模拟与实验相结合：机器学习助力预测金纳米簇结构演化
芬兰于韦斯屈莱大学研究团队借助机器学习势函数开展超长时间尺度分子动力学模拟，揭示硫醇保护金纳米簇在高温下的分层变形与融合过程，为纳米材料设计与催化应用研究提供新线索。
东京科学研究所开发铁催化非对称1,6加成：脂肪族格氏试剂高选择性构建C–C键
研究团队以铁催化剂结合手性N-杂环卡宾配体，实现脂肪族格氏试剂对α,β,γ,δ-不饱和羰基化合物的非对称1,6加成，报告最高92%产率与99%对映体过量，并抑制β-氢消除等副反应。
芬兰于韦斯屈莱大学研究团队借助机器学习势函数开展超长时间尺度分子动力学模拟，揭示硫醇保护金纳米簇在高温下的分层变形与融合过程，为纳米材料设计与催化应用研究提供新线索。
研究团队以铁催化剂结合手性N-杂环卡宾配体，实现脂肪族格氏试剂对α,β,γ,δ-不饱和羰基化合物的非对称1,6加成，报告最高92%产率与99%对映体过量，并抑制β-氢消除等副反应。
