“实验优化器”，输入所希望优化的实验（工艺）参数空间，如温度、压力、溶剂配比等，以及希望优化的性能，如收率、反应时间等，经过少量的实验迭代，可以快速找到最佳性能所对应的实验（工艺）参数。注意，“实验优化器”在使用过程中，需要与实验配合使用。

当给定一条工艺路线之后，所需要调试的工艺参数往往需要大量实验来寻找最佳的参数组合。

在非均相催化体系中，催化剂以固相或负载在固相上存在，而催化剂结构、载体结构对催化性能都有着影响。在“非均相催化性能预测器”的基础上，后面连接“非均相催化结构生成器”，可以根据所希望的催化性能，输出所对应的催化剂结构、或载体结构。

当知道电池微观尺度的分子结构等信息与所展现的性能之间关系之后，可以提出所期望的性能，反推所对应的微观结构。还是以电解液添加剂为例，在“电池材料性能预测器”的基础上，后面接入“电池材料分子（结构）生成器”，可以输入所期望的电解液性能，输出为对应的添加剂信息（分子结构、添加量等）。

合成路线推荐器由Corey在20世纪60年代提出，用来描述通过断键将一个复杂的目标分子还原为简单前体或可购买化合物的迭代过程。传统的逆合成方法基于专家经验和大量文献查询，时间长，成本高。该逆合成平台，基于先进人工智能算法，可以短时间内生成合理的目标化合物合成路线。

- 产生新想法：找到新化合物的合成途径或者旧化合物的新的合成路径。
- 节省时间：减少开发合成路径的时间和精力。
- 降低研发成本：提高合成成功率。
- 增强知识：学习数据库以及专家经验。

反应预测器能够从微观尺度上基于量子化学方法快速计算如气相、溶液、体相等多种复杂环境反应体系的一系列反应过程，给出完整的反应路径信息。由此能够清晰地找出过渡态从而推断反应决速步，并给出各种可能出现的产物和副产物以及对应的产率分布。借助反应预测器，能够在降低实验成本的同时提高研发效率，完善更加全面的反应信息，帮助理解化工体系中的各种微观反应机理。在实际的化工生产中对提高生产效率，降低生产成本来说具有重要意义。
 

给出完整的反应路径、清晰找出决速步、给出可能出现的副产物、给出产率分布

在传统分子发现流程中，全新可绕开专利限制的分子发现任务往往需要大量专家通过对与文献中分子相近的极其有限的化学空间进行猜测和尝试来进行，这大大增加了分子发现流程的周期和成本，也限制了分子的多样性，对此，分子生成模型通过给定分子的各种约束来逆向生成分子而为分子发现提供了一种新的解决方案。

• 不受限于小数据集：国工自研的分子生成模型完全脱离了文献小数据集的桎梏，可以只通过人为指定的规则（无需指定数据集）生成大量高多样性的满足规则的分子。
• 精确生成满足规则的分子：国工自研的分子生成模型可以根据指定的规则（比如结合能力在某一个特定的区间中甚至为一个特定的值）极其精确的生成满足规则且多样性极强的分子，以供实验端满足后期尝试的需要。
• 高效利用后期化学实验迭代数据：国工自研的分子生成模型可以通过直接提取反馈数据中蕴含的规则的形式高效利用珍贵的实验数据而大大节约后期实验成本。
• 可以大量生成在现有公开数据集中完全不存在且满足特定规则的高多样性分子：国工自研的分子生成模型基于独特的化学空间探索技术，完全不受规则难度的影响，可以在公开数据集中完全无法找到符合规则的分子的场景中（这类场景中传统基于规则的分子生成算法几乎完全无法运行）正常运行并产生大量高多样性的目标分子。

首先，计算催化剂的结构描述符和电子描述符。结构描述符包括埋藏体积、特定键长和键角、分子体积以及表面积等。电子结构描述符则包括福井函数、电子密度和轨道能量等指标。为了满足计算精度和速度的需求，采用不同级别的结构优化方法，如力场、半经验和密度泛函理论（DFT）。

接下来，建立描述符和催化剂性质之间的机器学习模型。选择适当的特征和机器学习模型的超参数，并在必要时考虑实验条件与描述符的关联。然后，利用机器学习模型筛选出符合要求的新分子。这种将机器学习与计算化学相结合的方法极大地缩小了实验筛选的范围，从而加快了分子发现的进程。