إن نمذجة المعادلات الحركية ضرورية لفهم آليات التفاعلات الكيميائية، ولكنها مهمة معقدة ومستهلكة للوقت. يتم صياغة تنبؤ المعادلات الحركية كمشكلة رياضية رمزية ديناميكية (DSR) تخضع لقيود الكيمياء الفيزيائية. يحمل التعلم العميق (DL) إمكانات التقاط أنماط التفاعل وتنبؤ المعادلات الحركية من بيانات الأنواع الكيميائية، مما يتجنب بشكل فعال التحيز التجريبي ويحسن الكفاءة مقارنة بالطرق التقليدية التحليلية. رغم وجود العديد من الدراسات التي تركز على DSR وتقديم نماذج Transformers لتنبؤ المعادلات التفاضلية العادية، فإن هذه النماذج تعاني من نقص في قدراتها على التعميم عبر فئات مختلفة من التفاعلات. في هذه الدراسة، نقترح KinFormer، وهو نموذج قابل للتعميم لتنبؤ المعادلات الحركية. يستخدم KinFormer Transformer مشروطًا لنمذجة DSR تحت قيود فيزيائية وكيميائية، ويستخدم بحث الشجرة مونتي كارلو لتطبيق النموذج على أنواع جديدة من التفاعلات. أظهرت النتائج التجريبية على 20 نوعًا من التفاعلات العضوية أن KinFormer ليس فقط يتفوق على القواعد الأساسية التقليدية، بل يتجاوز أيضًا القواعد الأساسية المستندة إلى Transformers في تقييمات خارج المجال، مما يثبت قدرته على التعميم.