基于电子流匹配的生成式反应机制预测模型FlowER实现质量守恒约束下的精准化学反应设计

来自国际团队的研究人员针对化学反应预测中质量守恒原则难以保障的难题，开发了基于流匹配(flow matching)的生成式机器学习模型FlowER。该研究通过键-电子(BE)矩阵表征电子重分布过程，在预测中严格保持质量/电子守恒，有效解决了传统数据驱动模型的幻觉问题，并能通过极少量数据微调实现跨反应类别的泛化，为兼具预测精度与机理可解释性的反应设计提供了新范式。

　　

这项突破性研究将化学反应预测重构为电子重分布问题，创新性地采用流匹配(flow matching)这一深度生成框架。研究团队开发的FlowER模型通过键-电子(BE)矩阵精确追踪反应过程中电子云的重新排布，从根本上确保了质量守恒定律的遵守——这个自拉瓦锡时代就确立的化学基石原则¹。与传统黑箱模型不同，FlowER不仅能规避电子计数错误导致的"幻觉产物"问题，更展现出令人惊喜的机理推导能力：对于全新底物骨架能自动还原合理的反应序列，在跨反应类别迁移时仅需微量数据微调即可实现优异泛化。该模型还兼具热力学/动力学可行性评估功能，其预测过程呈现出类似化学家直觉的决策特征。这项研究通过将现代机器学习与经典化学原理深度融合，为构建兼具预测鲁棒性和机理可解释性的智能化学研究平台树立了新标杆。