对催化有机反应的机械理解对于设计新催化剂，反应性模式以及更绿色和更可持续的化学过程的发展至关重要。动力学分析是通过促进实验数据的机械假设进行直接检验的机械阐明的核心。传统上，动力学分析依赖于初始价格14，对数图，以及最近的视觉动力学方法15,16,17,18，以及数学速率定律的衍生产品。但是，速率定律及其解释的推导需要大量的数学近似值，因此，它们容易出现人为误差，并且仅限于在稳定状态下运行的几个步骤的反应网络。在这里，我们表明可以训练深层神经网络模型来分析普通动力学数据并自动阐明相应的机制类别，而无需任何其他用户输入。该模型以出色的精度确定了各种各样的机制，包括稳定状态的机制，例如涉及催化剂激活和停用步骤的机制，即使动力学数据包含实质性错误或仅几个时间点，也可以表现出色。我们的结果表明，人工智能引导的机制分类是一种强大的新工具，可以简化和自动化机械阐明。我们正在向社区免费提供该模型，我们预计这项工作将导致在完全自动化的有机反应发现和开发的开发中进一步进步。
左文资讯声明：未经许可，不得转载。
为您推荐：
- 植物NLR的寡聚介导的自身抑制和辅因子结合 2025-06-23
- 海洋热浪不是塞尔萨尔鱼类变化的主要驱动力 2025-06-23
- 对SARS-COV-2变异菌株的体内单克隆抗体功效 2025-06-23
- 苏联战时手术 2025-06-23
- 滚动，高分辨率3D特异性粒子的打印 2025-06-23
- 通过有限范围的相互作用对光学转变的量子增强感测 2025-06-23
资讯
