Electron flow matching for generative reaction mechanism prediction

이 연구에서는 유기 반응 예측을 물질 보존과 전자 보존 법칙을 엄격히 만족하는 전자 재분포 문제로 재정의하고, 이를 기반으로 한 생성형 딥러닝 모델 FlowER (Flow matching for Electron Redistribution)을 제안하였다. FlowER는 반응 시스템을 bond-electron(BE) matrix로 표현하고, 전자의 흐름을 연속적인 벡터장으로 모델링하여 reactant에서 product까지의 전이 과정을 flow matching 기법으로 학습한다. 이를 통해 반응 중 원자나 전자가 생성·소멸되는 기존 sequence-to-sequence 모델의 한계를 극복하고, 반응 중간체, 부산물, 조건 의존적인 경로까지 포함하는 다중 메커니즘 경로를 생성할 수 있다. FlowER는 140만 개의 elementary step으로 구성된 전문가 기반 메커니즘 데이터셋으로 학습되었고, 주요 반응 유형에 대해 높은 예측 정확도를 보이며, 약간의 fine-tuning만으로도 학습되지 않은 반응 유형에 대해 높은 generalization 성능을 나타낸다. 특히 top-1 step accuracy 기준으로는 기존 모델 대비 높은 정확도를 보였고, 전체 경로 예측에서도 top-k 범위 내에서 더 넓은 메커니즘 탐색 능력을 확인하였다. 또한 BE matrix 기반 표현은 양자화학 계산과 연계되어 반응 경로의 열역학적 타당성을 평가할 수 있게 해준다. 본 연구는 물리적으로 해석 가능한 반응 메커니즘 생성과 예측을 가능하게 하는 데이터 기반 반응 예측의 새로운 패러다임을 제시한다.