[论文解读] React-OT: Optimal Transport for Generating Transition State in Chemical Reactions

Chenru Duan, Guan-Horng Liu+7 more|arXiv (Cornell University)|Apr 20, 2024

Radioactive element chemistry and processing被引用 4

一句话总结

React-OT 是一种确定性最优传输框架，可在每种反应 0.4 秒内生成高度准确的过渡态（TS）结构，过渡态结构的中位根均方差（RMSD）为 0.053 Å，能垒高度误差为 1.06 kcal/mol。在 GFN2-xTB 数据上进行预训练可使精度提升 25%，将 RMSD 降低至 0.044 Å，误差降至 0.74 kcal/mol，从而实现无需随机采样或排序模型的快速、可靠且可扩展的 TS 预测。

ABSTRACT

Transition states (TSs) are transient structures that are key in understanding reaction mechanisms and designing catalysts but challenging to be captured in experiments. Alternatively, many optimization algorithms have been developed to search for TSs computationally. Yet the cost of these algorithms driven by quantum chemistry methods (usually density functional theory) is still high, posing challenges for their applications in building large reaction networks for reaction exploration. Here we developed React-OT, an optimal transport approach for generating unique TS structures from reactants and products. React-OT generates highly accurate TS structures with a median structural root mean square deviation (RMSD) of 0.053Å and median barrier height error of 1.06 kcal/mol requiring only 0.4 second per reaction. The RMSD and barrier height error is further improved by roughly 25\% through pretraining React-OT on a large reaction dataset obtained with a lower level of theory, GFN2-xTB. We envision that the remarkable accuracy and rapid inference of React-OT will be highly useful when integrated with the current high-throughput TS search workflow. This integration will facilitate the exploration of chemical reactions with unknown mechanisms.

研究动机与目标

• 开发一种快速、确定性的方法，用于生成化学反应中高精度的过渡态（TS）结构，以克服基于 DFT 的 TS 优化带来的高计算成本。
• 消除现有生成模型（如 OA-ReactDiff）所需的随机采样和事后排序模型，从而在高通量工作流中提升可扩展性。
• 通过利用最优传输理论并基于大规模、低成本的量子化学数据进行预训练，提升 TS 预测的结构和能量精度。
• 通过显著降低每种反应的推理时间和计算开销，实现大规模反应网络的高效构建。
• 提供一种可扩展、可靠且具备对称性感知能力的框架，用于过渡态预测，可无缝集成到高通量反应机理探索工作流中。

提出的方法

• React-OT 使用最优传输将反应物和产物结构映射到唯一的、确定性的过渡态，通过最小化其几何分布之间的传输成本实现。
• 该模型使用一种 SE(3)-等变图神经网络（LEFTNet）作为评分网络，以保持三维空间对称性，并确保生成 TS 的几何一致性。
• 它将 TS 生成问题形式化为一种条件图像修复（inpainting）问题，即在扩散模型的去噪过程中，将反应物和产物作为条件输入。
• 该方法集成了一个从 OA-ReactDiff 微调得到的置信度模型，可在无需额外训练的情况下预测生成 TS 结构的可靠性分数。
• React-OT 通过在现有 OA-ReactDiff 检查点上进行微调进行训练，引入新的最优传输目标，初始峰值学习率降低至 0.0001。
• 在包含 760,615 个反应的大型 GFN2-xTB（低成本半经验 DFT）数据集上进行预训练，可增强泛化能力与精度，尤其在能垒预测方面表现更优。

实验结果

研究问题

• RQ1 是否可以利用最优传输从反应物和产物中生成一个单一、确定性的过渡态结构，且具备高结构和能量精度？
• RQ2 与基于扩散的随机模型（如 OA-ReactDiff）相比，基于最优传输的确定性方法在推理速度和精度方面表现如何？
• RQ3 在基于扩散的生成模型中，基于低成本量子化学数据（GFN2-xTB）进行预训练，能在多大程度上提升过渡态预测的精度？
• RQ4 将最优传输与等变深度学习相结合，是否能消除 TS 生成中对事后排序模型的需求？
• RQ5 与基于 DFT 或扩散模型的现有高通量 TS 搜索工作流相比，React-OT 在计算效率方面有何显著提升？

主要发现

• React-OT 生成的过渡态结构与参考 DFT 结构相比，中位根均方差（RMSD）为 0.053 Å，表明具有极高的结构精度。
• 中位能垒高度误差为 1.06 kcal/mol，展现出强大的能量预测能力。
• 单次反应的推理时间仅为 0.4 秒，可实现高通量反应网络生成中的快速部署。
• 在 GFN2-xTB 数据上预训练后，中位 RMSD 提升至 0.044 Å，能垒高度误差降至 0.74 kcal/mol，精度提升达 25%。
• React-OT 将去噪函数评估次数从 OA-ReactDiff 的 40,000 次减少至仅 50 次，实现近 1000 倍的推理加速。
• 该方法消除了对随机采样和额外排序模型的需求，实现了确定性、可扩展且可靠的 TS 预测。