2024年4月19日，德国哥廷根大学Lutz Ackermann教授和浙江大学化学系洪鑫教授在Chem期刊上合作发表了“Machine Learning-Guided Yield Optimization for Palladaelectro- Catalyzed Annulation Reaction”的研究工作。该成果报道了一种新型的数据驱动反应优化策略，将基于物理有机描述符的产率预测和正交实验设计相结合，同时平衡了采样多样性和目标产率提升，实现了海量条件组合的高效探索，成功预测了电化学钯催化环化反应的优势条件，充分展示了人工智能建模技术在合成化学反应优化领域的潜力。

随着化学大数据和人工智能技术的跨越式发展，数据驱动的反应优化策略近年来引起了广泛关注。由于合成反应构效关系高维且复杂的特性，催化剂、反应物、甚至溶剂细微的结构变化都可能引起反应产率的显著改变，为合成反应的条件优化提出了重要挑战。

在该文中，作者采用主动学习框架对电化学Pd催化环化反应的条件（图1a）进行优化。该智能建模策略的核心在于，将传统的贪心优化策略中融入了正交实验设计作为约束，从而提升条件空间取样的多样性，并根据优化进度逐级放宽正交约束，从而平衡对于采样多样性和采样目标提升的双重需求。在该策略中，以少量符合正交约束的实验作为初始数据集，结合机器学习建模的产率预测和基于化学维度的正交性约束，通过主动学习指导下一轮实验设计，并将实验结果反馈于机器学习模型，不断更新迭代，直至产率符合优化目标为止（图1b）。