人们发展了光催化技术能够解决有机合成领域面临的挑战和困难，但是目前对光催化反应进行优化需要大量尝试实验进行筛选合适的底物和优化反应条件，这不仅需要耗费大量时间，而且对于工业化而言非常昂贵。

有鉴于此，南京大学丁梦宁教授、黎书华教授、王国强教授等报道通过电化学进行数据获取，并且根据电化学数据使用机器学习和光催化合成，得到一系列氧化还原性质有关的电化学描述符，从而能够用于研究机理和催化性质。这种电化学描述符将光照射导致电荷转移进行定量化，从而构筑反应活性的相图，通过图像的高产率区域的变化能够说明反应体系的微弱变化情况。

本文要点

(1)

在光催化脱氧反应中，通过改变羧酸、烯烃、反应条件，能够将这些变化对于反应产物的影响实现可视化。通过电化学描述符的数学分析，能够将不同反应物和不同反应条件对于反应的机理/催化反应动力学的影响。当使用机器学习模型算法，实验结果得到的电化学描述符能够揭示通过改变反应参数影响反应的氧化还原动力学。

(2)

因此，这个方法能够降低复杂体系的参数。总之，通过这种电化学描述符能够高效率的对化学反应性进行定量，说明原位实验能够促进通过研究数据理解化学反应。

参考电竞投注官网

Luhan Dai, Yulong Fu, Mengran Wei, Fangyuan Wang, Bailin Tian, Guoqiang Wang*, Shuhua Li*, and Mengning Ding*, Harnessing Electro-Descriptors for Mechanistic and Machine Learning Analysis of Photocatalytic Organic Reactions, J. Am. Chem. Soc. 2024

DOI: 10.1021/jacs.4c03085

https://pubs.acs.org/doi/10.1021/jacs.4c03085