编辑丨&
化学反应是化学键的断裂和形成，这是创造新技术的基础。在发现和开发新的化学反应过程中，时间与精力的双重消耗是研究人员不可避免的头疼问题。
一个分子从反应物到产物，中间可能存在数量巨大的反应路径。理论上它们都可行，实际上却只有极少数会真正发生。长期以来，化学家依靠的是经验——一种近乎「直觉」的判断：哪些中间态值得看，哪些可以直接忽略。而现在，AI 似乎学会了这种判断。
一支来自 WPI-ICReDD 的研究团队，开发了 ChemOntology——一种新的人工智能系统，能够以类似人类直觉的方式快速探索和分析化学反应。
相关研究内容以「ChemOntology: A Reusable Explicit Chemical Ontology-Based Method to Expedite Reaction Path Searches」为题，发布在《ACS Catalysis》。
论文链接：https://pubs.acs.org/doi/10.1021/acscatal.5c06298
如何增强反应发现
在计算化学中，反应路径搜索（reaction path search）是理解反应机理的核心工具。
但现实是：可能路径数量呈指数级增长，而绝大多数路径在化学上并不合理。传统算法的问题更多是「盲目探索」，计算成本极高，即便使用量子化学方法，研究人员仍需大量人工干预，提前指定哪些键可能断裂、哪些原子可能重排。
这些问题并不在于算力不足，而是常规的预测框架缺乏一些结构性的「化学常识」。
团队所开发的 ChemOntology 是一个化学知识分类系统，它将人类的化学推理形式化为机器可解释的框架，并能够与之前开发的计算方法——人工力诱导反应（AFIR）动态集成。
图 1：ChemOntology 的工作流程六个主要步骤。
ChemOntology 主要做了三件事：明确什么是化学上合理的变化；把反应中的键变化、官能团转移、中间体类型编码为可计算规则；并用这些规则来约束和引导 AI 的搜索方向。
这样，AI 在搜索反应路径时，不再是无差别枚举，而是优先探索「像人类化学家会考虑的那一类路径」。
图 2：ChemOntology 的工作流程与 AFIR 控制。
而通过与 ChemOntology 结合使用，AFIR 能够直观地识别哪些化学键可能参与反应，并能够区分化学上合理的结构与不合理的结构。实际上，这项技术已成功地将（人类）化学家的直觉编程化，且不依赖训练数据集，相较于 ML 具有优势。
实验验证
作为概念验证，研究人员使用 AFIR 单独分析以及结合 ChemOntology 分析了经典的 Heck 反应。该反应涉及多个复杂的中间体，有概率在 10 个可能的反应步骤中产生多达三个主要反应产物，使其成为评估计算性能的理想反应。
图 3：由以下方法获得的反应图：AFIR_DEFAULT，AFIR_TARGET，AFIR_ChemOntology。
总体而言，AFIR_ChemOntology 因其集成的决策过程，这主要是用于识别化学相关路线和消除不良结构的策略，给 AFIR 增加了少量运营开销。ChemOntology 的处理消耗仅为毫秒级，远短于任何计算方法进行合理准确能量评估所需的时间。
相较于前两周方法，AFIR_ChemOntology 生成的中间体更有意义，且生成的效率也相当高——它在一半的时间内就完成了所有路径的发现。
研究影响
ChemOntology 代表了一类新的化学发现工具，是一种明确以知识为驱动且无需训练的人工智能框架。它并非现有方法的变体，而是引入了一种根本不同的策略，通过本体约束和结构推理系统性地降低 AFIR 搜索空间的维度。
这种「直觉导向」的 AI 方法尤其适合：新反应机理探索、催化反应路径分析与自动化反应发现系统，它让 AI 站在已有化学知识的结构上进行思考，不仅降低了计算成本，还使分析更具意义。
