基于潜在流匹配驱动反应轨迹

近期反应预测技术已在标准基准（如 USPTO）上接近饱和精度，但大多数最先进模型将任务表述为从反应物到产物的单次映射，难以洞察反应过程的底层机制。 procedur 式方法虽引入了分步生成，却常依赖于机制特定的监督、离散符号编辑，或计算密集的推理。本文提出 LatentRxnFlow，一种新的反应预测范式，将反应建模为以热力学产物状态为锚点的连续潜在轨迹。基于条件流匹配（Conditional Flow Matching），该方法直接从标准的反应物-产物对中学习时间依赖的潜在动态，无需机制注释或精心挑选的中间标签。虽然 LatentRxnFlow 在 USPTO 基准上实现了最先进的性能，但更重要的是，连续形式暴露了完整的生成轨迹，使能够进行轨迹级别的诊断，这类诊断在离散或一次性模型中难以实现。我们表明，潜在轨迹分析允许我们局部化和刻画失效模式，并通过门控推理（gated inference）减轻某些错误。此外，所学习轨迹的几何性质提供了一种内在的认识不确定性信号，帮助优先考虑可靠可预测的反应结果，并标记具有歧义性的情形以便额外验证。总体而言，LatentRxnFlow 在预测精度、透明度、可诊断性和不确定性感知方面实现了显著提升，使反应预测更接近可信赖的高通量发现工作流程。