Predecir el rendimiento de la reacción en el acoplamiento cruzado C-N utilizando el aprendizaje automático

Área de la Ciencia:

• Química
• Química computacional
• Ingeniería Química

Sus antecedentes:

• El aprendizaje automático (ML) es cada vez más vital en la investigación científica.
• Predecir los resultados de las reacciones químicas es crucial para optimizar los procesos sintéticos.
• La experimentación de alto rendimiento (HTE) genera grandes conjuntos de datos para el entrenamiento de modelos ML.

Objetivo del estudio:

• Investigar la utilidad del ML para predecir el rendimiento de la reacción sintética.
• Para comparar los algoritmos ML con los métodos tradicionales en el espacio químico.
• Evaluar la aplicabilidad de los modelos ML para facilitar la adopción de metodologías sintéticas.

Principales métodos:

• Descriptores atómicos, moleculares y vibracionales extraídos para componentes de reacción.
• Utilizó una reacción de acoplamiento cruzado Buchwald-Hartwig catalizada por el paladio como un sistema modelo.
• Se emplearon algoritmos de regresión lineal y bosques aleatorios para el modelado predictivo utilizando datos HTE.

Principales resultados:

• El algoritmo de bosque aleatorio superó significativamente a la regresión lineal en la predicción del rendimiento de la reacción.
• El modelo ML demostró un rendimiento robusto incluso con conjuntos de datos de entrenamiento escasos.
• Se lograron predicciones exitosas fuera de la muestra, validando la generalizabilidad del modelo.

Conclusiones:

• El aprendizaje automático, específicamente el bosque aleatorio, puede predecir con precisión el rendimiento de la reacción sintética.
• Este enfoque es valioso para navegar por el espacio químico multidimensional y optimizar las reacciones.
• Las predicciones basadas en el aprendizaje automático pueden acelerar la adopción y el desarrollo de nuevos métodos sintéticos.