結合 Petri 網與深度學習的神經 Petri 流（NPF）：將物理守恆定律寫入化學反應預測
Neural Petri Flows: Hard-Wiring Physical Conservation Laws into Chemical Reaction AI
傳統機器學習模型在預測化學反應時，難以保證產物符合基本的物理與化學守恆定律。研究團隊提出「神經 Petri 流」（NPF）框架，將 Petri 網與化學系統進行完美映射：原子間的鍵結與自由價為「位置」（Places）、代幣（Tokens）為鍵級單位。NPF 將守恆定律與非負性等物理規則設計為無參數的神經網路層，僅讓 AI 學習化學反應的「速率法則」（反應發生傾向）。實驗證實，NPF 在未經訓練下，原子映射準確率即超越 RXNMapper；在 USPTO-480K 預測任務中表現優異，且所有預測產物皆天然符合物理規則，無需任何後處理篩選。
核心重點
物理守恆硬編碼
將價電子預算與化學鍵守恆設計為無參數層，確保不論權重如何，模型輸出皆 100% 符合物理規律。
零樣本原子映射
在完全不需訓練的情況下，利用最小啟用向量在 Golden set (88.8%) 與 EnzymeMap (88.7%) 的映射表現皆優於 RXNMapper 等專用模型。
極佳的資料效率
僅用 USPTO-480K 資料集的 1% 進行訓練，NPF 仍能正確預測出 67.4% 的化學反應產物。
天然分子有效性
以電子作為 token 模擬時，對 FlowER 基礎步驟預測準確率達 90.5%，且所有第一順位預測皆為合法分子，無需後處理篩選器。
技術圖解
為什麼重要
傳統化學 AI 模型（如生成式 transformer）經常會「幻覺」出不符合物理守恆或結構不合法的分子，需要複雜的後處理篩選。NPF 證明了「將歸納偏置（inductive bias）硬編碼為精確物理法則」的威力。這不僅大幅降低了模型對訓練數據量的依賴（僅需 1% 資料即可運作），還能保證生成結構絕對合法，這將對製藥與新材料開發的合成路徑規劃帶來突破性的精準度改善。
對誰有影響
- AI 開發者
- AI 研究人員
- 企業決策者
可以怎麼使用
- 1原子映射（Atom Mapping）：在複雜反應與酶促反應中追蹤原子的去向與變化
- 2正向反應預測：預測給定反應物在特定條件下的最終產物分子結構
- 3反應分類：自動預測並編碼化學反應（如 ECREACT 中的酶反應 EC 編號）
限制與注意事項
- 高度依賴 Petri 網與化學系統的對應定義，對於含有複雜過渡金屬配位鍵或非常規共價反應的系統，規則映射可能較為困難。
延伸閱讀
符合性預測集合如何量化資訊增益：資訊理論的新視角
How Conformal Prediction Sets Quantify Information Gain: An Information-Theoretic Foundation
本研究為「符合性預測（Conformal Prediction）的集合大小可作為不確定性量度」奠定了資訊理論基礎，證明其與香農互資訊的內在聯繫。
4D-HOF：利用流匹配技術實現前饋式 4D 手部與物體互動重建
4D-HOF: Feed-Forward 4D Hand-Object Interaction Reconstruction via Flow Matching
4D-HOF 是一個前饋式框架，利用條件流匹配技術將視覺基礎模型產生的粗糙手物狀態，轉換並修正為符合物理與幾何約束的精確 4D 互動重建。
IdeaAnchor：教導大語言模型將學術文獻轉化為研究點子
IdeaAnchor: Teaching LLMs to Turn Literature into Research Ideas
研究人員提出 IdeaAnchor 架構，透過挖掘已發表論文的結構化「錨點」訊號，教導大語言模型如何整合現有文獻並生成具備創造力與豐富細節的研究方向。