尽管历经数十年发展，科学家们还是既不清楚，也难以预测化学反应的结果在由反应条件定义的多维“超空间”中如何变化。自动化平台能够并行生成数千个反应，但人类化学家只能探索这些流形中的有限子集。然纯化和产率量化仍是瓶颈，受到耗时且资源密集的分析技术的限制。因此，反应超空间的理解仍然非常零散。产率分布是平滑的还是起伏的？它们是否隐藏了机制上的新反应？主要产物在不同区域是否存在差异？
韩国基础科学研究院Bartosz A. Grzybowski、Yanqiu Jiang开发了一种低成本、高通量的机器人平台，结合紫外-可见光谱（UV-Vis）和算法驱动的光谱解混技术，实现了对化学反应在多维条件空间（如浓度、温度、催化剂组成等）中的产率分布和反应网络进行系统映射。该平台避免了传统耗时昂贵的分析手段（如NMR或LC-MS），首次在数千种条件下快速量化产物和副产物产率，并数学证明了产率分布通常具有平滑性（即变化缓慢），同时发现了意外反应区域、产物切换现象以及隐藏的中间体。通过应用于经典反应（如E1、SN1、Ugi型反应、Hantzsch合成等），研究不仅重建了复杂的反应网络，还揭示了新产物和反应路径，甚至在一个多世纪以来已被广泛研究的反应中发现了未知组分，为反应优化、网络控制和多样性合成提供了可扩展的框架。研究成果以Robot-assisted mapping of chemical reaction hyperspaces and networks为题发表于Nature。
核心创新点
1.高通量、低成本的机器人化反应超空间映射平台：论文核心是开发了一套自建的、相对低成本（约2.5万美元）的自动化机器人系统。该平台的核心创新在于能够以每天近千个反应的速度，在由浓度、温度、催化剂组成等多维参数定义的“超空间”中自动执行反应，并快速采集数据。
2.以光学检测为核心的高效产率定量方法：论文创新性地主要依赖快速、廉价（每个样品几美分）的紫外-可见（UV-Vis）光谱，而非传统昂贵且耗时的分析技术（如NMR、LC-MS）。通过开发先进的光谱解混算法，即使产物的光谱特征重叠严重，也能从复杂的混合光谱中定量解析出多种产物和副产物的浓度，从而实现对反应结果的低成本、高通量分析。
3.数学上证明产率分布具有“平滑性”：通过对大量连续变量（如浓度、温度）构成的超空间进行扫描，论文首次从数学上证明并得出结论：对于许多反应而言，单个产物的产率分布在超空间中是“缓慢变化”的（即斜率 |D_j| ≤ 1）。这一理论发现意味着无需进行极其密集的条件采样也能忠实反映超空间结构，大大减少了全面探索反应空间所需的实验数量。
4.系统发现并验证超空间中的“异常”现象：该方法的强大之处在于能够系统性地发现那些在有限条件下容易被忽略的化学现象。这包括：
5.意外反应性：在特定狭窄条件区域内发现并鉴定了一种前所未有的碳阳离子二聚体，即使在存在淬灭亲核试剂的常温条件下。
6.产物切换：在经典的Hantzsch反应中，通过调节底物浓度，能够清晰地将反应网络的主导产物在不同化合物（如Hantzsch酯和Petrenko-Kritschenko产物）之间进行切换，证明了复杂混合物可以被引导生成不同主要产物。
7.“闭环”策略实现近乎完整的反应网络重建：论文提出了一种迭代式的“闭环”工作流程：通过机器人筛选发现未知光谱信号 -> 指导HPLC分离纯化新组分 -> 将新组分的标准光谱加入解混算法 -> 重新拟合整个超空间数据。通过多次循环，成功地将一个研究了近150年的Hantzsch反应的已知产物数量翻倍，近乎完整地重建了其复杂的反应网络。
8.将超空间映射拓展至组成空间（催化剂优化）：将超空间的概念从反应条件（浓度、温度）拓展至催化剂的本征组成维度。通过机器人自动化合成了756种不同金属组成的普鲁士蓝类似物（PBA）催化剂，并绘制了其催化苯乙烯环氧化反应的产率和选择性五维超空间图，发现了性能优于文献报道的新催化剂组成，展示了该方法在材料发现和优化中的潜力。
9.提供了系统的数据集和开源工具：论文不仅提出了方法，还提供了超过9000个反应条件的原始数据集、完整的机器人平台蓝图、光谱解混算法代码以及专门用于可视化和分析超空间的软件（HyperspaceViewer）。这为化学AI的基准测试和该研究范式的推广提供了宝贵的资源。
图1：自动化反应平台与光学产率测定
图2：E1和SN1反应的反应空间中的产率分布
图3：SN1 结构异常结果
图4：Ugi型四组分反应的实验与模型化超空间。
图5：hantzsch反应网络的可切换“超空间”
图6：催化剂五维空间。
