基于电子流匹配的生成式反应机理预测（遵循守恒定律）
机器学习
2025-02-19 v1
摘要
Understanding chemical reactivity 的核心是质量守恒原理，这一原则对于确保物理一致性、平衡方程式以及指导反应设计至关重要。然而，数据驱动的计算模型（如反应产物预测）很少遵循这一最基本的约束。在本工作中，我们将反应预测问题重新表述为电子重新分配的问题，使用现代深度生成框架 flow matching。我们的模型 FlowER 克服了先前方法的局限性，通过强制执行精确的质量守恒，从而解决了幻觉性失效模式，恢复了对未见底物骨架的机理反应序列，并能有效地针对极少数据的外域反应类别进行推广。FlowER 还能够估计热力学或动力学可行性，并在反应预测任务中展现出一定的化学直觉。这个具有内在可解释性的框架标志着在数据驱动的反应结果预测中，在预测准确性和机理理解之间搭建桥梁的重要一步。
引用
@article{arxiv.2502.12979,
title = {Electron flow matching for generative reaction mechanism prediction obeying conservation laws},
author = {Joonyoung F. Joung and Mun Hong Fong and Nicholas Casetti and Jordan P. Liles and Ne S. Dassanayake and Connor W. Coley},
journal= {arXiv preprint arXiv:2502.12979},
year = {2025}
}