对环境友好制备化学品的过程的需求推动了合成过程的发展和新型催化剂的开发，最近通过机器学习（mechine-learning）方法对催化的研究被更广泛的应用，这是因为通过机器学习方法不仅能应用于新物种的发现，还能够对催化剂的催化性能趋势进行鉴定。洛桑联邦理工学院Clémence Corminboeuf等通过机器学习和分子火山图结合的方法对多大143000例Ni均相催化剂的催化活性进行研究，对结构中含有膦结构、N杂环卡宾结构、COD等的Ni催化剂在芳醚分子还原消除C(sp²)-O键的过程进行分析，该反应步骤是生物质中重要组成的木质素（lignin）反应中的关键步骤。计算结果显示，大部分的Ni-膦/Ni-N杂卡宾催化剂对该反应并无调控催化活性的作用，为实验设计用于催化切断芳基醚分子中C(sp²)-H键的Ni催化剂提供了经验和指导。

本文要点：

（1）

对2-甲氧基萘、三甲氧基硅氢生成萘和三甲基甲氧基硅烷的催化反应过程中不同结构的Ni催化剂进行理论筛选，作者发现通过有效的对配体筛选，可以实现以高的反应速率和高转化率进行催化反应。通过机器学习方法能够快速的对催化剂进行筛选，对关键的催化步骤中的催化行为进行分析。

参考文献

Manuel Cordova, Matthew D. Wodrich, Benjamin Meyer, Boodsarin Sawatlon, and Clémence Corminboeuf*

Data-Driven Advancement of Homogeneous Nickel Catalyst Activity for Aryl-Ether Cleavage，ACS Catal. 2020

DOI：10.1021/acscatal.0c00774

https://pubs.acs.org/doi/10.1021/acscatal.0c00774