MétaCan
Menu
Retour à la cohorte
Enregistrement W4229794859 · doi:10.26434/chemrxiv-2021-lrbts-v2

Probing the Impact of Solvent on Lewis Acid Catalysis via Fluorescent Lewis Adducts

2021· preprint· en· W4229794859 sur OpenAlexafffund
Amy Laturski, Jordan N. Bentley, Joshua R. Gaffen, Christopher B. Caputo, Thomas Baumgartner

Notice bibliographique

RevueChemRxiv · 2021
Typepreprint
Langueen
DomaineEngineering
ThématiquePerovskite Materials and Applications
Établissements canadiensYork University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanada Research ChairsCanada Foundation for InnovationYork University
Mots-clésLewis acids and basesChemistrySolventSolvationAdductHydrosilylationReactivity (psychology)TitrationCatalysisFluorescenceCycloadditionOrganic chemistryComputational chemistryPhotochemistry

Résumé

récupéré en direct d'OpenAlex

Over the years, various multiparameter methods have been developed to measure the strength of a Lewis acid. However, a major challenge for these measurements lies in the complexity that arises from variables such as solvent and other fundamental interactions, as well as perturbations of Lewis acids as their reaction environment changes. Herein, we evaluate the impact of solvent effects on the Fluorescent Lewis Adduct (FLA) method using a series of representative Lewis acids. The solution-state nature of the FLA method in particular, offers the ability to correlate Lewis Acid Units (LAUs) obtained from the FLA measurement with chemical reactivity. The binding of a Lewis acid in various solvents reveals a measurable dichotomy between both polarity and donor ability of the solvent. While not strictly separable, we observe that, as solvent polarity increases observed LAUs increase; however, as solvent donor ability increases, the observed LAUs decrease. This dichotomy was confirmed by titration data and catalytic Diels-Alder cycloaddition and hydrosilylation reactions, illustrating that solvation effects can be appropriately gauged by LAU values determined from the FLA method.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,035
Score d'incertitude au seuil0,997

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,017
Tête enseignante GPT0,245
Écart entre enseignants0,228 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueChemRxivMême sujetPerovskite Materials and ApplicationsTravaux en français237 207