研究进展：浙江大学 机器学习算法 多任务图神经网络-钌催化 | Nature Synthesis

本文介绍了浙江大学和德国哥廷根大学的研究团队在Nature Synthesis上发表的一项研究，该研究结合多任务学习工作流程和基于机理的图神经网络，预测钌催化芳烃C–H功能化的位点选择性。研究背景基于机器学习在大规模数据集上的优势，能够更有效地访问整个化学空间。研究目的是开发一种能够准确预测反应性能的模型，为高效分子设计提供支持。研究结果显示，多任务模型在256个反应组成的数据集上表现出色，平均位点选择性预测精度达到0.934，标准偏差为0.007，并且在包含14个未见实例的额外样品测试中表现良好。模型的解释通过密度泛函理论计算验证了对位选择性机理模型。