當(dāng)化學(xué)家在設(shè)計新型化學(xué)反應(yīng)時，他們需要掌握一個至關(guān)重要的信息，即反應(yīng)的過渡態(tài)。過渡態(tài)是反應(yīng)過程中的關(guān)鍵節(jié)點，一旦反應(yīng)達到這一點，就不可逆轉(zhuǎn)。
準確理解過渡態(tài)，有助于化學(xué)家創(chuàng)造適宜的反應(yīng)條件，從而推動期望反應(yīng)的發(fā)生。然而，目前預(yù)測過渡態(tài)和反應(yīng)路徑的方法往往非常復(fù)雜，需要需要消耗大量算力資源。
在一項新的研究中，一個研究團隊最近開發(fā)出一種機器學(xué)習(xí)模型，能夠在不到一秒鐘的時間內(nèi)高精度預(yù)測過渡態(tài)。這一突破有望幫助化學(xué)家更高效地設(shè)計化學(xué)反應(yīng)，進而合成各類有用的化合物，如藥物和燃料。
推測過渡態(tài)
過渡態(tài)是理解化學(xué)反應(yīng)動力學(xué)和機制的核心，是一種存在于飛秒（10?1?秒）尺度上的瞬態(tài)結(jié)構(gòu)。任何化學(xué)反應(yīng)在發(fā)生前，都必須跨越一個能量閾值，達到過渡態(tài)。由于持續(xù)時間極短，過渡態(tài)的特性或結(jié)構(gòu)幾乎無法通過實驗直接觀測。為此，科學(xué)家通常結(jié)合量子化學(xué)計算與算法來推斷過渡態(tài)。
然而，這種方法計算量巨大。對于一個合理規(guī)模的反應(yīng)，通常需要優(yōu)化數(shù)千個過渡態(tài)候選結(jié)構(gòu)，累積的量子化學(xué)計算次數(shù)可達數(shù)百萬次，僅為獲取單一過渡態(tài)的結(jié)構(gòu)。這與計算化學(xué)的初衷背道而馳：原本旨在通過計算幫助設(shè)計更可持續(xù)的反應(yīng)流程，但尋找過渡態(tài)本身卻消耗了大量能源和計算資源。
近年來，機器學(xué)習(xí)在加速過渡態(tài)預(yù)測方面展現(xiàn)出巨大潛力。2023年，研究團隊就提出了一種基于機器學(xué)習(xí)的過渡態(tài)預(yù)測策略。這一方法較傳統(tǒng)量子化學(xué)方法顯著提速，但整體過程仍不夠高效，因為它需要生成約40種不同結(jié)構(gòu)，并通過一個“置信模型”篩選出最有可能的過渡態(tài)。
問題的關(guān)鍵在于，這一舊模型以隨機猜測為起點，導(dǎo)致初始結(jié)構(gòu)往往與真實過渡態(tài)相去甚遠，從而需要大量重復(fù)計算才能逐步收斂。
更高效的預(yù)測
在最新研究中，研究人員提出的React-OT模型則采用了截然不同的策略。React-OT模型不再隨機”瞎猜“過渡態(tài)，而是聰明地利用反應(yīng)物和生成物的中間位置作為出發(fā)點，從而更快、更準確地預(yù)測過渡態(tài)。
憑借這一改進，React-OT模型大幅減少了所需步驟和計算時間。在實驗中，它僅需約5次迭代、約0.4秒即可完成過渡態(tài)預(yù)測，而且預(yù)測準確率比先前的方法提高了約25%。更重要的是，新模型不再需要額外的置信度模型來篩選結(jié)果。
在訓(xùn)練React-OT時，研究人員使用了與之前模型相同的數(shù)據(jù)集，它包含了9000種反應(yīng)物、產(chǎn)物和過渡態(tài)的結(jié)構(gòu)，這些結(jié)構(gòu)都是通過量子化學(xué)方法計算得到的，主要涉及小分子的有機或無機反應(yīng)。
經(jīng)過訓(xùn)練后，React-OT不僅在同一數(shù)據(jù)集中被刻意留出的、訓(xùn)練時未見的其他反應(yīng)上表現(xiàn)出色，還能泛化到完全不同類型的反應(yīng)上，即使這些反應(yīng)類型在訓(xùn)練過程中從未出現(xiàn)過。
此外，它還能準確預(yù)測那些涉及更大分子的反應(yīng)，即使這些大分子帶有一些不直接參與反應(yīng)的“側(cè)鏈”，也不影響模型判斷。這一點非常重要。比如在聚合反應(yīng)中，通常參與反應(yīng)的是大分子的一小部分。能夠在不同系統(tǒng)規(guī)模間保持良好預(yù)測性能，意味著這個模型可以應(yīng)對各種各樣的化學(xué)反應(yīng)。
廣泛適用的化學(xué)體系
這樣的結(jié)果表明，React-OT可作為一個真正實用的工具，直接被集成到現(xiàn)有的高通量計算篩選流程中，進而快速生成過渡態(tài)結(jié)構(gòu)。它顯著加速了搜索與優(yōu)化過程，不僅能更快得出結(jié)論，還能在高性能計算中節(jié)省大量能源。
此外，為了方便其他科學(xué)家應(yīng)用這一新方法，研究團隊還開發(fā)了一個用戶友好的應(yīng)用程序。只要輸入反應(yīng)物和生成物結(jié)構(gòu)，模型就能生成對應(yīng)的過渡態(tài)，從而幫助估算反應(yīng)的能量勢壘，評估反應(yīng)發(fā)生的可能性。
目前，研究團隊正在擴展模型能力，以便它能處理包含硫、磷、氯、硅和鋰等元素的分子間反應(yīng)。研究人員表示，他們的最終目標是能夠設(shè)計出將豐富自然資源轉(zhuǎn)化為所需分子（如材料或藥物）的過程。
#參考來源：
https://news.mit.edu/2025/new-model-predicts-chemical-reactions-no-return-point-0423
https://www.nature.com/articles/s42256-025-01010-0
#圖片來源：
封面圖&首圖：vackground / Pixabay
熱門跟貼