张良顺

（华东理工大学材料科学与工程学院，上海市先进聚合物材料重点实验室，上海 200237）

化学反应预测及合成路线设计是有机材料制备的关键步骤之一，然而，高精确度、高效率地预测有机化合物及其逆合成分析仍是极具挑战性的问题，如功能基团的保护、化合物组成片段的遴选等。当前，化学反应预测与合成路线设计的方法可以归纳为3 类：基于规则的专家系统、量子力学模拟以及基于机器学习的系统。基于规则的专家系统可以快速、准确地预测相关性质[1]，但该系统也存在一些局限，如需要熟悉化学知识的专家、数据难以成倍扩增、难以预报多步新的化学反应等。基于第一性原理的量子力学模拟可以得到精确的预测结果[2]，但是该方法的结果与模型、计算参数等紧密相关；此外，该方法计算量巨大，不易于化学反应和逆合成的高通量预测。作为一种新兴的方法，机器学习可以快速地、并发地预测有机小分子的物理化学性质[3-5]，包括化学反应、自由能、能垒等。但也存在着诸多亟待解决的问题，例如数据集不够大和完备、数据偏倚、模型仍缺乏物理基础、获得的结果还不能深入地被阐释等。

针对有机小分子的化学合成，本文综述了机器学习方法在这一领域的进展，包括化学反应数据的收集、化学反应的预测与合成路线的设计等。对于高度复杂的树脂分子，本文论述了基于机器学习合成路线亟待解决的问题。

1 化学反应数据的收集

目前，化学反应数据主要从科学文献、网页和专利中收集[6]。……