All Paths All at Once: A Quantum Monte Carlo and Neural Committor Approach to Reaction Pathway Search
本文介绍了 tReax_expedition，这是一种仅基于能量的方法，它通过结合耦合蒙特卡洛探索、随机淬火以及受限连续化技术，成功地在不需要势能梯度或预验过渡态猜测的情况下，识别竞争反应路径并解析鞍点能量。
原始论文采用 CC BY 4.0 许可（https://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
化学反应是这个世界的无形引擎，将简单的原料转化为复杂的分子，从食物的消化到云朵的形成皆是如此。每一次反应的核心都是一个被称为“过渡态”的瞬时时刻，这是一个分子必须攀爬过去的高能峰顶。寻找这个峰顶就像是在一片广阔且大雾弥漫的山脉中，在没有地图的情况下寻找一个特定的山口。传统上，科学家依靠了解地形的坡度——即原子之间推力和拉力的作用——来引导他们的搜索。然而，在许多复杂的情况下，这些坡度是无法计算的，这使得研究人员只能通过地形本身的高度来进行探索。由于失去了观察坡度方向的能力，寻找穿越山脉的路径变成了一项艰巨的盲目探索任务。
清华大学的一位研究人员开发了一种新方法，仅利用景观的高度来导航这一困难地形，完全忽略了坡度。他们将这种方法称为 tReax_expcial_expedition（tReax_expedition）。该方法并不试图计算驱动原子的力，而是采用了一种策略：同时从旅程的两端派出两名探险家。这些探险家由分子的计算机模拟组成，他们在能量景观中随机游走，唯一的指导目标是在中间会合。当他们最终连接在一起时，他们会留下旅程的痕迹。通过分析这条轨迹，研究人员可以识别出探险家所到达的最高点，该点可作为过渡态的一个强有力候选。这种方法使他们能够发现多条可能的路径，甚至能发现隐藏的中间停靠点，而无需了解坡度的方向。
研究人员在各种挑战上测试了这种方法，首先是从作为练习场的简单二维模型开始。在这些测试中，该方法成功找到了起始点与终点之间的正确路径，包括那些需要经过临时休息点或在两条不同路线间进行选择的情况。探险家们以极高的精度找到了峰顶，其发现的最高点能量与真实峰顶的能量差异小于单个分子的振动能量。即使研究人员将该方法应用于九种不同的气相化学反应（例如氯离子与溴甲烷分子碰撞时的原子交换），这种高水平的准确性依然成立。在九个案例中的八个案例里，发现的峰值能量与独立验证的真实峰值之间的误差在 0.76 千焦/摩尔以内，这一误差范围在化学术语中微乎其微，几乎可以忽略不计。
然而，该方法并非解决所有问题的万能灵药。当研究人员将其应用于一种稍大的分子——丙氨酸二肽（蛋白质的构建模块）时，结果则表现得较为复杂。虽然该方法仍然找到了连接起始形状与结束形状的路径，但分子在峰值处的结构并非完美地处于弛豫状态。它仍保持着轻微的扭曲，这表明探险家们虽然找到了路径，但并未完全稳定在山顶最舒适的位置。这一结果凸显了研究人员强调的一个关键区别：找到一条连通路径与完美解析过渡态的精确几何结构是两回事。该方法在发现路径的存在性并估计其能量势垒方面表现出色，但在处理具有许多难以稳定的灵活部分的分子时，有时难以精准定位其精确的原子排列。
为了确保他们找到的路径确实是正确的化学反应路径，研究人员还使用了第二层验证，即利用神经网络——一种经过训练、能够预测分子到达目的地可能性的人工智能。他们使用这一工具来检查所发现的路径是否导向了正确的结局。虽然神经网络有助于将发现的路径与反应速率的宏观理论联系起来，但研究人员指出，这种校准并不完美。在某些情况下，预测结果与分子的实际行为并不完全一致，这表明尽管路径寻找是成功的，但对过渡区域的统计特征描述仍需要谨慎解读。
这项工作的意义在于它能够将“寻找路径的任务”与“计算定义路径的精确力量的任务”分离开来。通过仅依赖能量值，该方法为研究那些进行力计算成本过高或无法进行的反应开辟了大门。它允许科学家探索复杂的化学景观，并识别出那些可能原本无法被发现的候选路径。研究人员证明，即使在没有力数据的情况下，他们也能高精度地恢复竞争路径和中间状态。虽然该方法目前还不能取代所有现有技术（特别是对于结构弛豫困难的极具柔性的分子），但它为绘制化学变化的无形高速公路提供了一个强大的新工具。这项研究证实，通过结合随机探索与智能分析，人类完全可以导航复杂的化学能量景观，找到那些定义世界如何变化的关键峰顶，一次又一次地完成化学反应的演变。
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。