“DFT精度”or“高通量效率”？大连理工刘奇磊Nature子刊 | 有机合成过渡态搜索的反应机器学习势函数研究！

背景：传统密度泛函理论（DFT）计算成本高，难以支撑大规模反应网络的高通量研究；半经验量子化学方法效率高但精度有限，如何在“DFT精度”与“高通量效率”之间取得平衡是当前计算有机化学领域的核心挑战。研究目的：为此，大连理工大学刘奇磊团队提出面向有机合成的反应机器学习势模型DeePEST-OS，融合GFN2-xTB半经验方法与MACE等变消息传递神经网络，通过Δ-learning策略学习DFT与GFN2-xTB的系统偏差，旨在实现接近DFT精度的过渡态搜索与反应能垒预测，同时显著提升计算效率。结论：模型在测试集中能量预测平均绝对误差（MAE）为0.266 kcal/mol，原子力MAE为0.380 kcal/(mol·Å)；在DORTS-1K外部测试中，过渡态几何结构RMSD为0.12 Å，反应能垒MAE为0.60 kcal/mol，低于1 kcal/mol化学精度阈值。以苯与亚硝酸反应为例，相比DFT方法实现近10,000倍加速。在Diels-Alder反应选择性预测中，DeePEST-OS预测的反应吉布斯自由能垒差（ΔΔG）与实验非对映体过量值（de）的R²达0.76，接近DFT的0.82。该模型可用于药物合成路线评估和有机反应选择性预测，推动计算有机化学向量子精度-高通量筛选协同范式发展。