化学反应网络不再逐次拟合：一次训练后，模型选择与速率常数秒级出结果

化学反应网络的路径判别和速率常数估计被合并成一个联合推断任务，训练完成后对新观测数据只需一次前向计算。 此前的标准做法是序贯蒙特卡洛近似贝叶斯计算，它依赖人工设计的低维摘要统计量，并且每来一份新数据都要重新做一遍模拟和采样。 在三个候选机理的合成数据上，网络在底物与产物都观测、20个时间点的设置下全局模型选择准确率为94%；只观测产物、10个时间点时仍为92%。

共享的摘要网络把变长、多实验条件的时间序列压成一个固定长度向量，这个向量同时驱动路径分类和参数密度估计。 摘要网络用一维卷积提取每条轨迹的时间特征，再用集合注意力把不同初始条件的实验当作无序集合处理，因此不依赖实验给出的顺序。 每个候选机理配一个条件可逆神经网络，把速率常数映射到隐变量以给出后验密度；在3000条独立测试轨迹上评估，并用期望校准误差和Brier分数检查后验概率的校准。

在真实的催化原脱硼反应数据上，网络把92.19%的后验概率给了抑制剂诱导失活路径。 该实验数据只有产物浓度、10个时间点、三种不同催化剂载量，中间物种未被观测。 从这些后验中抽样的合成轨迹与实验观测一致，但多数速率常数的后验分布很宽，说明仅测产物不足以完全确定各个速率常数。

该工作面向研究化学反应动力学的计算化学与机器学习读者，适用场景是候选机理集合已知、观测为部分物种的变长时间序列。合成研究覆盖三个候选机理，并扩展到四个；真实案例是催化原脱硼反应中三种催化剂失活假设的判别。作者提出下一步是把架构扩展到更多竞争结构，例如常见的20种反应机理，并可能用分层分类头处理重叠结构。

框架目前依赖封闭世界假设：它假定真实的数据生成过程落在预定义的候选集合内。如果真实机理不在候选集中，模型网络只能把概率分配给可用的近似。作者指出，向开放世界推断迈进仍是关键挑战，让架构能够把某条实验轨迹标记为候选集内的异常是未来方向。在真实原脱硼案例中，多数速率常数的后验分布很宽，说明仅观测产物不足以完全识别所有单个速率常数。