基于机器学习的化学反应提交者：视网膜异构化

视网膜异构化中C$_{13}$=C$_{14}$双键周围的热力学顺式-逆式异构化是一类典型的高活化能反应，其机制依赖于细微的平面外弯曲运动。我们应用人工智能分子机制发现（AIMMD）方法，对真空中的N-视网膜酰胺酶（N-retinylidene-lysine）进行建模，通过无偏分子动力学轨迹（由双向射击生成）学习提交者。对提交者的logit进行参数化，而非提交者本身，可使神经网络在整个转换区域内解析反应坐标，而不仅限于$isocommittor$面$p_B(\mathbf{x}) = 0.5$。Holdback输入随机化识别出围绕反应键的四个正确二面角作为信息坐标，而C$_{13}$和C$_{14}$处的不规范二面角因反应物、过渡态和生成态具有相同值，故不适用。随后，符号回归将网络蒸馏为紧凑解析表达式，表明必须对这四个二面角进行非线性耦合，才能复现转换路径集合中看到的S型阶梯式路径。这种S型结构在最小自由能路径中不存在：它源于约0.13 ps的短暂转换事件的非平衡动力学，以及重原子与氢原子承载二面角之间的质量不对称性。一种可解释的机器学习提交者因此揭示了自由能表面难以捕捉的动力学特征。该工作流程无需对反应坐标作任何先验假设，天然可推广至其他异构化及更广泛的化学反应。