在全球能源结构深度调整的背景下，煤炭作为我国能源体系的压舱石，依然在能源安全和产业发展中扮演着关键角色。如何更高效、更精准地将煤炭转化为油气等高附加值产品，是当前能源化工领域的核心难题。上海创智学院朱通团队开展了一项以“AI+物理融合”为核心的科研探索，力图构建一种全新的化学反应智能预测体系，为破解煤制油气中的技术瓶颈提供长期支撑。
煤制油气产业面临的现实困境
煤制油工艺虽发展多年，但其工业化过程始终面临“反应机制复杂、煤种适应性差、优化周期漫长”等突出问题。不同地区的煤种差异大，例如新疆煤、兖州煤、大同煤等，其在现有工艺下的产油效率、供氢反应能力存在显著差异，导致产业在规模推广和成本控制上举步维艰。当前主要依赖经验驱动的试错式实验方法，不仅效率低、成本高，也难以适应未来复杂系统的高质量发展需求。
探索AI与物理融合的全新解法
为了应对这些挑战，研究团队正在开展一项面向未来的探索性研究，尝试将AI算法与物理原理深度融合，希望通过更深入地理解化学反应的内在规律，构建一个具有通用性与可解释性的化学反应基座模型。既强调从底层物理中抽取共性，也充分利用人工智能在高维空间中的高效表达与学习能力，从而在通用性和决策效率之间取得更优的平衡。目前该工作已经取得了一系列阶段性进展：
构建通用化学反应大原子模型：构建面向碳、氢、氧、氮元素体系的超过1700万个非平衡构型的大规模预训练数据集，并通过主动学习构建精细化高精度数据用于模型微调，最终获得一个通用反应大原子模型。模型在反应能量、结构优化与过渡态预测等方面表现出优异性能，部分指标已超过高精度量子化学水准，也超过了5月份Meta发布的通用势能模型。
开发了深度学习增强的化学反应密度泛函算法：通过在传统泛函基础上引入机器学习修正项，团队提出深度学习增强的密度泛函计算框架，在保持高计算效率的同时，大幅提升了反应能和能垒预测的精度。这一方法在碳、氢、氧、氮体系上实现了接近化学精度的性能，优于多种主流泛函，尤其适用于对煤制油等复杂反应路径进行快速可靠的能量评估，为煤化工领域的大规模反应建模与参数筛选提供了新工具。
构建能量-构型双一致的扩散模型，实现反应路径秒级预测：等变一致性扩散模型（ECTS）可在单步推理中同时生成反应路径、过渡态结构并给出能垒预测，显著简化了传统反应机制计算流程。模型在保持高精度的同时，计算速度提升数百倍，过渡态结构误差低至0.12 Å，能垒预测误差仅为2.4 kcal/mol。该方法适用于高通量反应筛选与路径识别，有望服务于煤制油等复杂反应体系的机制探索与路径优化。
构建跨尺度谱学大模型，实现谱学信号与反应机理的双向对齐：多层级、跨尺度的化学反应知识图谱构建方法融合了分子结构、反应类型、谱学等信息，实现反应产物、振动光谱等复杂属性的结构化表达。通过统一的图表示框架，模型可支持产物预测等多种下游任务，增强了复杂反应体系中谱学知识的可调度性与模型的通用性。
从底层能力到系统化支撑
研究团队在物理建模、化学化工、人工智能算法与高精度实验等关键方向具备深厚积淀，已构建完成一批高质量实验与模拟数据集，累计收录超3000万个超高分辨反应数据。在此基础上，团队已开发出多个原型模型，初步验证了其在复杂反应体系中的建模能力和泛化性能，并与多家行业头部单位建立稳定合作机制，推动研究成果在实际场景中的早期验证与试点应用。
团队聚集了一支具备“理论—算法—应用”全链条能力的跨学科博士生队伍，涵盖物理、化学、人工智能等核心领域，能够在前沿理论探索与产业需求之间架起高效转化的桥梁，持续释放原始创新活力。
开源模型和数据链接：
https://doi.org/10.5281/zenodo.14876882
https://github.com/sii-research/DPA3-CHON
https://github.com/sii-research/BHpredict
https://github.com/sii-research/vib2mol
