Jindou Chen Jidong Tian Liang Wu ChenXinWei Xiaokang Yang Yaohui Jin Yanyan Xu

摘要

建立动力学方程对于理解化学反应机制至关重要，但这一任务既复杂又耗时。动力学方程预测被表述为一个受物理化学约束的动力符号回归（DSR）问题。深度学习（DL）有望从化学物质的数据中捕捉反应模式并预测动力学方程，有效避免经验偏差，并相比传统分析方法提高效率。尽管已有大量研究关注DSR，并引入了Transformer来预测常微分方程，但这些模型在不同类型的反应中缺乏泛化能力。在本研究中，我们提出了一种可泛化的动力学方程预测模型——KinFormer。KinFormer利用条件Transformer在物理约束下建模DSR，并采用蒙特卡洛树搜索算法将该模型应用于新型反应。实验结果表明，在20种有机反应类型上，KinFormer不仅优于经典基线模型，而且在域外评估中也超过了Transformer基线模型，从而证明了其泛化能力。