近年来，光催化反应因其高效率、绿色、可持续性以及广泛的应用范围，已成为合成化学研究领域的一个热点。然而，光催化反应过程复杂，涉及到底物、光催化剂、溶剂、介质、添加剂、电极材料及光照条件等众多参数间的精细相互作用，反应参数空间庞大。因此，基于经典量子化学计算获取单一物种相关结构参数（描述符）的通用方法，在训练高效机器学习模型、准确预测反应性能上面临严峻挑战，尤其是在构建针对该类反应的非平衡（小样本）数据集机器学习模型时。挑战的核心在于，基于量子化学计算得到的反应描述符在全面、真实地捕捉所有反应条件下的微小变化以及反应物种间错综复杂的微观相互作用方面存在局限。 近日，南京大学化学化工学院丁梦宁课题组和黎书华、王国强课题组合作，针对光催化羧酸与烯烃的脱羟基耦联反应进行了深入探讨。该团队通过对于反应体系的循环伏安特性及其光响应测量，提取出“电化学描述符”，用以反映光催化体系中的关键氧化还原动力学信息。研究发现，这些描述符不仅能够捕捉整个反应系统的复杂性，还能有效地减少数据集的维度，从而提高机器学习模型在评估反应性的可靠性与稳健性。该成果发表于Journal of the American Chemical Society。化学化工学院2021级博士生戴路晗为论文的第一作者。 研究团队在先前电有机、电催化反应相关研究工作（Angew. Chem. Int. Ed.2021, 60, 4199–4207, Angew. Chem. Int. Ed.2021, 60, 16448–16456）基础上，提出了一种针对光催化反应的新型电化学实验描述符方法。首先，通过循环伏安法（CV）对反应体系进行电化学分析，获得了一系列电化学描述符，这些描述符包括Q+、Q-、j+、j-、E+、E-和ΔQ等与反应中电荷转移密切关联的物理量，然后通过高产率点在描述符热点图上的分布确定这些描述符的有效性。研究团队在实验中选取了多种不同类型底物（如羧酸和烯烃）及多种反应条件组合，通过循环伏安法快速获得了每个反应体系的电化学描述符。该策略具有数据获取效率高的优势，并且所获得的描述符能够直接反映反应体系的实际动力学特性。
