柯卓锋教授团队在人工智能催化剂设计取得进展

       人工智能驱动的催化剂设计正展现出变革性潜力，但数据匮乏（Data starvation）始终是制约AI模型在未知化学空间中发挥作用的根本瓶颈。目前领域前沿研究多采用高通量实验（HTE）获取海量数据，但该方法对专用设备、实验原料及人力均有较高要求，投入成本高昂。特别是对于全新反应体系的高通量试错生成数据，效果往往南辕北辙。针对上述困境，即"无机理、无数据"的双重困境，柯卓锋教授团队提出将原创的自动化反应路径探索与人工智能设计有机结合的策略，为数据匮乏条件下的催化剂从头设计提供全新思路。

       过渡金属催化的脱氢与加氢反应是现代有机合成中构建碳-碳键和碳-杂键的核心工具。其中，借氢/氢自转移（BH/HA）反应以醇类为可持续原料，具有原子经济性高、操作简便、副产物仅为水等突出优势。长期以来人们依赖d区过渡金属催化剂，通过d轨道的电子缓冲效应驱动脱氢与加氢的循环过程。相比之下，p区金属（如Al、Ga、In等第13族元素）由于缺乏类似的d轨道相互作用，及其固有的强亲氧性（Oxophilicity）和路易斯酸性（Lewis acidity），导致p区金属氢化物长期以来仅能用作化学计量还原试剂（如LiAlH₄），从未实现催化级别的借氢循环。

       柯卓锋教授团队克服无机理无数据的挑战，创新性地构建了一个四步闭环的智能催化剂设计工作流：首先利用自主开发ARplorer软件自动化势能面（PES）探索，提供揭示催化机理基础；接着进行催化剂数据库的模式约束构建；然后通过虚拟合成驱动与机器学习设计；最后通过实验合成成功开发首例全新的钳形CNC- In催化剂（Tri-L8），可以高效实现借氢催化，以98%的高产率得到N-烷基化产物。

       基于自动化反应路径探索与人工智能相结合的全新p区金属催化剂的成功研发，不仅意味着借氢反应可以摆脱对贵金属的依赖，发展了主族金属催化借氢合成的新方向，更展示了自动化反应探索与机器学习相结合用于从零到壹AI引导催化剂设计的独特范式优势。  

图1. 本研究的核心设计理念、工作流程与研究发现

       研究成果以“Overcoming Data Starvation: Automated Virtual Reaction Exploration and Machine Learning Discovery of p-Block Metal Catalysts for Borrowing Hydrogen”为题发表于期刊《Angewandte Chemie International Edition》（https://doi.org/10.1002/anie.4351270）。我院2021级博士生陈喆为论文第一作者，柯卓锋教授为论文唯一通讯作者。该研究工作得到国家自然科学基金和广东省卓越青年团队等项目支持。

初审：袁湛楠

审核：田雪林、许俊卿

审核发布：李伯军