分子和{attr}3107{/attr}表面之间复杂的相互作用导致理解和预测多相催化中的活性和选择性非常困难。基于此，复旦大学刘智攀教授（通讯作者）等人报道了一个用于多相催化系统的活性预测的端到端（end-to-end）的人工智能框架（AI-Cat方法），该框架从分子和金属催化剂的名称中获取简单的输入，并将输入分子的反应能量分布输出到低能量通路产品。

AI-Cat方法结合了两种神经网络模型，一种用于预测反应模式，另一种用于提供反应势垒和能量，通过Monte Carlo树搜索来解决反应网络中的低能量路径。然后，作者应用AI-Cat解决了Cu表面上甘油氢解的反应网络，这是一种典型的选择性C-O键活化系统，对生物质衍生多元醇的利用具有关键意义。作者表明甘油氢解具有相关候选物的巨大反应网络，包含420个反应中间体和2467个基本反应。

其中，表面介导的烯醇-酮互变异构共振是促进初级C-OH键断裂的关键步骤，因此选择1, 2-丙二醇作为Cu催化剂的主要产物。1, 3-丙二醇只有在强酸性条件和高表面H覆盖率下才能通过氢化-脱水途径生产。AI-Cat进一步发现了金属上C-O键活化的六种低能反应模式，这对多元醇催化具有普遍意义。该结果表明复杂多相催化的反应预测现在可以通过基于AI的原子模拟和Monte Carlo树搜索来实现。

Artificial Intelligence Pathway Search to Resolve Catalytic Glycerol Hydrogenolysis Selectivity. Chem. Sci., 2022, DOI: 10.1039/D2SC02107B.

https://doi.org/10.1039/D2SC02107B.