En synthèse organique, de nombreux paramètres moléculaires et macroscopiques peuvent
influencer l’issue de réactions chimiques. Il est alors difficile de corréler les rendements
obtenus aux conditions réactionnelles. Ce projet vise à développer des modèles d’apprentissage automatique interprétables pour prédire et améliorer l’efficacité des réactions d’oxydation d’hétérocycles pauvres en électrons, véritable défi en chimie organique. L’enjeu principal sera de représenter et de valoriser au mieux les variables associées à la complexité d’un système réactionnel réel (nature chimique du substrat, température, temps de réaction, etc.) pour alimenter des algorithmes d’apprentissage automatique et en extraire des règles claires, l’objectif final étant de fournir aux chimistes des outils prédictifs pour rationaliser et développer ces transformations.