잠재 흐름 매칭을 통한 반응 경로 제어

Driving Reaction Trajectories via Latent Flow Matching

최근 반응 예측 분야에서 상당한 발전이 있었으며, 표준 벤치마크(예: USPTO)에서 거의 완벽한 정확도를 달성했지만, 대부분의 최첨단 모델은 반응물에서 생성물로의 일회성 매핑 방식을 사용하며, 이는 반응 과정에 대한 제한적인 통찰력을 제공합니다. 절차적 대안은 단계별 생성을 도입하지만, 종종 메커니즘 특이적인 감독, 이산적인 기호 편집, 그리고 계산적으로 비싼 추론에 의존합니다. 본 연구에서는 반응을 열역학적 생성물 상태에 고정된 연속적인 잠재 경로로 모델링하는 새로운 반응 예측 패러다임인 LatentRxnFlow를 제안합니다. Conditional Flow Matching을 기반으로 하는 본 접근 방식은 메커니즘적 주석이나 큐레이션된 중간 레이블 없이, 표준적인 반응물-생성물 쌍으로부터 시간 의존적인 잠재 역학을 직접 학습합니다. LatentRxnFlow는 USPTO 벤치마크에서 최첨단 성능을 달성하지만, 더욱 중요한 점은 연속적인 형식이 전체 생성 경로를 드러내어, 이산적이거나 일회성 모델로는 구현하기 어려운 경로 수준의 진단 기능을 가능하게 합니다. 우리는 잠재 경로 분석을 통해 오류 발생 지점을 찾고 특성화하며, 게이트된 추론을 통해 특정 오류를 완화할 수 있음을 보여줍니다. 또한, 학습된 경로의 기하학적 특성은 인식론적 불확실성의 내재적인 신호를 제공하여, 신뢰성 있게 예측 가능한 반응 결과를 우선시하고 추가 검증이 필요한 모호한 사례를 식별하는 데 도움을 줍니다. 전반적으로, LatentRxnFlow는 강력한 예측 정확도와 함께 투명성, 진단 가능성 및 불확실성 인식을 향상시켜, 반응 예측을 고처리량 발견 워크플로우에서 더욱 신뢰할 수 있는 방식으로 활용할 수 있도록 합니다.

Recent advances in reaction prediction have achieved near-saturated accuracy on standard benchmarks (e.g., USPTO), yet most state-of-the-art models formulate the task as a one-shot mapping from reactants to products, offering limited insight into the underlying reaction process. Procedural alternatives introduce stepwise generation but often rely on mechanism-specific supervision, discrete symbolic edits, and computationally expensive inference. In this work, we propose LatentRxnFlow, a new reaction prediction paradigm that models reactions as continuous latent trajectories anchored at the thermodynamic product state. Built on Conditional Flow Matching, our approach learns time-dependent latent dynamics directly from standard reactant-product pairs, without requiring mechanistic annotations or curated intermediate labels. While LatentRxnFlow achieves state-of-the-art performance on USPTO benchmarks, more importantly, the continuous formulation exposes the full generative trajectory, enabling trajectory-level diagnostics that are difficult to realize with discrete or one-shot models. We show that latent trajectory analysis allows us to localize and characterize failure modes and to mitigate certain errors via gated inference. Furthermore, geometric properties of the learned trajectories provide an intrinsic signal of epistemic uncertainty, helping prioritize reliably predictable reaction outcomes and flag ambiguous cases for additional validation. Overall, LatentRxnFlow combines strong predictive accuracy with improved transparency, diagnosability, and uncertainty awareness, moving reaction prediction toward more trustworthy deployment in high-throughput discovery workflows.