间浓度分布中正确地阐明各种类型的机理(图1e，底部路径)。机器学习模型消除了速率定律推导和动力学性质提取和预测的需要，从而简化了动力学分析，极大地促进了所有合成实验室对反应机理的阐明。

由于对所有可用的动力学数据进行了整体分析，该方法增加了询问反应概况的能力，从动力学分析过程中消除了潜在的人为错误，并扩大了可以分析的动力学范围，包括非稳态(包括激活和失活过程)和可逆反应。研究者设想这种方法将是现有动力学分析方法的补充，在最具挑战性的情况下尤其有用。

研究者展示了一个深度神经网络模型，可以通过训练来分析普通的动力学数据，并自动阐明相应的机理类型，而不需要任何额外的用户输入。该模型以出色的精度识别了各种各样的机理类别，包括脱离稳态的机理，例如那些涉及催化剂激活和失活步骤的机理，并且即使在动力学数据包含大量误差或只有几个时间点时也能出色地执行。

研究结果表明，人工智能引导的机理分类是一个强大的新工具，可以简化和自动化的机理说明。研究者正在将这个模型免费提供给社区，我们预计这项工作将导致全自动有机反应发现和开发的进一步发展。

图2. 数据的机理范围和组成

图3. 机器学习模型在每个运动剖面具有六个时间点的测试集上的性能

图4. 误差和数据点数量对机器学习模型性能的影响

图5. 实验动力学数据的案例研究

综上所述，研究者证明了，深度学习可以用来从动力学数据中提供一个极其强大的机理说明工具。新模型将以前冗长的速率定律推导和动力学分析过程，简化为仅需要几毫秒的完整和更准确的过程。

训练后的模型能够解决以前分析非常具有挑战性的复杂问题，例如有误差的动力学数据，甚至是非稳态的系统。研究者还展示了这些AI模型如何很容易地应用于从各种催化反应中提取实验动力学数据的机制见解。研究者设想机器学习将成为一个强大的工具，增强合成化学家处理机理研究的能力。

作者简介

Igor Iarrosa博士，1999年毕业于巴塞罗那大学获学士学位，继而分别在Felix Urpi和Pere Romea的指导下在巴塞罗那大学获得硕士和博士学位；曾获得西班牙教育部的资助，在Erick. M. Carreira教授研究组从事访问研究；在伦敦帝国学院Anthony G. M. Barrett教授小组从事博士后研究；2007年9月，Iarrosa博士被聘为London大学讲师，从事有机化学中方法学的研究。

文献信息

Burés, J., Larrosa, I. Organic reaction mechanism classification using machine learning. Nature 613, 689–695 (2023). https://doi.org/10.1038/s41586-022-05639-4

原文链接：

https://www.nature.com/articles/s41586-022-05639-4

原创文章，作者：Gloria，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/14/e4deeb8418/

机器学习，2023年首篇Nature！

相关推荐