对复杂基质的区域选择性预测设计特定目标数据集

科学领域:

• 有机化学
• 计算化学
• 机器学习

背景情况:

• 在C ((sp3) -H功能化中预测区域选择性对于合成化学至关重要.
• 目前的方法通常依赖于模型基质的直观推断,限制了复杂分子的准确性.

研究的目的:

• 开发机器学习模型来预测C ((sp3) -H功能化的区域选择性.
• 研究积极学习策略在为模型培训策划高效数据集中的有效性.
• 为传统的反应性预测方法提供量化,数据驱动的替代方案.

主要方法:

• 从现有的文献中编制了二氧化的数据集.
• 开发和比较各种基于主动学习的数据集选择的获取功能.
• 在主动学习获取函数中的杆预测反应性和模型不确定性.
• 在复杂基质和C-H激素化上实验验证工作流程.

主要成果:

• 具有反应性和不确定性的积极学习获取函数优于基于相似性的方法.
• 使用获取功能的数据集策划大大减少了所需数据点的数量.
• 机器设计的,较小的数据集在较大,随机选择的数据集失败时实现了准确的预测.
• 开发的工作流程表明可用于预测C-H基化中的区域选择性.

结论:

• 机器学习模型,特别是当在主动学习策划的数据集上进行训练时,为预测C-H功能化区域选择性提供了强大而高效的方法.
• 这种数据驱动的方法为复杂分子提供了量化和可靠的替代方法.
• 开发的工作流程简化了预测过程,减少了实验力度,提高了准确性.