男人撕开奶罩揉吮奶头视频,精品影院,毛片无码国产,美女视频黄频a美女大全免费下,久久无码人妻精品一区二区三区

本文將帶你深入了解 React-OT 的核心原理、與傳統(tǒng)方法的對(duì)比，以及它如何突破計(jì)算化學(xué)的瓶頸，大幅提升 TS 搜索的效率與精度，為反應(yīng)機(jī)理研究和催化劑設(shè)計(jì)提供全新工具。

一、方法創(chuàng)新

OA-ReactDiff是深度原理 Deep Principle于2023年推出的首個(gè)生成3D化學(xué)反應(yīng)的擴(kuò)散生成模型，這項(xiàng)成果已在Nature大子刊Nature Computational Science上發(fā)表，并被選為封面論文。OA-ReactDiff僅依賴(lài)反應(yīng)物和產(chǎn)物的3D幾何形狀即可生成過(guò)渡態(tài)結(jié)構(gòu)，比傳統(tǒng)量化方法預(yù)測(cè)過(guò)渡態(tài)速度提升1000倍。但是由于擴(kuò)散模型采樣過(guò)程中的隨機(jī)性，OA-ReactDiff生成的過(guò)渡態(tài)也是隨機(jī)的，往往需要多次采樣才能獲得理想的過(guò)渡態(tài)結(jié)構(gòu)。

作為OA-ReactDiff的迭代升級(jí)版本，React-OT在OA-ReactDiff的基礎(chǔ)上，針對(duì)給定的反應(yīng)物和生成物（雙端搜索）進(jìn)行了改進(jìn)，基于最優(yōu)傳輸理論，通過(guò)流匹配方法，從反應(yīng)物和產(chǎn)物直接推導(dǎo)TS結(jié)構(gòu)，單次采樣即可生成確定性的TS結(jié)構(gòu)。

最優(yōu)傳輸是一種數(shù)學(xué)理論和計(jì)算方法，用于描述兩個(gè)概率分布之間的距離或者對(duì)應(yīng)關(guān)系。它的核心概念是如何以最佳方式將一組資源（如質(zhì)量、能量等）從一個(gè)位置傳輸?shù)搅硪粋€(gè)位置。類(lèi)比初中學(xué)習(xí)的線(xiàn)性規(guī)劃問(wèn)題：三個(gè)城市（A, B, C）分別有1、0.5、1.5噸煤，另外有兩個(gè)城市(D, E)分別需要2、1噸煤，由于不同城市之間的運(yùn)輸成本不同，城市需求也不同，需要制定策略給出最優(yōu)運(yùn)輸路線(xiàn)，這些“最優(yōu)路線(xiàn)”在化學(xué)反應(yīng)中就代表了最合理化學(xué)反應(yīng)路徑以其對(duì)應(yīng)的過(guò)渡態(tài)結(jié)構(gòu)。

1. 初始過(guò)渡態(tài)結(jié)構(gòu)：OA-ReactDiff從高斯噪音中隨機(jī)采樣，所以生成的過(guò)渡態(tài)也存在隨機(jī)性。React-OT則是從反應(yīng)物和產(chǎn)物的線(xiàn)性插值出發(fā)，并且通過(guò)平移旋轉(zhuǎn)等操作確保初始結(jié)構(gòu)的等變性和唯一性，獲得相對(duì)合理的初始猜測(cè)，將采樣路徑推向更接近最優(yōu)傳輸?shù)姆较颉?/span>

2. 采樣過(guò)程：OA-ReactDiff采用擴(kuò)散模型，過(guò)渡態(tài)生成是一個(gè)隨機(jī)采樣過(guò)程。而React-OT將采樣過(guò)程模擬為常微分方程，而不是擴(kuò)散模型中的隨機(jī)微分方程，將反應(yīng)物、產(chǎn)物和過(guò)渡態(tài)的聯(lián)合分布視為動(dòng)態(tài)傳輸問(wèn)題，通過(guò)流匹配（flow matching）方法，直接從反應(yīng)物和產(chǎn)物推導(dǎo)TS結(jié)構(gòu)，不再需要多次隨機(jī)采樣。

3. 更大數(shù)據(jù)集的預(yù)訓(xùn)練：使用RGD1-xTB 數(shù)據(jù)集對(duì)React-OT進(jìn)行預(yù)訓(xùn)練，然后再在Transition 1x數(shù)據(jù)集上進(jìn)行模型的微調(diào)，RGD1-xTB包含95萬(wàn)個(gè)基于 GFN2-xTB 計(jì)算的化學(xué)反應(yīng)，對(duì)比訓(xùn)練OA-ReactDiff使用的Transition1x 數(shù)據(jù)集（1 萬(wàn)個(gè)反應(yīng)），RGD1-xTB的數(shù)據(jù)量大幅增加，可為 React-OT 提供更廣泛的化學(xué)環(huán)境和結(jié)構(gòu)信息。

圖二 ｜ 擴(kuò)散模型和最佳傳輸模型生成TS結(jié)構(gòu)的工作概述（左）OA-ReactDiff的隨機(jī)推理過(guò)程。（右）React-OT的確定性推理過(guò)程

