導語

在有機化學前沿，解析復雜反應背后的動力學機制始終是一項挑戰。如今，人工智能正在打破人類經驗的局限。上海交大最新發布的KinFormer模型，首次實現了從實驗數據中自動發現未知化學反應機理，并能在跨反應類型的情況下進行精準預測。它不僅融合了物理定律與智能搜索，更代表了化學動力學走向智能化、可解釋的新紀元。在有機化學的最前沿，解析復雜反應背后的動力學機制始終是一項挑戰。如今，人工智能正在打破人類經驗的局限。上海交大最新發布的KinFormer模型，首次實現了從實驗數據中自動發現未知化學反應機理，并能在跨反應類型的情況下進行精準預測。它不僅融合了物理定律與智能搜索，更代表了化學動力學走向智能化、可解釋的新紀元。

關鍵詞：生成式符號回歸，反應動力學建模，物理約束智能搜索

上海交通大學人工智能研究院AI for Science團隊丨作者

引言：邁向精準預測的催化反應動力學

在有機化學合成的前沿，從創新藥物分子到高性能功能材料，其核心驅動力往往源于對反應機理的深刻理解。建立定量的反應動力學模型，精準刻畫反應物濃度隨時間演化的規律，是實現催化劑理性設計和反應過程高效優化的關鍵環節。這類模型能夠建立微觀動力學參數（如活化能、過渡態穩定性）與宏觀催化性能（如轉化率、選擇性）之間的橋梁，從而推動催化研究從傳統的“試錯篩選”向“理論預測”范式轉變。然而，精準構建此類動力學模型長期面臨嚴峻挑戰：

1． 機理先驗依賴困境 ： 傳統方法高度依賴化學家預設反應路徑，本質上屬于“假設驅動”范式。這不僅效率低下，遍歷可能的中間態組合耗時耗力，更存在因經驗不足或認知局限導致的機理假設主觀偏差風險。

2． 數據驅動建模的泛化壁壘 ： 新興的符號回歸技術（Symbolic Regression）雖能直接從數據中學習微分方程形式，但在復雜的催化反應動力學建模中表現不佳。現有模型（如 ODEFormer ）難以有效捕捉催化反應特有的復雜動力學特征（如多步耦合、非線性相互作用），在跨不同反應機制泛化時，常常出現方程結構失配或違背基本物理守恒律（如質量守恒）等系統性問題。

圖1有機催化反應機理圖

突破瓶頸：KinFormer——數據驅動的通用動力學機制發現者

為攻克上述雙重挑戰，上海交通大學人工智能研究院 AI for Science團隊許巖巖等人 在 機器學習頂會 ICLR 2025上提出了 KinFormer 。 首個利用化學反應實驗數據發現反應動力學方程的人工智能模型， 在數據驅動方法的基礎上通過條件訓練策略 有效捕捉動力學方程之間的依賴關系， 隱式建模包含在反應動力學方程中的物理定律，結合搜索算法， 在少量反應模式訓練下 構建 可泛化 的反應機理發現模型 ， 可 應用于發現新的化學反應機理。

創新機制：融合物理約束與智能搜索的動力學方程預測框架

KinFormer 的設計精髓在于如何讓模型“理解”并遵循化學反應的內在物理規律：

1. 條件式訓練策略：打破端到端模型的泛化瓶頸

KinFormer 摒棄了直接端到端生成整個方程組的傳統做法。在訓練過程中，模型被要求基于隨機選擇的部分已知方程（作為條件），去預測下一個目標微分方程。這種“條件預測”任務 促 使模型深入挖掘并 隱式學習 不同方程之間由 質量作用定律 所決定的 動態依賴關系 （例如，反應物消耗速率與中間體生成速率的必然聯系）以及共享的動力學參數（如速率常數）。通過 隨機打亂方程作為條件的組合和預測順序 ，模型有效避免了死記硬背固定方程排列，轉而專注于捕捉其內在的物理邏輯。

圖2訓練策略對比圖

2. 蒙特卡洛樹搜索（ MCTS）：生成順序的全局優化

條件策略對預測順序存在敏感性。 KinFormer 創新性地在方程生成層面引入 方程級 MCTS 模塊。它將每個待生成的微分方程視為搜索樹的一個節點，利用概率上界置信啟發（P-UCB） 策略智能地探索不同的方程組生成路徑。關鍵的是，MCTS會對候選的生成序列進行數值模擬驗證，并 結合 雙指標 評估（ r 2 m 和 r 2 M ）計算 路徑的“獎勵”值，通過反向傳播不斷更新 節點權重。這一過程 動態優化生成順序 ，最終目標是確保預測出的整個微分方程組在數學和物理上保持 自洽與一致性 。

