催化剂的开发历来依赖实验试错的过程，需要大量的实验时间和资源投入。然而，借助机器学习技术，催化剂的筛选与优化变得更为高效。机器学习能够处理复杂、多维的数据，通过预测与模拟大量不同催化剂组合的性能，快速识别具有潜力的候选物。这种方法在材料科学、催化研究等领域正快速崛起。传统机器学习优化筛选催化剂一般经过数据收集与预处理、特征选择与提取、模型选择与训练、模型验证与测试、催化剂性能预测与筛选等五大步骤。 Zahrtetal.(2019)提出了一种由计算机驱动的机器学习工作流程，用于预测高选择性催化剂，并认为机器学习方法将为化学家提供一种从经验引导到数学引导的全新选择和优化催化剂的范式。 Maleyetal.(2020)针对105个Cr(P,N)催化剂，计算了催化剂分子结构的14个描述符，使用密度泛函理论方法计算了催化乙烯齐聚反应生成1-己烯与1-辛烯的过渡态能量差，建立了随机森林回归模型来预测乙烯齐聚反应生成特定产物的效率和选择性，并指导该反应催化剂的设计和优化。 Chandanaetal.(2023)等人开发一种ML框架，用于根据结构组成操作参数建模和预测CO2 直接转化为低碳烯烃C2 –C4 的催化剂活性。其中包括16个输入参数和催化剂活性作为输出参数。开发了八种ML模型，包括线性模型、树型模型、基于核的模型和人工神经网络(ANN)模型，并将这些模型用于预测催化剂活性。 但是，对于大多数用于催化剂开发的机器学习(ML)模型都是对于某一单一产物进行设计的，并不能适应类似草酸二甲酯(DMO)选择性加氢等工艺的多目标催化剂的设计，此外，传统的ML模型多是通过目标产物的收率进行回归预测，通过催化剂特征和反应条件参数对多目标产物进行预测分类的问题就很难实现。