寻找高性能的催化剂进行反应优化是合成化学的基础和核心。由于实验反应的高成本，传统化学反应优化和催化剂筛寻局囿于对文献的理解和个人的经验进行直观的判断来决定反应优化的方向。然而，化学反应优化本身是一种复杂且多维的挑战，传统试错的方法或者高通量大规模筛选是对实验资源的浪费并缺乏一般适用的理性的指导。近年来，人工智能和机器学习开始被大量应用于化学领域，包括传统有机化学的反应优化和催化剂筛选。其中，贝叶斯优化算法 (Bayesian optimization)， 即一种基于迭代响应曲面的全局优化算法，在机器学习模型的优化方面表现出了良好的性能，并被用于许多化学反应优化过程。然而，其在高分子化学反应优化中的应用，尤其是对于高分子立体选择聚合反应 （stereoselective polymerization），并未得到重视和研究。对于许多含有手性中心的高分子，其立体构象直接决定了高分子本身的机械性能和热性能，因而在实际应用中立体规整 （stereoregular）的高分子具有更高的应用价值。不同于有机反应，许多高分子立体选择聚合反应并没有大量的立体选择催化剂（通常数量少于100个），因而增加了机器学习的难度。因此，开发一种能够高效地预测和优化高分子立体选择催化剂性能的计算和实验集成框架非常重要。

图1. 贝叶斯优化高分子立体选择聚合反应的工作流程。

图2. 针对立体选择开环的机器学习算法模型的基准测试

  接下来，作者利用这一模型预测出一系列新型铝催化剂，可用于催化合成具有高P_m或P_r值的高分子。根据模型的预测结果，作者合成了33种新型铝催化剂进行实验验证。值得一提的是，在合成过程中，研究者考虑了合成步数并优先选择合成步数较少的催化剂进行测试。聚合结果显示，其中有8种催化剂达到P_m>0.8，5种催化剂实现P_r>0.8。并且基于这些催化剂的合成高分子展示了优异的热学性能和力学性能。其中高效异选择性催化剂合成得到聚乳酸具有和低密度聚乙烯相似的机械拉伸性能。重要的是，在测试反应中，贝叶斯优化确定了一系列催化剂配体，配体中的部分取代基团仅在文献中出现一次并未获重视。在进行了三轮预测后，实验值与预测值之间的平均绝对误差显著降低，从第一轮的0.36降低到第三轮的0.10，同时模型的搜索效率也显著提升。

图3. 针对催化剂配体DFT描述符对立体选择贡献的SHAP分析和线性模型。

  原文链接:

  Wang, X.; Huang, Y.;  Xie, X.;  Liu, Y.;  Huo, Z.;  Lin, M.;  Xin, H.; Tong, R., Bayesian-optimization-assisted discovery of stereoselective aluminum complexes for ring-opening polymerization of racemic lactide. Nature Communications 2023, 14, 3647.

  https://www.nature.com/articles/s41467-023-39405-5