二、結(jié)果一覽

在使用Transition 1x訓(xùn)練React-OT之前，先在RGD1-xTB 數(shù)據(jù)集上對(duì) React-OT進(jìn)行了預(yù)訓(xùn)練，預(yù)訓(xùn)練后，React-OT在TS預(yù)測(cè)精度上實(shí)現(xiàn)了顯著提升：生成結(jié)構(gòu)的 RMSD 中位數(shù)和勢(shì)壘高度誤差降低 25%以上，相比未預(yù)訓(xùn)練模型精度提升顯著。除了精度的提升之外，搜索過(guò)渡態(tài)所需運(yùn)行時(shí)間也顯著減少。OA-ReactDiff在單張GPU上需6秒完成過(guò)渡態(tài)搜索，而React-OT的采樣過(guò)程消除了隨機(jī)性，只要0.4秒就可以得到正確的TS結(jié)構(gòu)。對(duì)比OA-ReactDiff，React-OT能適應(yīng)更復(fù)雜的化學(xué)反應(yīng)類(lèi)型，對(duì)未見(jiàn)過(guò)反應(yīng)的預(yù)測(cè)能力也要更好。

圖三 | React-OT和OA-ReactDiff模型在生成過(guò)渡態(tài)的精度和速度方面的性能對(duì)比 a. React-OT得到滿(mǎn)足特定RMSD要求的TS結(jié)構(gòu)的可能性高于兩種擴(kuò)散模型。b. OA-ReactDiff和React-OT生成過(guò)渡態(tài)的質(zhì)量。c. 兩種模型預(yù)測(cè)效果的對(duì)比。d. 運(yùn)行速度的比較。

在經(jīng)過(guò) RGD1-xTB 預(yù)訓(xùn)練后，React-OT顯著提升了對(duì)未見(jiàn)反應(yīng)類(lèi)型的適應(yīng)性和預(yù)測(cè)能力，即使在12 個(gè)非氫原子的復(fù)雜反應(yīng)體系中，仍能準(zhǔn)確生成TS結(jié)構(gòu)，具備應(yīng)對(duì)多步有機(jī)反應(yīng)的能力。為了探索React-OT在反應(yīng)網(wǎng)絡(luò)探索中的實(shí)際應(yīng)用，這篇文章選擇γ-酮過(guò)氧化氫（KHP）作為研究對(duì)象。KHP 是一個(gè)備受關(guān)注的反應(yīng)體系，近年來(lái)被廣泛用于基準(zhǔn)測(cè)試。

圖四｜ KHP的反應(yīng)網(wǎng)絡(luò)  其中紅色/黑色的數(shù)字分別為DFT計(jì)算/React-OT生成的過(guò)渡態(tài)上計(jì)算得到的活化能

可以看到，React-OT生成的反應(yīng)網(wǎng)絡(luò)與文獻(xiàn)記載的KHP反應(yīng)節(jié)點(diǎn)完全一致，表明其能夠準(zhǔn)確捕捉所有關(guān)鍵反應(yīng)，且兩者的平均絕對(duì)能量差僅為 3.84 kcal/mol。這一案例研究展示了 React-OT 在加速反應(yīng)網(wǎng)絡(luò)探索中的應(yīng)用潛力。

三、應(yīng)用展望

段辰儒表示，“人類(lèi)眨眼的平均時(shí)間是0.4秒。在這個(gè)時(shí)間內(nèi)React-OT就可以精準(zhǔn)的找到一個(gè)化學(xué)反應(yīng)的過(guò)渡態(tài)，這在之前是不可想象的。極致的加速會(huì)產(chǎn)生行為模式的質(zhì)變，React-OT將改變我們對(duì)化學(xué)反應(yīng)的理解和探索新材料的方式。”

?催化劑設(shè)計(jì)：快速篩選高活性反應(yīng)路徑，加速清潔能源催化劑開(kāi)發(fā)。

?藥物合成：精準(zhǔn)預(yù)測(cè)有機(jī)反應(yīng)能壘，優(yōu)化合成路線(xiàn)，降低實(shí)驗(yàn)成本。

?材料探索：構(gòu)建超大型反應(yīng)網(wǎng)絡(luò)，發(fā)現(xiàn)新型功能材料（如MOFs、鈣鈦礦）。

未來(lái)已來(lái)

React-OT標(biāo)志著化學(xué)反應(yīng)TS搜索進(jìn)入高效、精準(zhǔn)的新紀(jì)元，有望成為計(jì)算化學(xué)領(lǐng)域的重要工具。歡迎關(guān)注深度原理 Deep Principle團(tuán)隊(duì)，探索更多前沿研究！

拓展閱讀：Bohrium Notebook

如果對(duì)生成式模型感興趣，想進(jìn)一步了解React-OT，復(fù)制下方鏈接，打開(kāi) Notebook：

https://bohrium.dp.tech/notebooks/47742251216

也可以通過(guò)Bohrium App或者深度原理 Deep Principle（DeepPrinciple）官方使用鏈接直接試用模型生成你想要的過(guò)渡態(tài)：

https://bohrium.dp.tech/apps/bohriumweb/job?type=app

深度原理 Deep Principle（DeepPrinciple）官方使用鏈接：http://reactot-dev.deepprinciple.com