基于几何先验的反应路径可迁移学习

确定最小能量路径(Minimum Energy Path, MEP)对于理解化学反应机理至关重要，但仍面临计算上的挑战。我们引入 MEPIN，这是一种可扩展的机器学习方法，用于高效预测从反应物和生成物配置到中性态几何路径的方法，无需依赖转换态几何或在训练期间预先优化反应路径。该任务被定义为预测反应坐标上几何插值偏离的程度。我们采用基于对称性破坏等变神经网络的连续反应路径模型来实现这一目标，该模型生成灵活数量的中间结构。模型通过能量基准目标进行训练，通过将几何先验（如初始插值或预训练目标）纳入地理球面插值来提高效率。我们的做法在 diverse 化学反应中均得到泛化，并在各种小分子反应和[3+2]环加成反应上实现对参考固有反应坐标的精确对齐。该方法使我们能够以高效、数据驱动的方式探索大规模化学反应空间，预测反应路径。