當化學家在設計新型化學反應時，他們需要掌握一個至關重要的信息，即反應的過渡態。過渡態是反應過程中的關鍵節點，一旦反應達到這一點，就不可逆轉。

準確理解過渡態，有助于化學家創造適宜的反應條件，從而推動期望反應的發生。然而，目前預測過渡態和反應路徑的方法往往非常復雜，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出一種機器學習模型，能夠在不到一秒鐘的時間內高精度預測過渡態。這一突破有望幫助化學家更高效地設計化學反應，進而合成各類有用的化合物，如藥物和燃料。

推測過渡態

過渡態是理解化學反應動力學和機制的核心，是一種存在于飛秒（10?1?秒）尺度上的瞬態結構。任何化學反應在發生前，都必須跨越一個能量閾值，達到過渡態。由于持續時間極短，過渡態的特性或結構幾乎無法通過實驗直接觀測。為此，科學家通常結合量子化學計算與算法來推斷過渡態。

然而，這種方法計算量巨大。對于一個合理規模的反應，通常需要優化數千個過渡態候選結構，累積的量子化學計算次數可達數百萬次，僅為獲取單一過渡態的結構。這與計算化學的初衷背道而馳：原本旨在通過計算幫助設計更可持續的反應流程，但尋找過渡態本身卻消耗了大量能源和計算資源。

近年來，機器學習在加速過渡態預測方面展現出巨大潛力。2023年，研究團隊就提出了一種基于機器學習的過渡態預測策略。這一方法較傳統量子化學方法顯著提速，但整體過程仍不夠高效，因為它需要生成約40種不同結構，并通過一個“置信模型”篩選出最有可能的過渡態。

問題的關鍵在于，這一舊模型以隨機猜測為起點，導致初始結構往往與真實過渡態相去甚遠，從而需要大量重復計算才能逐步收斂。

更高效的預測

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，而是聰明地利用反應物和生成物的中間位置作為出發點，從而更快、更準確地預測過渡態。

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秒即可完成過渡態預測，而且預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果。

在訓練React-OT時，研究人員使用了與之前模型相同的數據集，它包含了9000種反應物、產物和過渡態的結構，這些結構都是通過量子化學方法計算得到的，主要涉及小分子的有機或無機反應。

經過訓練后，React-OT不僅在同一數據集中被刻意留出的、訓練時未見的其他反應上表現出色，還能泛化到完全不同類型的反應上，即使這些反應類型在訓練過程中從未出現過。

此外，它還能準確預測那些涉及更大分子的反應，即使這些大分子帶有一些不直接參與反應的“側鏈”，也不影響模型判斷。這一點非常重要。比如在聚合反應中，通常參與反應的是大分子的一小部分。能夠在不同系統規模間保持良好預測性能，意味著這個模型可以應對各種各樣的化學反應。

廣泛適用的化學體系

這樣的結果表明，React-OT可作為一個真正實用的工具，直接被集成到現有的高通量計算篩選流程中，進而快速生成過渡態結構。它顯著加速了搜索與優化過程，不僅能更快得出結論，還能在高性能計算中節省大量能源。

此外，為了方便其他科學家應用這一新方法，研究團隊還開發了一個用戶友好的應用程序。只要輸入反應物和生成物結構，模型就能生成對應的過渡態，從而幫助估算反應的能量勢壘，評估反應發生的可能性。

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。研究人員表示，他們的最終目標是能夠設計出將豐富自然資源轉化為所需分子（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