24、机器学习在化学动力学和热化学中的应用

机器学习在化学动力学和热化学中的应用

1 引言

过去几十年，由于许多领域对新化学的需求不断增加，人们在改进反应技术方面付出了巨大努力。然而，开发和优化新反应过程往往成本高昂，因为实验过程繁琐且昂贵。因此，如果能用计算机模拟取代部分实验，将是非常理想的。

理论上，有了详细的反应机理以及每个反应的速率和平衡常数，就可以计算出每种化学物质浓度随时间的变化，从而轻松预测反应系统的性能，如不同反应条件下的转化率和产物分布。但目前反应模拟的预测能力仍存在差距，主要挑战之一是缺乏准确的动力学速率和分子热化学数据，而这些数据通常用于根据平衡常数计算逆反应速率。

在实际中，复杂反应系统可能涉及数千种物质和反应，由于实验技术分辨率的限制，许多反应无法直接通过实验测量。因此，报道的实验数据通常有限，通过实验获取这些参数可能既耗时又不切实际。

这个问题可以用量子力学计算来解决，它能直接计算特定反应的热化学和动力学参数。但准确的量子力学方法计算量巨大，通常不适用于包含数千个反应的复杂反应系统。因此，人们开发了许多经验方法来估算分子热化学和速率常数。对于热化学，最广泛使用的经验方法之一是 Benson 基团加和理论（BGIT），它将分子分解为定义好的子结构和相应的基团加和值（GAVs），通过求和来确定分子性质，能成功预测简单有机物种的热化学性质，但对复杂分子效果不佳。与热力学性质相比，反应速率常数更难预测，因为它们不仅取决于稳定的化学物质，还取决于过渡态物种。由于缺乏准确的预测方法，通常假设 Arrhenius 方程的活化能和指前因子可以用同一反应类中其他反应的参数大致估算。

如今，随着机器学习技术的快速发展，人们已经成功构建了数据驱动模型来预测分子的热力学和动力学性