高势垒异构化不再只看自由能面：AIMMD学出的符号committor揭示视黄醛与对香豆酸的分步S形路径
核心概要
高势垒的顺反异构反应中，committor（给定构型先到产物而非反应物的概率）几乎是一个阶跃函数，只在过渡态附近狭窄区间取中间值。研究者把AIMMD路径采样与符号回归结合，在真空中的N-视黄叉赖氨酸和对香豆酸阴离子上从无偏分子动力学轨迹学到committor，并蒸馏成闭式解析式。四个绕反应双键的proper二面角必须非线性耦合，才能重现过渡路径集合中的S形分步路径，而最小自由能路径是一条直线。
深度剖析
高势垒化学反应的反应坐标现在可以从无偏分子动力学轨迹中学出，并写成可读的解析式，而不只停留在神经网络黑箱里。 此前committor几乎只在扩散型生物分子自组织过程中被学习，那里势垒宽、动量快速弛豫；对势垒高而窄的化学异构化，committor近似阶跃函数，只拟合pB=0.5等值面会在多数构型上显得准确却漏掉机制信息。 在视黄醛模型中，32727条生成路径里有9.1%是过渡路径；用独立AIMMD运行的438个起始结构、每个200条双向射击路径做检验，神经网络预测在qB∈[−4,4]即pB∈[0.02,0.98]区间内与估计值高度一致。
反应机制表现为分步的S形路径：靠近反应物和产物时主要沿重原子二面角θ1转动，靠近过渡态时改由带氢的θ2完成。 (θ1,θ2)空间中的最小自由能路径是一条连接顺式与反式的直线，暗示协同扭转；过渡路径集合却给出S形路径。 在视黄醛的过渡路径集合中，θ1在过渡态两侧达到速度最大值而在过渡态本身较慢，θ2整体速度更高并在过渡态附近达到峰值；过渡路径平均时长0.128±0.054 ps，短到无法与周围自由度热化。
符号回归把神经网络committor蒸馏成只含四个proper二面角余弦的紧凑表达式，其中只有四变量非线性耦合形式能重现S形等值线。 单变量cos θ4模型和双变量cos θ1与cos θ2之和模型在pB=0.5处与神经网络对齐，但把路径平滑成直线，丢失分步特征。 四变量模型的损失比双变量模型低约8%，在预测与采样logit committor的视觉对比中是唯一达到与参考神经网络相当精度的解析模型；符号回归以相同损失函数运行10次以观察重复模式。
质量不对称被用来预测第二个分子：对香豆酸阴离子的重原子与带氢二面角有效质量差更大，其S形应更明显。 视黄醛中θ1由四个重原子定义、θ2含C14上的氢；对香豆酸一侧连4-羟基苯基、两个烯碳各带一个氢，质量差更大。 对香豆酸阴离子用迁移学习后的ANI-2x势做AIMMD，5万次双向射击得到7479条反应路径，其(θ1,θ4)过渡路径集合呈现明显S形，速度曲线同样显示重坐标先加速、轻坐标在势垒顶最快。
启示与展望
演示范围是真空中的两个顺反异构化：N-视黄叉赖氨酸用AMBER类力场，对香豆酸阴离子用迁移学习的ANI-2x势；结论限于构型committor与这两个体系。
构型committor的准确性不意味着惯性可忽略，过渡态附近速度仍可能携带信息；对香豆酸的符号损失在中低复杂度下仍高于神经网络，紧凑表达式是否普遍存在尚待更多化学上多样的反应检验；解析式外推缺少采样校验。