化学反应网络——由势能面上的极小点、过渡态以及连接它们的基元反应构成的图——是描述从催化、燃烧到生命起源等化学过程的基本语言。然而，对于给定的化学体系，从头构建这样的网络一直不切实际：传统密度泛函理论（DFT）方法需要以反应物和产物为输入，并逐个寻找和表征成千上万的过渡态，计算成本极高。
为了解决这一瓶颈，研究人员提出了 ReactionAtlas，一个能够从少量种子分子出发、无需手工规则即可自动构建反应网络的机器学习框架。该方法的核心是一个机器学习生成模型，它基于动力学采样的候选化合物提出可能的反应；随后，一个经过 DFT 训练的机器学习力场（MLFF）对这些候选反应进行筛选，识别出有效的过渡态。这些过渡态对应的产物又会作为新的种子进入下一轮搜索，从而不断扩展网络。
在实验中，ReactionAtlas 从八个前生物相关的种子分子（CH2O、H2O、OH-、H3O+、CO2、H2CO3、HCO3-、H）开始，最终发现了约 47,000 个反应，涉及约 12,000 种化合物。精度方面，MLFF 预测的过渡态在 85% 的情况下与 PBE0 参考结构的均方根偏差（RMSD）在 0.5 Å 以内，并且可以方便地提升到 PBE0 精度。这意味着 ReactionAtlas 能够以空前的规模和精度绘制小分子碳水化合物化学，直至 C4H8O4，并包含电荷和立体化学信息。
该框架还带来了对许多已知反应路径的新见解，特别是福尔摩糖循环（formose cycle），作者强调其在生命化学起源中的核心地位。值得注意的是，ReactionAtlas 还能够为福尔摩糖化学建立替代反应路径，这为理解前生物条件下糖类的合成提供了新的视角。
这项研究展示了机器学习在自动化探索复杂化学反应网络方面的潜力，有望加速从催化到天体化学等多个领域的研究。论文标题为《ReactionAtlas: Ab origine exploration of chemical reaction networks with machine learning》，作者为 Stefan Gugler 等四人，于 2026 年 6 月 29 日提交至 arXiv（编号 2606.30778），属于机器学习（cs.LG）和化学物理（physics.chem-ph）交叉领域。