最新消息

在化學反應設計與機制推演中，質量守恆與電子守恆 是最基礎、最不可動搖的定律。傳統的機器學習反應預測模型，雖然在產物「猜測」上表現亮眼，但常常違反守恆規律，產生所謂 “hallucination errors” 幻覺錯誤 ——例如生成不可能存在的反應物或產物，導致難以被化學家信任。

MIT Coley 教授團隊的突破

最新發表於 Nature 的研究，提出了 FlowER (Electron Flow Matching for Generative Reaction Mechanism Prediction)，為反應預測引入全新范式：

不再把化學反應視為「輸入-輸出」的黑箱映射，而是嚴格建模為 電子流動的匹配問題。

核心技術

鍵-電子矩陣 (Bond-Electron Matrix, BE Matrix)

• 以矩陣形式表示分子中每一鍵結與電子分佈。

• 模型學習的過程中自動保證 質量守恆與電子守恆，避免了不合理的產物預測。

Flow Matching Framework

• 基於最優傳輸理論（Optimal Transport）與動態模擬。

• 不同於傳統自回歸（逐步生成反應步驟）的方式，FlowER 在「反應空間」中生成一條平滑軌跡，捕捉鍵形成與斷裂過程中電子的連續重分布。

生成機制而非僅僅產物

• 模型不只預測最終產物，還能輸出完整的電子流動序列。

• 這意味著 AI 預測具備 化學機制可解釋性，能幫助科研人員理解「為什麼」會發生某個反應，而非單純給出結果。

技術優勢

• 物理一致性：嵌入質量守恆與電子守恆，避免「幻覺錯誤」。

• 泛化能力：能處理訓練數據外的新型反應類別與分子骨架。

• 數據效率高：BE 矩陣結構使模型對小數據更友好，降低實驗數據收集成本。

• 可拓展性強：與量子化學計算、反應動力學/熱力學模型無縫整合，可用於能量分析與速率預測。

• 跨領域價值：藥物發現、材料設計、合成路徑規劃、催化劑研發等領域皆可應用。

科學與產業意義

這項成果代表 AI 與經典化學理論的真正融合：

• 傳統統計學派的「黑箱式」AI → FlowER 帶來「物理一致、可解釋」的新標準。

• 從單純「結果預測」 → 進入「機制生成」的新層次。

• 化學家不再只是使用 AI 來「猜反應」，而是能與模型共同「推理反應」。

FlowER 預示著下一代反應預測工具將不僅是輔助，而是 可信的科研夥伴。在合成設計、藥物研發、材料工程等場景中，它將加速研究人員對反應路徑的構思與驗證，並讓 AI 更接近人類數百年來建立的化學直覺。

 

參考來源：

Electron flow matching for generative reaction mechanism prediction

Connor W. Coley 等人, Nature, 2025