DeepMech：用于化学反应机理预测的机器学习框架

于红博

摘要: 预测完整的逐步化学反应机制（CRMs）仍然是一个重大挑战。传统的CRM任务方法依赖于专家驱动的实验或昂贵的量子化学计算，而当代深度学习（DL）替代方法忽略关键中间体和机械步骤，并经常出现幻觉。我们提出了DeepMech，这是一个可解释的基于图形的DL框架，采用原子和键级别的注意力，由广义模板机制操作（TMOps）指导，用于生成CRMs。在我们精心筛选的ReactMech数据集上进行训练（约30,000个带有100,000个原子映射和质量平衡的基本步骤的CRMs），DeepMech在预测基本步骤方面的准确率为98.98+/-0.12％，在完成CRM任务方面为95.94+/-0.21％，并且在预测边缘和/或副产品方面保持高保真度，甚至在超出分布情况下也如此。适用于与前生物化学相关的多步CRMs的扩展，展示了DeepMech在有效地从简单原始基质到复杂生物分子（如丝氨酸和醛糖）的途径中的能力。注意力分析确定了符合化学直觉的反应性原子/键，使我们的模型可解释，并适用于反应设计。

更新时间: 2025-09-19 11:14:46

领域: physics.chem-ph,cs.AI,cs.LG

下载: http://arxiv.org/abs/2509.15872v1