预测化学反应的过渡态（TS）对理解反应机理至关重要。传统的 TS 预测方法多基于线性流匹配，假设反应路径为直线，这与真实的分子轨迹相差甚远。
ReCurveflow 引入了一种基于流匹配的框架，利用从完整的 NEB（ Nudged Elastic Band）带中插值得到的连续弯曲参考路径，对 TS 几何结构进行监督学习。该框架的核心是学习一个速度场，使得在给定起始几何时，模型能够沿着弯曲路径推进至过渡态。
为了提升推理阶段的鲁棒性，ReCurveflow 设计了 off‑path correction 机制。当生成的几何偏离参考轨迹时，模型会自动产生修正速度场，抵消曝光偏差并提高 TS 预测精度。
在三个数据划分和六个评估指标上，ReCurveflow 在大多数划分‑指标组合中优于七个基线模型。定性分析表明，模型生成的能量曲线紧随 NEB 参考，提供的初始结构显著降低了 NEB 优化的计算瓶颈，并在学习到的速度场中展现出预期的修正行为。
代码已开源于 https://github.com/dmis-lab/ReCurveflow。
博主点评：ReCurveflow 通过引入弯曲参考路径和 off‑path 修正，克服了传统线性流匹配的局限，为 TS 预测提供了更贴近真实反应路径的解决方案，值得在计算化学和机器学习交叉领域进一步探索。