权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

グラフニューラルネットワークによる有機遷移金属反応の機械学習

使用图神经网络进行有机过渡金属反应的机器学习

基本信息

批准号：
21K12027
负责人：
安田耕二
金额：
$ 1.91万
依托单位：
Nagoya University
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research (C)
财政年份：
2021
资助国家：
日本
起止时间：
2021-04-01 至 2024-03-31
项目状态：
已结题

来源：
https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-21K12027/
关键词：
機械学習化学情報学反応予測有機遷移金属化学反応量子化学

项目摘要

グラフニューラルネットワークを用いて遷移金属触媒反応を予測する研究は、おおむね順調に進み、95%以上の精度で反応を予測できた。素反応を学習対象に選んだこと、化学的に意味のあるネットワーク構造を選んだことが良かったと理解している。この結果を日本コンピュータ化学会秋季年会で発表した。また同学会の論文誌に投稿し、acceptされた。金属により官能基や反応場所に好みがあるが、それが予測結果に正しく反映されていた。ニューラルネットが見つけた潜在表現は、適切な主成分分析で理解できるものだった。反応式中での役割に応じて部分構造がクラスター化されるようだった。他方directing groupや特別な配位子が重要なC-H活性化反応の予測精度は、他より低くなった。既存の研究は、鈴木反応やHeck反応など個々の反応に焦点を絞り、詳細な条件を機械学習している。それに対し本研究では、既知の反応を幅広くカバーし、他方詳細な反応条件は反映しておらず、相補的と言える。また化学反応の機械学習では、実験で得られたデータを一般に用いるため、入手やコストに問題がある。将来は、量子化学計算で反応データを追加するようになると思われるが、その際には素反応が学習単位となる。我々が実験データから作成した素反応データベースは、その出発点になり得る。更に、量子化学計算で反応データを自動生成するには、出発物の反応しそうな場所を選ぶ必要がある。我々の機械学習モデルは、このようなデータの自動生成にも適していると思われる。

Prediction of グラフニューラルネットワークを using いて migrated metal catalyst reaction するResearch and development, smooth adjustment, and prediction accuracy of more than 95%. The basics of studying the subject of the image, the selection of the image, and the meaning of the chemical structure, the selection of the structure, the selection of the good, and the understanding of the chemistry. The results were obtained at the Autumn Annual Meeting of the Chemical Society of Japan.またAlumni Association Paper Journal にContributionし、Acceptされた. The metal functional group is a good reflection site, and the predicted result is a positive reflection.ニューラルネットが见つけた Potential performance は, appropriate な principal component analysis できるものだった. The での俜じて part of the がクラスター化されるようだった is constructed in the reverse type. The directing group's special coordination site is very important and the C-H activation reaction is very accurate in predicting it, and it is also very low. Existing research, Suzuki's anti-Heck anti-Heck anti-corrosion focus, detailed conditions, and machine learning.それに対しThis research is based on the では, the known の応を広くカバーし, the other party's detailed な濜conditions は reflection しておらず, and the complementary と语える.またChemical Reaction のMechanical Learning では, 実験でGet られたデータをGeneral に Use いるため, Start やコストにQuestion がある. In the future, quantum chemical calculations will be added to the future, and the するようになると思われるが will be added, and the その记にはprimary となる will be added. I am a 々が実験データから成した素远データベースは, and a その出発点になり得る. Updates, quantum chemical calculations are automatically generated, and the place where the problem is determined is selected and necessary. I'm using mechanical learning techniques to automatically generate にもAdaptable していると思われる.