机器学习与化学动力学模型的协同：综述与方法论展望

《Digital Discovery》：How to harness machine learning to make chemical kinetic models more predictiveOpen Access

　　机器学习（ML）正在改变化学家生成具有理想特性的分子、规划合成路线、预测反应结果的方式，并使系统能够在无需持续人工监督的情况下执行实验。构建和训练底层模型推动了在自动化实验以及性质和条件预测方面的并行投资。在本综述中，我们关注液相反应的化学动力学模型，其中逆问题——将候选机理的参数拟合到稀疏、含噪声的时间分辨数据中——通常是必需的，即使速率常数的第一性原理预测也在不断进步。我们综述了机器学习和相关模型如何被用于指导、增强、替代以及与动力学模型结合。动力学模型本身作为化学理论与实验之间的灵活中介。贯穿该综述的是一种方法论论证：除了新的架构外，从机器学习借鉴的实践——超参数优化、交叉验证以及严格的预测验证——可以改进动力学模型的构建、选择和报告方式，并将发挥关键作用以提高预测能力。? 2026 作者。由皇家化学学会出版本文根据《知识共享署名4.0 国际许可协议》授权许可。您可以在其他出版物中使用本文材料而无需向RSC请求进一步许可，前提是给予正确署名。