用于化学反应的 Neural Petri 流

arXiv:2610.08750v1 发布类型：新提交 摘要：Petri 网一直被用于描述化学过程，例如化学反应。它们与化学具有良好的对应关系：库所表示原子之间的键以及每个原子的自由价，令牌表示一个键级单位，变迁形成或断开化学键守恒量是原子的价预算，而使能规则则是价规则。反应的学习模型，或以 Petri 网为骨架、利用网络进行消息传递的神经网络，并不能保证具备这些语义。在本文中，我们探讨这样一种架构：无论其权重取何值，它始终是一个 Petri 网。我们在相关理论中找到了答案：网络的所有语义都具有发射形式 $m^\prime=m+C\sigma$，具有局部性，因为使能判定只读取某个变迁的输入，并遵循使能规则；我们还证明，守恒性会强制采用该发射形式，而非负性则会在局部速率定律下强制采用使能规则。这样，速率定律仍是自由的，即每个变迁发生的倾向性。我们引入 Neural Petri Flow，用于学习该速率定律，或学习用于分类的读出函数，并将其余部分作为无参数层硬编码。在我们称为价网的网络上，原子映射、反应分类和正向预测可归结为同一个发射向量上的三个任务。在不进行训练的情况下，最小发射向量在经过整理的 Golden 集上实现了 88.8% 的映射准确率，而 RXNMapper 为 85.6%；在 EnzymeMap 的酶反应上则达到 88.7%，而 RXNMapper 为 77.9%。在 USPTO-480K 上，基于这些发射向量训练的 NPF 能够预测出 87.7% 的产物；当仅使用训练反应的 1% 子集进行训练时，仍能预测出 67.4% 的产物。对于 ECREACT 的 EC 编号，模型能够在 90.2% 的反应中预测到第三级，比已发表的最佳方法高出 5.6 个百分点。将电子作为令牌后，同样的令牌博弈能够预测 FlowER 中 90.5% 的基元步骤，优于已发表的基线；并且所有排名第一的预测都是有效分子，无需过滤器。