机器学习助力高通量筛选：高效分子光催化 CO2还原体系的新突破

在寻找高效分子光催化体系时，传统试错法耗时久，高通量虚拟筛选又缺乏可靠描述符。研究人员开展基于描述符的高通量筛选研究，预测出 6 个有前景的候选体系，最优体系周转数达 4390，为相关领域发展提供新方向。

　　分子金属配合物为开发人工光催化体系带来了契机。然而，寻找高效的分子光催化体系，需要考量大量光敏剂 - 催化剂组合，传统的试错方法极为耗时。由于缺乏可靠的描述符，高通量虚拟筛选此前也难以实现。

此次研究运用包含光敏化、电子转移和催化步骤的多种描述符，通过机器学习加速的高通量筛选方案，对分子光催化 CO₂还原体系进行研究。该方案快速筛选了 3444 个分子光催化体系，涵盖了 180000 个光敏剂和催化剂相互作用时的构象，成功预测出 6 个极具潜力的候选体系。

随后，研究人员对筛选出的光催化体系进行了实验验证，其中表现最优的体系周转数（Turnover Number）达到了 4390。时间分辨光谱和第一性原理计算进一步证实，在特定筛选范围内描述符具有相关性，并且揭示了偶极耦合在触发动态催化反应过程中的重要作用。