过渡态 (TS) 对于理解化学反应的机制和探索反应网络至关重要。尽管计算方法取得了重大进展,但由于构建初始结构的困难和高昂的计算成本,TS 搜索仍然是一个具有挑战性的问题。

近日,来自韩国科学技术信息研究院(Korea Institute of Science and Technology Information)的 Sunghwan Choi,提出了一种用于预测一般有机反应的 TS 结构的机器学习 (ML) 模型。所提出的模型从反映反应物、产物和线性插值结构的原子对特征中推导出 TS 结构的原子间距离。该模型表现出出色的准确性,特别是对于发生键形成或断裂的原子对。预测的 TS 结构在量子化学鞍点优化方面取得了很高的成功率 (93.8%),并且 88.8% 的优化结果的能量误差小于 0.1 kcal mol^−1。

此外,作为概念证明,基于 ML 推论展示了对有机反应的多个反应路径的探索。所提出的方法将有助于构建用于 TS 优化和反应路径探索的初始几何结构。

该研究以「Prediction of transition state structures of gas-phase chemical reactions via machine learning」为题,发布在《Nature Communications》上。

图片

论文链接:https://www.nature.com/articles/s41467-023-36823-3