KinFormer: カタリスト有機反応動力学の一般化可能な動的記号回帰

動力学方程式のモデリングは、化学反応のメカニズムを理解する上で不可欠であるが、複雑で時間のかかる作業でもあります。動力学方程式の予測は、物理化学的な制約のもとでの動的シンボリック回帰（DSR）問題として定式化されます。深層学習（DL）は、反応パターンを捉え、化学種のデータから動力学方程式を予測する可能性を持ち、経験的なバイアスを回避し、従来の解析手法に比べて効率を向上させることが期待されています。しかし、DSRに関する多くの研究や常微分方程式の予測にTransformersが導入されたにもかかわらず、これらのモデルは多様な反応カテゴリー間での汎化能力に欠けています。本研究では、汎化可能な動力学方程式予測モデルであるKinFormerを提案します。KinFormerは条件付きTransformerを使用して物理的制約下でのDSRをモデル化し、モンテカルロ木探索法を利用して新しいタイプの反応への適用を行います。20種類の有機反応に対する実験結果は、KinFormerが古典的な基準モデルだけでなく、域外評価においてもTransformer基準モデルを上回ることを示しており、その汎化能力が証明されています。