米乐m6官方网站[理事长中钵良二]（以下简称“AIST”）催化化学聚变研究中心[研究中心主任佐藤和彦]创新氧化团队研究员Yo Yada，中心主任佐藤和彦，人工智能研究中心[研究中心主任 Junichi Tsujii] 机器学习研究团队 Kenji Nagata 首席研究员，功能材料计算设计研究中心[研究中心主任浅井义博]材料函数数学设计方法开发小组安藤康信研究员在新能源产业技术综合开发机构（理事长：古川一夫）（以下简称“NEDO”）的项目中，开发了一种利用人工智能（AI）预测有机合成中使用的催化反应收率的技术。
近年来，随着产品生命周期的缩短，有必要发现和开发催化剂，以便能够在比以前更短的时间内开发和生产药品和电子材料等功能化学品。传统的催化剂开发需要反复设计、合成催化剂，并对催化剂活性进行评价和验证，带来了开发周期长、大量的人力和成本等挑战。
为了解决这个问题，AIST提出了这个催化剂信息学的概念，催化反应只能通过催化剂结构数据来确定产量的人工智能。具体来说，环氧化反应，我们使用从催化剂结构的计算机模拟获得的多个参数以及从催化反应实际获得的实验产率构建了人工智能。通过使用这种人工智能，我们首次证明环氧化反应的产率可以仅根据所使用的催化剂结构数据来预测。这一结果将为未来旨在自动发现催化剂的人工智能技术铺平道路，从而大大缩短催化剂的开发周期。
该结果详情可参见日本化学会2018年1月31日（日本时间）出版的学术期刊化学快报（DOI：101246/cl171130）
 |
| 利用人工智能预测催化反应的产率 |
催化剂可以促进特定的化学反应，使没有催化剂就无法进行的反应得以进行，增加产物的选择性，并在短时间内得到产物。以这种方式使用催化剂的技术是负责化学物质合成的重要基础技术。在当今的化学工业中，催化剂用于合成多种物质，包括基础化学品和功能化学品，如药品、香料和电子材料。
近年来，随着产品生命周期的缩短，人们对在比以前更短的时间内高效开发和生产功能化学品等新材料的需求越来越大。此外，在化学制造过程中，高生产率、低成本、节能、资源节约和低环境影响也很重要。迫切需要准确、快速地找到适合这种制造工艺的具有最佳反应性能的催化剂。
10315_10576催化反应中间体现在可以进行分析，使催化剂设计变得更加容易。然而进展仍然缓慢，需要新方法来进一步加速催化剂的设计和开发。
AIST 正在进行新催化剂的研究和开发，这将加速电子材料等功能化学品的开发和生产。作为这项工作的一部分，在结合了催化化学和信息科学的催化剂信息学的概念下，我们正在开发利用人工智能来预测生产功能化学品所需的有机合成反应的催化剂活性的技术。这次，它将被用作电子材料和树脂的原材料环氧化合物使用过氧化氢从烯烃无卤素产生的催化反应作为目标反应，并致力于开发一种利用人工智能来预测催化活性，即催化反应产率的技术。
这项研究开发是在NEDO委托项目“超先进材料超高速开发基础技术项目（2016-2021年度）”（项目负责人：村山信光）的支持下进行的。
 |
| 图1催化剂开发现状及新技术 |
为了利用人工智能预测催化反应的产率，我们首先通过计算机模拟准备了量化催化剂分子结构和特性的参数。接下来，我们将催化剂分子的参数与该催化剂介导的反应的实验产率相关联机器学习我做到了。通过将想要预测催化反应产率的催化剂分子的数值参数输入到该AI中，就可以预测产率。这次，我们将机器学习应用到了无卤环氧化反应中，该反应作为电子材料和树脂原料环氧化合物的合成反应非常有用，并且是产业技术研究院长期以来开发的模型反应，并验证了可以通过AI预测催化反应的产率（图2）。
 |
| 图 2 模拟环氧化反应 |
该反应是使用催化剂进行的（三元催化剂)。在检查三种化合物的各种组合的实验数据中，我们重点关注使用各种膦酸分子的实验数据。通过计算机模拟量化了 14 种膦酸分子的原子电荷和值。红外吸收波数等30个参数。我们利用机器学习，将这些与使用膦酸分子作为三元催化剂的一个组成部分的实际环氧化反应的实验产率相关联，构建了人工智能（图 3）。使用新开发的技术，我们能够自动、客观地选择对预测有显着贡献的参数。这是世界上第一个开发成果。在该环氧化反应中，从30个参数中选择了11个作为对预测有显着贡献的参数。此外，通过比较所选参数对预测的贡献，我们能够确定对催化活性至关重要的催化剂分子的化学结构和特征。在该反应中，我们能够确定最重要的因素是膦酸的磷-氧双键导致的红外吸收强度。
 |
| 图 3 通过将机器学习应用于实验数据来构建人工智能 |
当将通过计算机模拟量化的参数输入到为之前未知反应结果且需要预测其催化活性的八种膦酸分子构建的AI中时，获得了预测产率。我们使用预测中使用的膦酸分子作为三元催化剂的一种组分进行了环氧化反应实验，评估了环氧化合物的实验收率，并将实验收率与预测收率进行了比较（图4）。这是第一个研究结果，表明可以使用人工智能来预测产量，该人工智能通过自动、客观地选择有助于产量预测的参数而构建。目前，均方误差为 26%，但随着开发的进展，准确率预计会提高。
 |
| 图4 AI 产量预测 |
此次开发的技术是旨在自动发现催化剂的人工智能技术的先驱。预计未来催化剂开发周期将大幅缩短，有助于加快功能化学品的开发和制造。
未来，我们的目标是通过计算机模拟使用催化反应中间体量化的参数构建人工智能，从而提高预测准确性。此外，该公司计划通过整合各种条件下的实验数据，如原料结构、反应温度、反应时间、催化剂用量等来构建人工智能，并开发预测催化活性和最佳反应条件的技术。