Bei der Wahl der Daten für Maschinelles Lernen (ML) gibt es Fallstricke, die dafür sorgen, dass lediglich populäre und nicht besonders effiziente Synthesebedingungen gewählt werden. Dies zeigen nun die Arbeitsgruppen um Burke und Grzybowski. Sie demonstrieren dies an einer Heteroaryl-Suzuki-Miyaura-Kupplung, für die ein Datensatz von 10 000 detaillierten Synthesebedingungen aus der Reaxys-Datenbank generiert wurde. Den Untersuchungen zufolge waren weder einfache noch komplexe ML-Algorithmen in der Lage, bessere Synthesebedingungen bezüglich des Lösungsmittels und der verwendeten Base vorzuschlagen als eine simple Statistik über die am häufigs...