全球首个化学反应AI「考场」7种MLIPs模型与SOTA生成式模型同场PK

摘要：过渡态（Transition State, TS）是化学反应的「关键帧」，就像群山中的最低隘口，决定了分子翻山越岭所需的能量和路径。然而，TS 的寿命仅有飞秒级（10⁻¹⁵ 秒），实验观测如同捕捉闪电一瞬——目前只能依赖量子化学计算来寻找。

编辑 | ScienceAI

过渡态（Transition State, TS）是化学反应的「关键帧」，就像群山中的最低隘口，决定了分子翻山越岭所需的能量和路径。然而，TS 的寿命仅有飞秒级（10⁻¹⁵ 秒），实验观测如同捕捉闪电一瞬——目前只能依赖量子化学计算来寻找。

传统的密度泛函理论（DFT）虽能提供高精度结果，但单次 TS 搜索可能消耗数十至数千 CPU 时，面对成百上千反应节点的复杂网络，计算成本高得难以承受。近年来，机器学习（ML）为 TS 搜索开辟了两条新路径：

机器学习原子间势（MLIPs）—— 通过神经网络学习势能面，将单点能量计算速度提升千倍，但依赖传统 TS 搜索框架；

生成模型——直接「脑补」TS 的 3D 结构，跳过路径搜索步骤，类似 AlphaFold 颠覆蛋白质结构预测。

尽管 MLIPs 在常见的能量与力误差等评价指标上不断刷新排名，这些模型在端到端 TS 搜索任务上的真实表现仍缺乏系统评估。

为了解各类 ML 模型在 TS 搜索中的实际表现，深度原理（Deep Principle）联合深势科技，清华大学，加州大学伯克利分校等机构开发了基于过渡态搜索框架 Yet Another Reaction Program（YARP），为两种不同策略的 ML 模型搭建了公平的「考场」，系统性地考察了 7 种 MLIPs（ANI-1x, CHGNet, DPA-2, LEFTNet, MACE, MatterSim和 Orb）和 SOTA 生成式模型 React-OT 在过渡态搜索中的表现。

相关研究以《Harnessing Machine Learning to Enhance Transition State Search with Interatomic Potentials and Generative Models》发布在预印平台 Chemrxiv 上。

论文链接：

端到端的过渡态搜索框架

图 1：基于 MLIPs 或 React-OT 的两种不同的端到端过渡态搜索方法。两种方法的主要区别在于 TS 优化的初猜结构构建方式不同，MLIP 通过最小能量路径构建，React-OT 则直接生成结构。

研究团队基于自动化过渡态搜索框架 YARP，为两类机器学习模型（MLIPs 和生成式模型）搭建了一套标准化测试流程（图 1），通过三个核心模块实现「算法剥离、能力聚焦」：

初猜生成：最小能量反应路径构建（MLIP，图 1 ab）v.s. 最优输运生成（React-OT，a'b'）

TS 优化：结合 Hessian 矩阵的过渡态优化

TS 验证：通过内禀反应坐标（IRC）计算确认「反应物-TS-产物」精确连通

这一化学反应 AI 「考场」具有如下三个亮点：

统一基准：首次在同一测试框架内集成多种 MLIP（DPA-2、MACE、CHGNet、LEFTNet 等）和生成模型，消除算法差异对结果的影响；
性能透明化：通过标准化流程，直接对比模型在结构优化、路径搜索、TS精度、计算效率等关键维度的表现；
应用导向：为反应性 MLIP 的开发提供系统全面的评测依据，助力下一代 AI 驱动的 TS 搜索方法。

MLIP 的系统性评估，谁在「高考」中拔得头筹？

图 2：基于Transition1x数据集，对比七种MLIPs（ANI-1x, CHGNet, DPA-2, LEFTNet, MACE, MatterSim, 和Orb）与GFN2-xTB的端到端过渡态搜索表现。分别从微调前后GSM成功率与Intended率、微调后能量与力的MAE、TS RMSD与能量误差方面进行对比，并探索显式指标与隐式指标的关系。

1. 考题设计：Transition1x 数据集

•Transition1x 作为「高考题库」，通过 Nudged Elastic Band (NEB) 方法采样了约 10,000 个反应，总共生成了 1000 万个结构数据点。这些反应包含高能反应（能垒>50 kcal/mol）、多键变化反应等传统 ML 反应预测模型的「盲区」，适合作为 TS 搜索任务的「官方备考指南」和「考试真题」。

•研究者按照反应对结构数据集进行划分，训练集与测试集的几何结构零重叠，杜绝「考前泄题」。

2. 评分标准：四大指标定义「优等生」

•GSM 成功率：能否用 Growing String Method 构建连通反应物与产物的反应路径。

•Intended 率：验证 IRC 的计算结果正确匹配目标 TS 的比例。

•TS 质量（RMSD）：优化后的 TS 与 DFT 参考结构的几何偏差。

•能垒预测精度：根据优化后 TS 计算得到的活化能的误差，优质模型需要达到 1∼2 kcal/mol（接近 DFT 理论极限）。

3. 成绩单曝光：MLIP的「学霸」与「黑马」

预训练模型的「集体翻车」

•尽管预训练模型在 GSM 成功率方面表现很好，Orb（93%）的表现甚至超过 xTB（86%）。但所有模型的 Intended 率较低，MatterSim 在所有预训练模型中表现最好（27%），DPA-2 紧随其后（19%），但离 xTB（62%）仍有明显差距。这主要因为模型预训练数据缺乏反应数据，因而势能面预测严重失真。

微调后的逆袭者：LEFTNet

•从头训练的 LEFTNet 以 88% 的 GSM 成功率和 69% 的 Intended 率登顶，TS RMSD 仅 0.10Å，能垒误差仅 1.83kcal/mol。CHGNet 和 MACE-OFF23 的表现紧随其后。

4. 指标关联：揭开模型能力的「冰山之下」

显式与隐式指标的普适性关联

•相同架构不同训练轮次或不同架构的模型，能量和力的 MAE（显式指标）均与 TS 搜索的隐式指标（如 TS RMSD、势垒误差）对应。MAE 越低，TS 结构优化精度与能垒预测精度越高。

性能饱和与阈值效应

•当 MAE 降低至特定阈值后，GSM 成功率与 Intended 率趋于饱和。

力预测的不同策略大比拼

图 3：对比能量求导（autograd）、直接预测（direct-force）与对以直接预测的方式训练的能量进行求导（autograd*）的表现。

在机器学习势函数（MLIP）领域，力的预测存在两大技术路线：

Autograd 派：通过对势能面能量求导获取力，严格遵循物理规律

Direct-force 派：直接预测原子受力（N×3 矩阵），追求更高的计算效率和更精准的力的预测

策略性能对比：direct-force 策略在 GSM 任务中的成功率较高（93%），但由于其预测的力不满足物理约束，进一步求导得到的 Hessian 矩阵误差较大，并且丢失了对称性。因此，该策略最终仅找到 122 个 TS，远低于 autograd 策略的 786 个 TS，且 TS 质量也显著逊色。

然而，direct-force 策略仍具有独特优势，包括计算速度快、力预测精度更高，以及生成的 GSM 路径更多。因此，研究者指出，如果能在训练过程中直接预测 Hessian，或利用 Hessian 进一步优化 direct-force 模型的训练，或许能获得更优的模型。

生成式模型的「弯道超车」