从“小分子”迈向“大分子”

在上一篇文章《AI+分子模拟：国工智能推出催化剂智能设计平台》中，我们通过复现顶刊Chem 中一篇文献中的案例，展示了我们一体化平台在小分子不对称催化反应中的卓越表现。本期我们将聚焦在工业界更关注的聚合反应上，我们将验证《国工智能催化剂智能设计平台》在聚烯烃领域等复杂体系下的通用性。我们选定的场景是：《美国化学会志》上的重磅研究（J. Am. Chem. Soc. 2025, 147, 45914-45923）关于IDPi催化乙烯基醚立体选择性阳离子聚合。该工作代表了当前“物理有机化学+机器学习”在合成高结晶度、可降解全同立构聚合物领域的最高水平。针对聚合反应中“催化剂+单体”协同设计及微观结构调控的难点，在平台中进行完整实现，充分验证了《国工智能催化剂智能设计平台》解决复杂化工催化问题的潜力。

图1.IDPi催化剂促进乙烯基醚类立体选择性阳离子聚合。

一、挑战升级：为何选择这个案例？

该案例具有鲜明的测试价值，主要体现在以下两点。维度的扩展：从单纯预测“催化剂结构”扩展为预测“催化剂+单体”的双重变量空间；机理的深度：原作者基于深厚的物理有机化学功底，人工筛选了一系列极具物理意义的描述符，这为我们测试“平台自动化特征工程能否达到或超越专家直觉”提供了绝佳的“试金石”。本次测试的核心预测指标锚定在立构规整度（tacticity）。

技术背景补充：为何立构规整度至关重要？立构规整度是衡量高分子链中手性中心排列有序程度的关键指标。它直接决定了聚合物的结晶度、熔点以及最终的机械性能（如拉伸强度、硬度）。例如，在高同立构聚丙烯生产中，催化剂对立构规整度的控制能力，直接决定了产物是高价值的工程塑料，还是低价值的无定形橡胶。因此，精准预测立构规整度是高性能聚烯烃催化剂研发的“圣杯”。虽然原论文尝试同时预测分散性指数（PDI）与数均分子量（Mn），但因这两项指标受反应动力学、传质及杂质等随机因素影响巨大，原作者的预测效果并不理想。本着严谨求实的态度，且限于原始数据中PDI与Mn样本的不完整性，我们此次测试集中攻克立构规整度这一核心难题。

二、平台实战：该测试案例依旧选择基于低精度的GFN2-xTB计算方法，预测模型根据预测效果自动化选择。全自动化的复现流程我们沿用了平台标准化的“三步走”策略，但针对聚合体系进行了适配，以下为各步骤具体内容：

第一步：采集42个催化反应的反应参数数据以及催化性能数据，如下图2所示；

图2. 催化剂的反应参数数据以及催化性能数据

第二步：采集42个催化反应的催化剂分子骨架，以及对应的单体骨架，如下图3、图4所示；

图3. 催化剂分子骨架结构采集

图4.单体分子骨架结构采集

第三步：针对性地对上述步骤分子骨架的取代基进行采集，如下图5所示。

图5. 催化反应过程骨架取代基采集

完成以上三步即完成了催化反应输入信息的采集，接下来经过自动化计算后，即可完成预测模型的构建，如下图6所示是最终训练的预测模型。通过筛选可以得到最终立构规整度（tacticity）的预测模型。

图6.最终推荐立构规整度（tacticity）预测模型

三、结果与洞察

在构建预测模型的过程中，我们的平台自动遍历了多种机器学习算法。我们在构建模型时调用了描述符计算模块，对催化过程涉及到关键的描述符进行了广泛而精确的计算。经过严苛的交叉验证，随机森林（Random Forest） 凭借在小样本数据下最佳的稳健性与泛化能力，从众多模型中脱颖而出。最终，平台推荐了一个极具化学洞察力的双参数模型（如图6所示）：它精准锁定了一个 “催化剂中心磷（P）原子所连氧的电子结构描述符”，并将其与一个“单体几何描述符”进行了核心关联。这一结果揭示了立构规整度控制的深层逻辑：它并非由单一因素主导，而是 “催化剂电子环境”与“单体空间形态”深度耦合的结果。为了验证这一“协同效应”的必要性，我们还进行了一组有趣的对照实验：当我们强行要求模型仅使用催化剂描述符时，预测性能显著下降，Spearman相关系数跌至 0.8 以下，说明光看催化剂是不够的；而当我们试图仅使用单体描述符建模时，平台甚至无法构建出任何统计学上有效的模型。这组对比强烈地暗示：在聚合反应中，单体是被动的“底物”，而催化剂结构的精细调控才是开启高立构规整度大门的“金钥匙”。

四、总结

从不对称催化的Chem论文，到聚合反应的JACS论文，两次复现充分证明了我们的一体化催化剂智能设计平台具备以下核心竞争力：无论是小分子还是大分子，无论是均相催化还是聚合催化，一套逻辑，全场景适配，具备极强的通用性。用户无需具备深厚的物理有机化学背景，只需输入结构，平台即可自动完成从机理探索到性能预测的全过程。超越经验的洞察力：不仅能复现专家的发现，还能挖掘出被人类经验忽略的潜在关键因素（如被忽略的电子效应），为催化剂的理性设计提供新的维度。这不仅是一个计算工具，更是化工研发人员手中的“数字专家”，让复杂的催化剂设计从“炼金术”变为精确的工程科学。