一个以数据驱动和量子化学为基础的框架,用于建模和分类有机聚合物中的碳-结合

科学领域:

• 计算化学的计算化学
• 材料科学 材料科学 材料科学
• 化学物理 化学物理

背景情况:

• 有机化合物在合成化学中至关重要.
• 了解碳- (C-Li) 结合对于预测反应性至关重要.
• 现有的C-Li债券分类方法通常是手动的,耗时的.

研究的目的:

• 开发一个自动化,数据驱动的框架来分类C-Li结合基因.
• 建立一个有机聚合物的化学完整数据集.
• 为了确定准确的C-Li键表征的关键描述符.

主要方法:

• 量子化学计算 (ab initio潜在能量表面) 用于采样.
• 构建81个气相有机聚合物的数据集.
• 使用分子中的原子量子理论 (QTAIM) 和电子定位函数 (ELF) 的分析.
• 相关性聚类来选择最小的,非冗余的描述符.
• 训练监督机器学习模型 (神经网络,决策树).

主要成果:

• 确定了一组最小的描述符,其中ELF盆电子群和键路径指标占主导地位.
• 机器学习模型实现了高精度:核类型为84%,聚合状态为89%,键类型为84%.
• 从ELF衍生的描述符在分离债券制度方面被证明是最具歧视性的 (例如,2c-2e,多中心,π-Li).

结论:

• 开发的框架为高通量C-Li结合分析提供了一个可解释和可转移的平台.
• 自动分类增强了在有机金属化学中的结合的研究.
• 这些发现使不同C-Li结合类型的物理接地分离成为可能.