利用神经网络势能预测 intramolecular 环化反应路径的选择性

反应机理搜索工具已显示出提供洞察likely products 和 rate-limiting步骤的能力。然而，涉及多种协同键变化的反应——如自然产物合成中常见的许多关键步骤——会 complicate the search process。为缓解这些困难，我们提出了特别适用于帮助 expeditiously exploration 这样一类复杂反应（环化反应）的机理搜索策略。我们提供一种成本效益高的 strategy for identifying relevant elementary reaction steps by combining graph-based enumeration schemes and machine learning techniques for intermediate filtering。该方法的关键在于使用神经网络势能（NNP）AIMNet2-rxn 对每个候选反应路径进行计算评估。在本文中，我们评估了 NNP 估计活化能的能力，展示其正确 anticipation of stereoselectivity，并概述 complex enabling steps in natural product synthesis。