上海交大KinFormer：生成式符号回归模型助力自动发现未知化学反应动力学机制

本文介绍了上海交通大学人工智能研究院 AI for Science 团队提出的 KinFormer 模型，该模型旨在解决化学反应动力学方程发现问题。传统方法依赖化学家的先验知识，效率低下且易受主观偏差影响，而现有符号回归技术在复杂催化反应建模中表现不佳。KinFormer 通过条件训练策略和蒙特卡洛树搜索（MCTS）模块，有效捕捉动力学方程间的依赖关系，并确保物理一致性。实验结果显示，KinFormer 在跨机制泛化、噪声稳健性和搜索效率方面显著优于现有方法。该研究为化学动力学研究提供了智能化工具，并有望应用于其他领域的动力学系统建模。