催化剂的优化，常常被认为是一个很玄幻的问题。你经常很难知道，是因为什么原因，某些性能突然就得到了大幅提高。

是因为换了溶剂？

是因为改变了催化剂煅烧温度？

还是仅仅因为，换了一个合成原料？

机器学习为我们带来了新的希望。然而，机器学习虽然在加速催化技术的发展方面表现出巨大潜力，但首先得有大量的实验数据，这也为机器学习服务于催化剂设计带来了瓶颈问题。

有鉴于此，亚琛工业大学的Franziska Schoenebeck等人，发展了一种无监督机器学习方法，可以加速识别双核钯催化剂。

钯 (I) 二聚体的稳定化是一个典型的例子。钯 (I) 二聚体的稳定往往依赖于非常小的磷化氢配体，研究人员使用机器学习来搜索钯 (I) 二聚体这一类已知配体中的模式，从而指导发现能够同样稳定二聚体的变体，最终合成了8个以前未报道的二聚体。

这种非监督机器学习最大的优势在于，不需要海量的实验数据，他可以充分利用面向特性问题的通用参数数据库，仅仅使用五个实验数据点，就能实现以上学习和预测功能。

基于该方法，研究人员从348个配体中，成功预测并实验验证了一些膦配体，包括以前从未合成过的配体，这些配体在更常见的Pd(0)和Pd(II)物种上形成双核Pd(I)络合物。

这一策略对钯催化剂中各种物种的形成机理研究起到重要作用，也为机器学习进一步结合到催化研究领域，意义重大。

参考文献：

Julian A. Hueffel et al. Accelerated dinuclear palladium catalyst identification through unsupervised machine learning. Science, 2021.

DOI: 10.1126/science.abj0999

http://doi.org/10.1126/science.abj0999