Detailseite
Projekt
Überwindung der Grenzen der Fernfunktionalisierung durch maschinelles Lernen zur Identifizierung von Katalysatoren
Antragstellerin
Professorin Dr. Franziska Schoenebeck
Fachliche Zuordnung
Organische Molekülchemie - Synthese, Charakterisierung
Förderung
Förderung seit 2025
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 561335463
Die Fernfunktionalisierung ist eine wichtige Strategie in der homogenen Katalyse und Synthese, die die Funktionalisierung eines Moleküls an einer Stelle ermöglicht, die von seiner ursprünglichen Aktivierung entfernt ist. Obwohl bedeutende Fortschritte erzielt wurden, gibt es noch einige Herausforderungen in Bezug auf Selektivität und Allgemeinheit der verwendeten Katalysatoren und der Transformationen. In diesem Zusammenhang haben wir die hohe Geschwindigkeit eines Pd(I)-Dimer-Katalysators bei der Fernfunktionalisierung gezeigt. Während die meisten Katalysatoren Reaktionszeiten von mindestens 12 h und oft hohe Temperaturen benötigen, schaffte der zweikernige Pd(I)-Katalysator dies in 10 min bei Raumtemperatur. Die derzeitige Einschränkung dieser Methode besteht darin, dass ein ortho-fluoriertes Substrat erforderlich ist, ohne das die Selektivität der Fernkupplung gegenüber der konkurrierenden direkten Kupplung an der Initiationsstelle nicht erreicht werden kann. Wir schlagen daher vor, maschinelles Lernen (ML) zu verwenden, um in einer großen Datenbank geeignete Liganden zu identifizieren, die nicht nur in der Lage sind, Pd(I)-Dimere zu bilden (was eine schnelle Reaktion ermöglicht), sondern auch selektiv und generell das Produkt der Fernfunktionalisierung bilden. Diese Suche nach allgemeinen und selektiven Katalysatoren für die Fernfunktionalisierung wollen wir wie folgt durchführen: In der ersten Phase werden wir auf unseren früheren Arbeiten aufbauen und eine sequenzielle Clusterstrategie auf eine größere Ligandendatenbank anwenden. Dabei werden alle Liganden zunächst nach allgemeinen Merkmalen gruppiert, gefolgt von einem zweiten Clustering auf der Grundlage von DFT-basierten, speziationsorientierten Merkmalen. Letzteres dient zur weiteren Unterscheidung der Liganden im Hinblick auf ihre Fähigkeit, Pd(I)-Dimere zu bilden. In der zweiten Phase wird dann eine kleine Anzahl von DFT-berechneten Selektivitäten für einen halbüberwachten Selbstlernansatz verwendet, um die verbleibenden Liganden iterativ zu kategorisieren, indem das Modell mit den vertrauensvollsten Vorhersagen neu trainiert wird. In der dritten Phase werden die identifizierten selektiven und Pd(I)-Dimer-bildenden Liganden experimentell überprüft. Die Liganden und ihre entsprechenden Pd(I)-Dimere werden synthetisiert und anschließend auf ihre Reaktivität in der Negishi-Fernkreuzkupplung getestet. In der letzten Phase werden wir die gewonnenen Erkenntnisse auf die verwandten Ni(I)-Dimere anwenden. Durch eine Wirkungsanalyse der Merkmale in den verschiedenen ML-Stufen wollen wir die beiden Metalle im Hinblick auf ihre Ligandenanforderungen und deren Auswirkungen auf Speziation und Selektivität direkt vergleichen. Letztendlich wollen wir ein tieferes Verständnis für die Unterschiede und Gemeinsamkeiten der untersuchten Pd(I)- und Ni(I)-Komplexe erlangen, die wir für die künftige Katalysatorentwicklung und Weiterentwicklung der homogenen Katalyse und Synthese als essenziell erachten.
DFG-Verfahren
Schwerpunktprogramme
