Drift-React：SE(3)等变生成模型实现化学反应路径一步预测，速度提升数个数量级

B910化工消息：5月25日消息，arXiv预印本平台发表了一项来自瑞士研究团队的突破性工作：Drift-React，一种基于SE(3)等变生成框架的化学反应路径预测方法，能够在一次前向传播中从反应物和产物的几何结构直接预测完整的反应路径。

该研究由Rémi Schlama和Philippe Schwaller完成。Schwaller是AI化学领域的知名研究者，其团队此前开发的分子Transformer模型在化学反应预测领域具有广泛影响。

化学反应路径和过渡态（TS）的映射是化学的基础任务，但大规模计算成本极高。最低能量路径（MEP）决定了反应速率和机理，但通过电子结构方法（如NEB、CI-NEB等）恢复MEP需要数千次昂贵的力计算。最近的生成模型虽然加速了过渡态识别，但仍依赖迭代推理，且只能预测孤立的鞍点快照，无法给出连续的反应轨迹。

Drift-React的核心创新在于引入了一种Sinkhorn加权漂移场（drifting field），将分布演化转移到训练阶段，从而同时消除了NEB类方法的迭代力计算和扩散/流匹配模型的顺序ODE/SDE积分。这意味着模型在推理时只需一次前向传播，即可从反应物和产物几何结构生成完整的反应路径。

研究团队在两个标准数据集上验证了Drift-React的性能。Transition1x数据集包含超过100万个DFT计算的分子构型，Halo8数据集专注于卤素化学反应。在两个数据集上，Drift-React生成的MEP均物理一致，准确捕捉了能量瓶颈，并支持沿反应坐标的任意分辨率采样。

对于孤立的过渡态预测，Drift-React达到了与当前最先进迭代模型相当的亚埃级（sub-Angstrom）精度，同时实现了数个数量级的计算加速。这一性能突破意味着此前需要数小时甚至数天完成的反应路径搜索，现在可以在秒级完成。

从化学产业的角度看，该工作具有显著的实用价值。制药和精细化工行业在新药合成路线设计、工艺优化和副反应预测中高度依赖反应路径计算。传统方法的高计算成本严重限制了大范围反应网络的探索效率。Drift-React将这一过程从迭代优化转化为单次推理，有望显著加速计算机辅助合成规划和催化反应机理研究。

值得注意的是，该方法的SE(3)等变性确保了生成路径在旋转和平移变换下的物理一致性，而漂移场的设计避免了传统扩散模型中逐步去噪的计算开销。这种训练策略的转移也意味着推理时的计算成本不随路径分辨率增加而增长，为高精度反应网络模拟提供了可行路径。 （来源：arXiv）