摘要：在化学科学领域，质量守恒定律是理解反应性不可动摇的基石。它主导着化学计量的基本原理，指导化学方程式的配平，并塑造新反应的设计。尽管具有核心地位，但当代旨在预测化学反应结果的数据驱动计算模型却经常忽视这一基本定律。这一缺陷具有深远影响，限制了算法预测在化学领域的
在化学科学领域，质量守恒定律是理解反应性不可动摇的基石。它主导着化学计量的基本原理，指导化学方程式的配平，并塑造新反应的设计。尽管具有核心地位，但当代旨在预测化学反应结果的数据驱动计算模型却经常忽视这一基本定律。这一缺陷具有深远影响，限制了算法预测在化学领域的物理可靠性与可解释性。然而最近的研究突破通过电子重分布视角重新构建反应预测框架，实现了范式转变，预示着机制精确且物理一致性建模新时代的来临。
传统化学机器学习方法通常侧重于从给定反应物预测反应产物，将问题很大程度上视为映射任务。虽然这些方法取得了显著的预测成果，但其固有缺陷是无法保证质量守恒或电子守恒。这类违规会导致不合逻辑的结果——被称为"幻觉性错误"——即预测结果出现违背守恒定律的不可能发生的化学转化。预测化学与物理定律之间的脱节，凸显了数据驱动方法与核心化学原理融合的根本性挑战，阻碍了在实际化学合成规划中的信任与广泛采用。
麻省理工学院Connor W. Coley教授团队通过将反应预测概念化为严格深度生成框架内的电子流匹配问题，成功克服了这些挑战。他们开发的FlowER方法的核心在于通过键-电子矩阵（BE矩阵）表示分子及其转化，这种方法固有地强制执行质量和电子的精确守恒。这种物理约束直接嵌入模型架构，与先前将化学反应视为纯粹统计模式的黑箱方法截然不同。相关论文以“Electron flow matching for generative reaction mechanism prediction”为题，发表在
Nature上。FlowER采用名为流匹配的尖端框架，这是一种源自最优传输理论和动态模拟的生成技术，重新定义了反应机制的学习与采样方式。与按顺序逐个预测化学修饰（往往导致误差累积）的自回归模型不同，流匹配将预测视为化学空间中的平滑轨迹，从而产生全局一致的反应机制。这种方法与化学键形成与断裂过程中电子重分布的连续特性完美契合，以高保真度捕捉化学反应性的微妙之处。
FlowER最引人注目的优势之一，是其对训练时未见过的反应类别和底物支架具有卓越的泛化能力。面对域外预测时，传统模型往往表现不佳，这在广阔多样的有机反应领域中是一个重大局限。FlowER内置的化学先验知识使其能够有效推断初始数据集之外的机制见解，彰显了该模型内化化学直觉的能力——这一特质迄今鲜在AI模型中见到。
此外，FlowER的预测不仅限于产物识别，还能重建合理的电子流机制序列，提供可解释的反应路径， 连接了预测准确性与机制理解之间的鸿沟。这一特性使化学家不仅能预判反应结果，还能深入理解底层的电子重组事件，让人工智能驱动的预测更接近指导化学发现数个世纪的经典机制推理。
该模型还展现出显著的数据效率。通过BE矩阵整合严格物理定律，FlowER降低了对大型反应数据集的依赖——这对于小众反应类型而言往往成本高昂或难以获取。通过对特定反应家族的微调实验证明，FlowER以远超竞争方法的样本效率实现了更优的准确性和机制保真度，这标志着可持续计算化学的重大进展。
该框架的另一重要贡献在于其下游整合热力学与动力学考量的能力。由于机制预测明确符合电子运动和键合变化，其为耦合量子化学计算和反应路径优化奠定了基础。这种多维度整合为评估反应可能性、可行性及速率提供了实用路径——这些参数对实验规划和催化剂设计至关重要。
除了量化进步，FlowER更代表了化学理论与深度学习融合的概念飞跃。先前模型通常采用启发式或统计偏差来指导预测，但很少本质性地嵌入严格物理约束。通过在表示层面强制实施质量与电子守恒，Joung团队为化学可信AI设立了新标准，引导该领域朝着既尊重自然不可侵犯定律又发挥数据威力的模型发展。
这项工作的影响遍及化学与化学工程的多个方面。自动化反应预测是药物发现、材料科学和合成路线规划的基石。借助FlowER，研究人员能够以对预测物理真实性的空前信心，加速反应路径的构思与验证。机器学习与机制化学之间的这座桥梁，培育了一个计算工具增强人类创造力的协同未来，这一切都由可信赖且可解释的模型指引。
FlowER的成功也提醒人们持续关注跨学科合作的必要性。物理化学、机器学习与应用数学的交叉融合，彰显了这些领域结合所能实现的丰富成果。通过同时借鉴最优传输理论和机制化学，该模型展示了整合多元视角如何催生原本难以实现的突破。
总而言之，FlowER的发展预示着将基础化学定律嵌入数据驱动反应预测的新途径，解决了长期困扰AI可靠性的质量与电子守恒缺陷。其精确、可解释且物理一致的预测能力，指明了计算建模的新方向，令人确信下一代AI能够真正理解并预测支撑所有化学转化的电子精密舞蹈。
当计算化学家寻求不仅能预测更能解释的模型时，FlowER作为标志性成果屹立于此——它以数学严谨且化学意义深远的方式拥抱化学反应性的复杂性，象征着AI模型正朝着不仅是工具更是化学发现合作伙伴的方向迈进，共同致力于揭示、预测并最终驾驭化学反应的转化力量。
声明：仅代表作者个人观点，作者水平有限，如有不科学之处，请在下方留言指正！
来源：科学之力