Nat Synth：告别“炒菜”试错？清华大学罗三中团队提出“人机协作”新策略，解锁Co(IV)-烯胺协同催化新模式

背景：传统有机化学依赖专家经验和试错法优化反应，过程耗时且易受主观影响，尤其在复杂催化体系中难以快速解析微妙效应。人工智能方法虽兴起，但多依赖大量历史数据，限制了在新反应探索中的应用。研究目的：清华大学罗三中团队旨在开发一种结合专家知识与机器学习的新策略，以加速新反应的发现、优化和探索过程，并以Co(IV)-烯胺协同催化为例进行验证。结论：该研究提出启发式数据驱动策略，整合多目标高斯过程与q-EHVI算法，通过贝叶斯优化在超过100万条件的反应空间中仅用63次实验锁定最优催化体系，效率远超传统方法。该策略成功构建了新型钴(IV)-烯胺协同催化体系，展现出优异的底物普适性，并揭示了反应空间中可能存在多个局部优解区域，凸显了数据驱动方法在精准调控反应中的优势。