在现代科学研究中，化学反应的准确预测对于新材料开发、药物合成乃至环境保护等领域都具有基石性的意义。随着人工智能（AI）与大语言模型（LLM）的飞速发展，科学家们曾寄望于这些强大工具能革新化学反应预测的范式。然而，在初期实践中，AI系统在这一领域面临着一个核心的、物理层面上的挑战：它们往往难以在预测过程中严守基本的物理定律，如质量守恒和电荷守恒，导致预测结果与实际化学过程脱节，甚至呈现出“炼金术”般的荒诞性。
传统的LLM在处理化学反应时，通常将原子或分子碎片视为计算“令牌”（tokens）。当这些模型在缺乏物理约束的情况下进行预测时，它们可能会在反应产物中无意识地“创造”新的原子，或者“删除”反应物中的原子，这在真实世界的化学反应中是绝不可能发生的。这种脱离实际的“数字炼金术”严重限制了AI在化学预测领域的应用价值和可靠性。业界亟需一种能够将AI的强大模式识别能力与严谨的物理化学原理相结合的新方法。
正是在此背景下，麻省理工学院（MIT）的研究团队推出了一项突破性的成果——FlowER（Flow matching for Electron Redistribution）系统。这项创新工作成功地将物理约束机制融入到AI反应预测模型中，从而显著提升了预测结果的准确性和可靠性。FlowER的核心理念在于，它不仅关注反应的起始物和最终产物，更着重于追踪反应过程中所有化学物质的转化路径及其伴随的电子流向，确保在整个预测流程中，原子和电子的数量始终守恒。
FlowER系统的理论基石可追溯到20世纪70年代化学家伊瓦尔·乌吉（Ivar Ugi）提出的键电子矩阵方法。研究团队巧妙地将这一经典化学理论与现代机器学习技术相结合。在FlowER中，反应中的电子通过一个矩阵进行精细化表示，其中非零值代表化学键或孤对电子，零值则表示缺少这些结构。这种矩阵化的表示方式，使得系统能够在预测化学反应时，同步监测并确保原子和电子总量的守恒，从而从根本上解决了传统AI模型在预测中可能出现的质量或电荷不守恒问题。通过这种方式，FlowER为AI化学预测提供了坚实的物理学基础，使其不再是基于模式识别的“黑箱”，而是能够对反应机理进行有意义的解释和预测。
目前，FlowER系统尚处于概念验证的早期阶段，但其所展现出的巨大潜力已令研究人员振奋。尽管该模型在训练时利用了来自美国专利局数据库的超过一百万个化学反应数据，但目前的数据集在某些特定化学领域，如涉及特定金属或复杂催化反应方面，仍存在一定的局限性。这些领域的数据缺失是未来研究需要重点拓展的方向。然而，即使在当前阶段，FlowER已能在现有反应机理路径的预测上达到或超越传统方法，并且在处理未曾见过的反应类型时展现出更强的泛化能力。
FlowER系统的卓越之处在于，它不仅在预测的有效性和守恒性方面实现了显著提升，同时在性能准确性上也与现有系统持平甚至略有超越。研究团队强调，FlowER方法的独特性在于，它将基于教科书式理解的反应机理与从专利文献中获取的、经过实验验证的宏观反应数据相结合。这种方法并非凭空臆造反应机理，而是从真实世界的实验数据中推断和校准潜在的反应过程，这在以往的规模化研究中是前所未有的。
为了推动科学社区的共同进步，FlowER系统及其所有模型和训练数据均已通过GitHub平台以开源形式免费向全球研究者开放。这种开放共享的策略，旨在鼓励更广泛的科学合作与创新，加速AI在化学领域应用的步伐。研究团队认为，他们是率先构建并开放此类详尽反应机理数据集的团队之一，这将为全球研究者提供一个前所未有的宝贵资源。
未来，FlowER团队的重点研究方向将包括进一步拓展模型对金属化学和催化循环的理解能力。目前，大部分纳入模型训练的反应并未涉及金属或催化剂，因此，在这些复杂化学体系中验证和优化FlowER的性能，将是其从“第一步”迈向更广阔应用前景的关键。长远来看，该系统有望成为发现全新复杂反应、阐明未知反应机理的强大工具，其对化学研究和工业实践的潜在影响无疑是深远而巨大的。
FlowER系统通过将人工智能的计算优势与化学反应的内在物理规律深度融合，为化学反应预测领域带来了范式上的转变。它不仅克服了现有大模型在物理真实性上的局限，更通过严谨的科学方法，使得AI能够以更可靠、更透明的方式，助力科学家探索未知的化学世界。这项研究无疑是计算化学领域的一个重要里程碑，预示着一个AI辅助化学发现新纪元的到来，一个以精确守恒为基础，以数据驱动为核心，以开放共享为精神的未来。
