Das Modellieren kinetischer Gleichungen ist für das Verständnis der Mechanismen chemischer Reaktionen von entscheidender Bedeutung, stellt jedoch eine komplexe und zeitaufwendige Aufgabe dar. Die Vorhersage kinetischer Gleichungen wird als ein Problem der dynamischen symbolischen Regression (DSR) unter Berücksichtigung physikalisch-chemischer Einschränkungen formuliert. Tiefes Lernen (DL) bietet das Potenzial, Reaktionsmuster zu erfassen und aus Daten chemischer Spezies kinetische Gleichungen vorherzusagen, wodurch empirische Verzerrungen effektiv vermieden und die Effizienz im Vergleich zu traditionellen analytischen Methoden verbessert werden kann. Trotz zahlreicher Studien, die sich auf DSR konzentrieren, und der Einführung von Transformers zur Vorhersage gewöhnlicher Differentialgleichungen, fehlen den entsprechenden Modellen Generalisierungsfähigkeiten über verschiedene Kategorien von Reaktionen hinweg. In dieser Studie schlagen wir KinFormer vor, ein generalisierbares Modell zur Vorhersage kinetischer Gleichungen. KinFormer nutzt einen bedingten Transformer, um DSR unter physikalischen Einschränkungen zu modellieren, und verwendet Monte-Carlo-Baumsuche, um das Modell auf neue Arten von Reaktionen anzuwenden. Experimentelle Ergebnisse an 20 Arten organischer Reaktionen zeigen, dass KinFormer nicht nur klassische Baseline-Methoden übertrifft, sondern auch in außerdomänen Bewertungen Transformer-Baselines übertreffen kann, was seine Generalisierungsfähigkeit beweist.