圖3MCTS生成順序搜索框架圖

實驗結果：泛化能力與性能優勢

研究團隊在涵蓋 20類具有代表性的催化有機反應（包括基礎核心機制、復雜的雙催化體系、以及涉及催化劑活化/失活的關鍵過程）上對 KinFormer 進行了嚴格驗證，結果顯著優于現有方法：

1. 強大的 跨機制 泛化 ： 在最具挑戰性的“跨類別”場景（例如，模型在訓練中從未接觸過特定類型的催化劑活化機制）下， KinFormer 的方程形式準確率（ Accform ）達到了81.41%。這一成績遠超傳統符號回歸方法（如 SINDy , PySR ）及同類Transformer模型（如 ODEFormer ），提升幅度超過30個百分點，充分證明了其發現新機制的能力。

2. 優異的噪聲魯棒性 ： 面對現實實驗中不可避免的噪聲干擾， KinFormer 即使在輸入數據包含顯著高斯噪聲（標準差1e-4） 的情況下，依然能夠準確預測主要反應物種的濃度變化軌跡。

3. 高效的智能搜索 ： MCTS優化模塊展現出高效的搜索能力，通常在20次迭代內即可收斂，其推理速度是傳統束搜索（Beam Search）的3倍，且最終性能更優。

完整實驗結果請參考原始論文。

圖4 主要實驗結果圖

研究意義：推動化學動力學的智能化發展

創新 性科學工具 ： 為化學家提供了強大的自動化工具，能夠直接從實驗數據中解析甚至發現未知的反應機理，極大加速了新催化劑設計與反應過程優化，減少對人工經驗假設的依賴。

普適性方法論 ： KinFormer 所開創的“ 條件訓練 + 物理引導的全局搜索 ”范式，為解決符號回歸中物理約束嵌入的難題提供了新思路。該方法避免了傳統上需要設計復雜顯式規則的繁瑣過程，具有很強的擴展性，可廣泛應用于物理、生物、工程等領域中具有內在規律（守恒律、對稱性等）的動力學系統建模。

持續探索 ： 研究團隊正致力于提升模型對更高維反應體系和更強噪聲/稀疏數據的魯棒性，并推動其在真實實驗室場景中的實際應用，引領化學動力學研究向智能化、自動化深度發展。

論文標題：KINFORMER: GENERALIZABLE DYNAMICAL SYMBOLIC REGRESSION FOR CATALYTIC ORGANIC REACTION KINETICS

會議：ICLR 2025

引用格式：

Chen, Jindou, Jidong Tian, Liang Wu, Xinwei Chen , Xiaokang Yang, Yaohui Jin , and Yanyan Xu. " KinFormer : Generalizable Dynamical Symbolic Regression for Catalytic Organic Reaction Kinetics." In The Thirteenth International Conference on Learning Representations .

團隊介紹 ：

上海交通大學人工智能研究院 AI for Science團隊在楊小康教授、金耀輝教授、許巖巖副教授帶領下，包括十余位 博士后與碩博 研究生，重點研究生成式人工智能，特別是科學大模型賦能化學研究，針對有機化學合成、自動化實驗等重大問題提出了一系列創新解決方案。團隊發布了首個化學合成大語言模型——白玉蘭科學大模型，是首個具備反應生成與“人在環路”反饋優化能力、能夠指導實驗探索的化學大模型，具有分子設計、逆合成線路規劃、反應條件生成、反應產率預測、實驗條件優化迭代等化學 合成全 功能。團隊研究成果已發表于Nature Energy, Nature Computational Science (封面), Nature Machine Intelligence, Science Advances, 以及CCF A類會議。團隊所屬的上海交通大學人工智能研究院、人工智能教育部重點實驗室計算資源豐富，積累大量數據和基礎模型，并與化學與化工學院、變革性分子前沿科學中心團隊緊密合作，形成交叉學科研究體系。

「大模型時代下的Agent建模與仿真」讀書會

大模型賦能的智能體展現出三大革命性特征：認知深度（能夠進行類人的推理和決策，甚至展現出記憶、學習和個性特征）、動態交互（基于自然語言的自主協商和社交行為）以及涌現行為（微觀交互產生更復雜的宏觀社會現象）。這些特性使得我們可以構建前所未有的"高保真社會模擬器"，為理解經濟、社會、管理、軍事等復雜系統提供了全新視角。

因此，集智俱樂部聯合山東工商學院副教授高德華、天津大學教授薛霄、北京師范大學教授張江、國防科技大學博士研究生曾利共同發起。讀書會自2025年7月8日開始，每周二晚上7:30-9:30進行，預計持續分享8周左右。掃碼加入Agent建模與仿真的前沿探索之旅，一起共學、共創、共建、共享「大模型時代下的Agent建模與仿真」社區，共同暢想大模型時代人工社會的未來圖景！

詳情請見：

1.

2.

3.

4.

5.

6.

7.