Stufenweises diversitätsbeschränktes maschinelles Lernen für die Optimierung hochdimensionaler Reaktionsbedingungen

ZUSAMMENFASSUNG Das Optimieren von Reaktionsbedingungen in hochdimensionalen chemischen Räumen bleibt eine zentrale Herausforderung in der modernen Synthese. In diesem Zusammenhang haben wir ein stufenweises, diversitätsbeschränktes Framework basierend auf maschinellem Lernen entwickelt und evaluiert, welches Exploration und Ausnutzung während der Optimierung der Reaktionsbedingungen ausbalanciert. In jeder Stufe fördert eine Diversitätsbeschränkung innerhalb eines Batches eine breite chemische Abdeckung, während diese Beschränkung schrittweise gelockert wird, um vielversprechende Teilräume zu fokussieren. Eine systematische Auswertung über umfangreiche Datensätze palladiumkatalysierter C─C‐ und C─N‐Kupplungen zeigte, dass die Anzahl der Stufen – und nicht der Anteil der Exploration – der entscheidende Faktor für die Optimierungseffizienz war. Ein Vergleich mit der Bayes'schen Optimierungsmethode veranschaulichte einen dimensionsabhängigen Leistungstrend. Hier erwies sich die stufenweise, diversitätsbeschränkte Strategie als vorteilhafter in höherdimensionalen Reaktionsräumen, während die Bayes‘sche Optimierung in niedriger‐dimensionalen Umgebungen bessere Ergebnisse lieferte. Darüber hinaus haben wir ein nutzerfreundliches Softwaretool entwickelt, welches das hier vorgestellte Framework für experimentelle Chemiker leicht zugänglich macht. Unsere Strategie wurde zudem für eine herausfordernde Ruthenium‐katalysierte meta ‐C─H‐Funktionalisierung mit 11.880 möglichen Bedingungen angewendet, wobei lediglich 44 Experimente benötigt wurden, um das optimale Setup zu identifizieren (91% Ausbeute). Diese Arbeit bietet ein validiertes und praktisches Framework zur beschleunigten Optimierung hochdimensionaler Reaktionsbedingungen und schlägt eine Brücke zwischen datengetriebener Modellierung und experimenteller Synthese.