新一代生成式AI颠覆化学反应预测，加速新分子发现

麻省理工学院（MIT）研究团队提出一种基于生成式人工智能的新方法，显著提升了化学反应结果预测的准确性和物理合理性。该成果于8月20日在《自然》杂志发表，由前博士后研究员Joonyoung Joung（现韩国国民大学助理教授）、前软件工程师Mun Hong Fong（现杜克大学研究员）、化学工程博士生Nicholas Casetti、博士后Jordan Liles、物理本科生Ne Dassanayake，以及资深作者Connor Coley教授共同完成。 传统AI模型在预测化学反应时往往仅关注反应物与产物，忽视了反应过程中的质量守恒和电子守恒等基本物理规律，导致生成结果可能“凭空产生”或“消失”原子，如同“炼金术”。为解决这一问题，研究团队引入了1970年代化学家Ivar Ugi提出的键-电子矩阵方法，构建了名为FlowER（Flow matching for Electron Redistribution）的新模型。该模型通过矩阵精确追踪反应中所有电子的分布，确保原子和电子数量在反应前后严格守恒。 FlowER利用非零值表示化学键或孤对电子，零值表示缺失，从而实现对反应全过程的物理约束建模。这一设计是实现质量与电子守恒的关键。尽管目前模型仍处于概念验证阶段，训练数据来自美国专利局的超百万条反应记录，但尚未涵盖金属和催化反应等复杂体系，存在局限性。 研究团队表示，尽管如此，FlowER在预测标准反应路径方面表现优异，甚至优于现有方法，且具备泛化至未见反应类型的能力。该模型已开源，通过GitHub平台免费提供，包含团队构建的首个大规模、系统性记录已知反应机理的数据集，推动了开放科学的发展。 研究者指出，该方法的独特之处在于其机制推断基于实验验证的专利数据，而非凭空假设。未来，团队计划扩展模型对金属和催化循环的理解，进一步提升其在药物研发、新材料发现、燃烧、大气化学和电化学等领域的应用潜力。 研究负责人Coley强调，这虽是迈向精准反应机制理解的重要一步，但距离实现全新复杂反应的自主发现仍有距离。该工作得到了机器学习在药物发现与合成联盟及美国国家科学基金会的支持。