大连理工大学刘奇磊团队JCTC | 反应机器学习势函数加速有机金属催化剂过渡态搜索与配体筛选

主要观点总结

本文介绍了一种新的反应机器学习势函数（Reactive Machine Learning Potential, RMLP）建模框架，用于加速均相有机金属催化剂的配体筛选。该框架结合了数据库生成混合策略和MACE机器学习势架构，实现了高精度预测和高效应用。通过QbC主动学习策略，仅用少量数据点构建出兼具DFT级精度与快速计算的机器学习势函数。该研究成果有望加速医药、化工领域催化剂研发，为绿色化学与可持续制造提供技术支撑。

关键观点总结

关键观点1: 研究背景

均相有机金属催化剂在有机合成和药物开发领域有广泛应用，但传统计算方法面临精度与效率无法两全的问题。例如密度泛函理论（DFT）结合过渡态搜索算法虽然精准但计算成本高，半经验量子化学方法虽然速度快但精度不足。

关键观点2: 研究目的

解决均相有机金属催化剂配体筛选中精度与效率的矛盾，提出一种新型的RMLP建模框架。

关键观点3: 研究方法

研究采用数据库生成混合策略结合MACE机器学习势架构，通过QbC主动学习策略筛选关键构象，实现了用少量数据构建高精度模型的目标。

关键观点4: 研究成果

提出的RMLP建模框架成功将有机金属催化反应过渡态优化速度提升超3个数量级，并保持与DFT方法相当的计算精度。此外，该框架还成功应用于筛选商业可获取的低势垒配体，并找到反应势垒低于经典的三苯基膦的膦配体。

关键观点5: 展望与未来

预训练-微调技术有望进一步提升模型的泛化能力并降低新反应体系的训练成本。纳入温度、溶剂等外部条件能使预测更贴近工业要求。

免责声明