“實驗優(yōu)化器”，輸入所希望優(yōu)化的實驗（工藝）參數(shù)空間，如溫度、壓力、溶劑配比等，以及希望優(yōu)化的性能，如收率、反應時間等，經(jīng)過少量的實驗迭代，可以快速找到最佳性能所對應的實驗（工藝）參數(shù)。注意，“實驗優(yōu)化器”在使用過程中，需要與實驗配合使用。

當給定一條工藝路線之后，所需要調(diào)試的工藝參數(shù)往往需要大量實驗來尋找最佳的參數(shù)組合。

在非均相催化體系中，催化劑以固相或負載在固相上存在，而催化劑結(jié)構(gòu)、載體結(jié)構(gòu)對催化性能都有著影響。在“非均相催化性能預測器”的基礎上，后面連接“非均相催化結(jié)構(gòu)生成器”，可以根據(jù)所希望的催化性能，輸出所對應的催化劑結(jié)構(gòu)、或載體結(jié)構(gòu)。

當知道電池微觀尺度的分子結(jié)構(gòu)等信息與所展現(xiàn)的性能之間關(guān)系之后，可以提出所期望的性能，反推所對應的微觀結(jié)構(gòu)。還是以電解液添加劑為例，在“電池材料性能預測器”的基礎上，后面接入“電池材料分子（結(jié)構(gòu)）生成器”，可以輸入所期望的電解液性能，輸出為對應的添加劑信息（分子結(jié)構(gòu)、添加量等）。

合成路線推薦器由Corey在20世紀60年代提出，用來描述通過斷鍵將一個復雜的目標分子還原為簡單前體或可購買化合物的迭代過程。傳統(tǒng)的逆合成方法基于專家經(jīng)驗和大量文獻查詢，時間長，成本高。該逆合成平臺，基于先進人工智能算法，可以短時間內(nèi)生成合理的目標化合物合成路線。

- 產(chǎn)生新想法：找到新化合物的合成途徑或者舊化合物的新的合成路徑。
- 節(jié)省時間：減少開發(fā)合成路徑的時間和精力。
- 降低研發(fā)成本：提高合成成功率。
- 增強知識：學習數(shù)據(jù)庫以及專家經(jīng)驗。

反應預測器能夠從微觀尺度上基于量子化學方法快速計算如氣相、溶液、體相等多種復雜環(huán)境反應體系的一系列反應過程，給出完整的反應路徑信息。由此能夠清晰地找出過渡態(tài)從而推斷反應決速步，并給出各種可能出現(xiàn)的產(chǎn)物和副產(chǎn)物以及對應的產(chǎn)率分布。借助反應預測器，能夠在降低實驗成本的同時提高研發(fā)效率，完善更加全面的反應信息，幫助理解化工體系中的各種微觀反應機理。在實際的化工生產(chǎn)中對提高生產(chǎn)效率，降低生產(chǎn)成本來說具有重要意義。
 

給出完整的反應路徑、清晰找出決速步、給出可能出現(xiàn)的副產(chǎn)物、給出產(chǎn)率分布

在傳統(tǒng)分子發(fā)現(xiàn)流程中，全新可繞開專利限制的分子發(fā)現(xiàn)任務往往需要大量專家通過對與文獻中分子相近的極其有限的化學空間進行猜測和嘗試來進行，這大大增加了分子發(fā)現(xiàn)流程的周期和成本，也限制了分子的多樣性，對此，分子生成模型通過給定分子的各種約束來逆向生成分子而為分子發(fā)現(xiàn)提供了一種新的解決方案。

• 不受限于小數(shù)據(jù)集：國工自研的分子生成模型完全脫離了文獻小數(shù)據(jù)集的桎梏，可以只通過人為指定的規(guī)則（無需指定數(shù)據(jù)集）生成大量高多樣性的滿足規(guī)則的分子。
• 精確生成滿足規(guī)則的分子：國工自研的分子生成模型可以根據(jù)指定的規(guī)則（比如結(jié)合能力在某一個特定的區(qū)間中甚至為一個特定的值）極其精確的生成滿足規(guī)則且多樣性極強的分子，以供實驗端滿足后期嘗試的需要。
• 高效利用后期化學實驗迭代數(shù)據(jù)：國工自研的分子生成模型可以通過直接提取反饋數(shù)據(jù)中蘊含的規(guī)則的形式高效利用珍貴的實驗數(shù)據(jù)而大大節(jié)約后期實驗成本。
• 可以大量生成在現(xiàn)有公開數(shù)據(jù)集中完全不存在且滿足特定規(guī)則的高多樣性分子：國工自研的分子生成模型基于獨特的化學空間探索技術(shù)，完全不受規(guī)則難度的影響，可以在公開數(shù)據(jù)集中完全無法找到符合規(guī)則的分子的場景中（這類場景中傳統(tǒng)基于規(guī)則的分子生成算法幾乎完全無法運行）正常運行并產(chǎn)生大量高多樣性的目標分子。

首先，計算催化劑的結(jié)構(gòu)描述符和電子描述符。結(jié)構(gòu)描述符包括埋藏體積、特定鍵長和鍵角、分子體積以及表面積等。電子結(jié)構(gòu)描述符則包括福井函數(shù)、電子密度和軌道能量等指標。為了滿足計算精度和速度的需求，采用不同級別的結(jié)構(gòu)優(yōu)化方法，如力場、半經(jīng)驗和密度泛函理論（DFT）。

接下來，建立描述符和催化劑性質(zhì)之間的機器學習模型。選擇適當?shù)奶卣骱蜋C器學習模型的超參數(shù)，并在必要時考慮實驗條件與描述符的關(guān)聯(lián)。然后，利用機器學習模型篩選出符合要求的新分子。這種將機器學習與計算化學相結(jié)合的方法極大地縮小了實驗篩選的范圍，從而加快了分子發(fā)現(xiàn)的進程。