All Paths All at Once: A Quantum Monte Carlo and Neural Committor Approach to Reaction Pathway Search
本文介绍了 tReax_expedition，这是一个仅基于能量的框架，通过结合蒙特卡洛探索、随机淬火和受限连续化技术，在不需要势能梯度或预设过渡态猜想的情况下，识别竞争反应路径并逼近过渡态。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
化学反应是驱动我们世界的无形引擎，将原材料转化为维持现代生活所需的药物、燃料和材料。然而，当反应发生的那一瞬间——即旧键断裂、新键形成的刹那间——仍然是科学界最难以捉摸的谜团之一。这个稍纵即逝的时刻被称为过渡态（transition state）。它是广袤且无形的能量景观中一个高能的峰顶；寻找它，就像是在没有地图的情况下，试图在一片大雾弥漫的山脉中定位一座孤峰。传统上，科学家依赖复杂的力场计算来在这片地形中导航，但对于许多现实世界的分子而言，这些计算往往过于缓慢或根本无法执行。当力场信息无法获取时，前进的道路便被阻断，导致研究人员无法预测反应将如何进行或进行得有多快。
由国立清华大学的张建才（Chien-Chai Chang）开发的一种新方法，提供了一种无需进行那些困难的力场计算即可穿透迷雾的方式。这种被称为 tReax_expedition 的方法，将寻找反应路径的过程视为一场探索之旅，而非一次精确的攀登。想象两名登山者从山谷的两端出发，一人位于反应物侧，另一人位于产物侧。他们不再试图计算每一步的坡度，而是采取随机且有引导性的步伐，向彼此靠近，直到相遇。这个相遇点揭示了一条潜在的路径。随后，系统使用一种被称为“淬火”（quenching）的过程——类似于快速冷却热金属以观察其最终呈现的形状——来识别沿途的稳定状态。通过将这种随机探索与对相遇点之间路径的仔细追踪相结合，研究人员可以重建分子发生转变时最可能采取的路径，即使在无法计算通常用于引导此类运动的力场的情况下也是如此。
研究人员在各种挑战上测试了这种仅基于能量的策略，范围涵盖了从简单的数学景观到复杂的气相反应，以及一个具有柔性的蛋白质构建模块。在简单的景观模型上，该方法成功找到了隐藏的中间停顿点，并识别出了存在多条路径的竞争路径，而整个过程从未预设过峰顶可能出现的位置。当应用于九种不同的气相化学反应时，该方法表现出了极高的准确性。在九个案例中的八个里，搜索找到的最高能量点与真实的峰值能量之间的误差小于 0.76 千焦/摩尔，这一差异微小到几乎难以测量。所发现路径的几何结构也与已知的过渡态高度吻合，其差异通常小于 0.02 埃（angstrom），这个距离甚至比单个原子的宽度还要小。
然而，这项研究也揭示了该方法的局限性。当研究人员将该方法应用于丙氨酸二肽（alanine dipeptide）——一种模拟蛋白质行为的小分子时，结果并不那么完美。虽然该方法仍然找到了起始形状与结束形状之间的连通路径，但路径的结构显示出弛豫不完全（incomplete relaxation）的迹象，这意味着分子在峰值处并未完全进入其最舒适的状态。该路径的能量比真实峰值高出 11 到 25 千焦/摩尔。这表明，虽然该方法擅长寻找一条连通的道路，但在面对具有许多难以稳定下来的柔性部分的分子时，它可能难以找到最平滑、最充分弛豫的路径。研究还发现，虽然该方法可以识别路径，但它并不能自动保证该路径代表了在特定温度下反应发生的精确统计概率，这表明若要完全确认反应速率，仍需进一步的步骤。
这项工作的意义在于它能够将“路径的发现”与“高度的精确计算”分离开来。通过证明仅利用能量值即可找到反应路径，该方法为研究那些此前因计算成本过高而无法探索的反应打开了大门。它允许科学家在不需要力场计算这类“重型机械”的情况下，绘制出化学变化的景观图。尽管该方法并非适用于所有类型的分子（尤其是那些具有复杂、松散结构的分子），但它为发现候选路径提供了一个强大的新工具。它表明，即使在没有完整的力场地图的情况下，人们仍然可以找到道路，这为我们理解驱动化学变化的根本转变提供了全新的视角。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。