课题组聚焦于将前沿的机器学习方法与催化科学深度融合，旨在推动均相与多相催化体系的理性设计与机制解析。研究内容主要包括以下三个方面：

机器学习算法开发

1.面向催化体系复杂性与数据稀疏性的问题，开展针对化学空间的专用机器学习算法研发。重点包括：

2.构建通用、高精度机器学习势函数；

3.开发通用扩散生成模型；

4.开发催化材料数据库；

均相催化体系研究

1.利用先进的计算化学与数据驱动方法研究均相催化反应的结构-性能关系与反应机制，主要包括：

2.基于机器学习模型探索化学反应路径；

3.开展针对关键均相催化反应（烯烃聚合、烯烃氢甲酰化）的高通量筛选与配体设计；

4.发展基于Transformer架构的逆合成分析算法

多相催化体系研究

1.利用先进的计算化学与数据驱动方法研究，揭示复杂多相界面上的催化规律，开发高效催化体系，主要包括：

2.基于机器学习势函数的大规模原子模拟，探索催化活性位点与催化性能的关系；

3.针对重要的工业催化反应（烷烃高值化利用）开展催化剂设计和实验验证；

4.建立分子筛材料数据库；

5.开展均相与多相催化的比较研究；