光子与电子
用光和电构筑化学键
- 光/镍协同催化
- 电合成
- AC-PEC
- 不对称催化
传统的交叉偶联反应通常需要高温和结构复杂的配体，我们换一条路：用光和电来驱动反应。可见光光催化剂、电极或两者协同，介导镍催化所需的电子转移和能量转移，使镍在室温下就能构筑 C – C 键或 C – 杂原子键，条件温和到可以在合成后期直接修饰复杂分子。选择性也可以主动设计：光催化剂的三线态能量或镍上的配体决定多取代烯烃生成 E 式还是 Z 式，电极组合决定烯炔转化为哪一种产物。
最新引入的调控维度是时间。在交流电光电催化（AC-PEC）中，波形本身就是一个反应参数：周期性的极性反转让金属催化剂在电极和溶液之间往复循环，避免沉积失活；频率、占空比和静默时间则为自由基的产生和镍催化循环划分出各自的时间窗口。这一策略现在已经用于不对称偶联，要控制的不再只是生成哪一根键，还有生成哪一个对映异构体。
机理与描述符
从第一性原理
理解反应机理
- DFT
- 催化循环
- 选择性起源
- 计算描述符
反应做出来只是一半，弄清它为什么能发生是另一半。我们开发的反应，计算也在组内完成；做计算和做实验的是同一批人。借助 DFT 和波函数分析，我们描绘完整的催化循环，弄清配体和添加剂的作用，把化学选择性、区域选择性和立体选择性追溯到电子结构层面；当关键中间体寿命太短、实验无法捕捉时，计算的作用就更加突出。
方向一中那些条件温和的偶联反应，原理正是由此得到解释：无论用光还是用电，把镍中心单电子氧化以后，室温下原本极难发生的 C – 杂原子还原消除就变得容易；激发态的钯中心对卤代烷的氧化加成甚至没有能垒。
机理研究不能只解释，还要能预测：计算提出的中间体要在实验中验证，计算预测的反应要真正去做。一条算清楚的催化循环还会留下一组数字，也就是分子的电子和位阻描述符，它们把分子变成模型可以读取的形式。这些描述符正是第三个方向的输入。
AI for Science
一个会自我进化的实验室
- 一期已建成
- 自主实验室
- 干湿闭环
- physical RSI
在我们看来，AI for Science 意味着让模型在真实实验中不断进步。有机合成的瓶颈，在于能设计出来的分子和真正做得出来的分子之间还有很大差距。我们正在建设的自主实验室，就是一个干湿闭环。湿实验一侧，机器人合成工站和分析工站并行运行，结果以结构化数据回传；干实验一侧，模型以方向二得到的描述符为基础，综合这些实验结果，通过贝叶斯优化和主动学习，选出最能修正当前判断的下一个实验。这个实验随后在实验台上完成，闭环就此形成；自主实验室和按清单执行任务的机器人，区别就在这一步。
只从文献里学习的模型，错了可以一直错下去；而如果模型提出的方案在物理世界中实际执行并测量，每一轮结果都会先用来重新训练模型，再由它提出下一个方案。这就是我们所说的与物理世界交互中的递归自进化（physical RSI）。研究者仍然承担机器做不了的那部分：决定哪些问题值得放进这个闭环。
