【引言】

机器学习方法正在成为众多学科科学探究的一部分。 机器学习（ML）是可以从数据中学习计算机算法的研究和构建。我们脑海里对新材料的发现以及化学合成基本还停留在传统的研究人员身穿白大褂，手里拿着各种化学试剂的场景。殊不知这几年人工智能的发展已经应用到了各个领域，人工智能真正让人们接受应该是AlphaGo大战围棋天才柯洁而一战成名。它能通过数据记录上百个顶级棋手的下棋行为，通过大数据分析，后台的优化算法而做到越赛越勇。在材料化学领域人工智能也在发挥着越来越重要的作用，往往研究人员想尽脑汁做不出来的东西它可以经过成千上万次的计算给出最优答案。

【成果简介】

北京时间2018年4月13日，Science在线发表了普林斯顿大学Abigail G． Doyle、Merck Sharp ＆ Dohme公司Spencer D． Dreher（共同通讯）等人题为“Predicting reaction performance in C–N cross－coupling using machine learning”的文章，团队证明了机器学习可以用来预测多维化学空间中合成反应的性能，使用通过高通量实验获得的数据。通过创建脚本来计算和提取原子，分子和振动描述符，用于钯催化的Buchwald－Hartwig芳基卤化物与4－甲基苯胺在各种潜在抑制添加剂存在下的交叉偶联反应。使用这些描述符作为输入和反应产量作为输出，表明随机森林算法提供了比线性回归分析显著改进的预测性能。

【图文导读】

图1 ML在反应预测中的应用

图2 测试集性能图

图3 加法预测

图4 模型分析