“實驗優化器”，輸入所希望優化的實驗（工藝）參數空間，如溫度、壓力、溶劑配比等，以及希望優化的性能，如收率、反應時間等，經過少量的實驗迭代，可以快速找到最佳性能所對應的實驗（工藝）參數。注意，“實驗優化器”在使用過程中，需要與實驗配合使用。

當給定一條工藝路線之后，所需要調試的工藝參數往往需要大量實驗來尋找最佳的參數組合。

在非均相催化體系中，催化劑以固相或負載在固相上存在，而催化劑結構、載體結構對催化性能都有著影響。在“非均相催化性能預測器”的基礎上，后面連接“非均相催化結構生成器”，可以根據所希望的催化性能，輸出所對應的催化劑結構、或載體結構。

當知道電池微觀尺度的分子結構等信息與所展現的性能之間關系之后，可以提出所期望的性能，反推所對應的微觀結構。還是以電解液添加劑為例，在“電池材料性能預測器”的基礎上，后面接入“電池材料分子（結構）生成器”，可以輸入所期望的電解液性能，輸出為對應的添加劑信息（分子結構、添加量等）。

合成路線推薦器由Corey在20世紀60年代提出，用來描述通過斷鍵將一個復雜的目標分子還原為簡單前體或可購買化合物的迭代過程。傳統的逆合成方法基于專家經驗和大量文獻查詢，時間長，成本高。該逆合成平臺，基于先進人工智能算法，可以短時間內生成合理的目標化合物合成路線。

- 產生新想法：找到新化合物的合成途徑或者舊化合物的新的合成路徑。
- 節省時間：減少開發合成路徑的時間和精力。
- 降低研發成本：提高合成成功率。
- 增強知識：學習數據庫以及專家經驗。

反應預測器能夠從微觀尺度上基于量子化學方法快速計算如氣相、溶液、體相等多種復雜環境反應體系的一系列反應過程，給出完整的反應路徑信息。由此能夠清晰地找出過渡態從而推斷反應決速步，并給出各種可能出現的產物和副產物以及對應的產率分布。借助反應預測器，能夠在降低實驗成本的同時提高研發效率，完善更加全面的反應信息，幫助理解化工體系中的各種微觀反應機理。在實際的化工生產中對提高生產效率，降低生產成本來說具有重要意義。
 

給出完整的反應路徑、清晰找出決速步、給出可能出現的副產物、給出產率分布

在傳統分子發現流程中，全新可繞開專利限制的分子發現任務往往需要大量專家通過對與文獻中分子相近的極其有限的化學空間進行猜測和嘗試來進行，這大大增加了分子發現流程的周期和成本，也限制了分子的多樣性，對此，分子生成模型通過給定分子的各種約束來逆向生成分子而為分子發現提供了一種新的解決方案。

• 不受限于小數據集：國工自研的分子生成模型完全脫離了文獻小數據集的桎梏，可以只通過人為指定的規則（無需指定數據集）生成大量高多樣性的滿足規則的分子。
• 精確生成滿足規則的分子：國工自研的分子生成模型可以根據指定的規則（比如結合能力在某一個特定的區間中甚至為一個特定的值）極其精確的生成滿足規則且多樣性極強的分子，以供實驗端滿足后期嘗試的需要。
• 高效利用后期化學實驗迭代數據：國工自研的分子生成模型可以通過直接提取反饋數據中蘊含的規則的形式高效利用珍貴的實驗數據而大大節約后期實驗成本。
• 可以大量生成在現有公開數據集中完全不存在且滿足特定規則的高多樣性分子：國工自研的分子生成模型基于獨特的化學空間探索技術，完全不受規則難度的影響，可以在公開數據集中完全無法找到符合規則的分子的場景中（這類場景中傳統基于規則的分子生成算法幾乎完全無法運行）正常運行并產生大量高多樣性的目標分子。

首先，計算催化劑的結構描述符和電子描述符。結構描述符包括埋藏體積、特定鍵長和鍵角、分子體積以及表面積等。電子結構描述符則包括福井函數、電子密度和軌道能量等指標。為了滿足計算精度和速度的需求，采用不同級別的結構優化方法，如力場、半經驗和密度泛函理論（DFT）。

接下來，建立描述符和催化劑性質之間的機器學習模型。選擇適當的特征和機器學習模型的超參數，并在必要時考慮實驗條件與描述符的關聯。然后，利用機器學習模型篩選出符合要求的新分子。這種將機器學習與計算化學相結合的方法極大地縮小了實驗篩選的范圍，從而加快了分子發現的進程。