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。
