想象你是一家快递公司的调度员。每个包裹都是仓库里的一个“反应物分子”，它要沿着遍布全城的配送路线（反应路径），跨越一道道路障，才能抵达终点站（产物）。有些路线畅通无阻，包裹“嗖”地就到了；有些路线横着几堵高墙（活化能壁垒），绝大多数包裹只能原地打转。 真正决定物流效率的核心指标，是“单位时间内有多少包裹成功送达”——在化学世界里，这就是反应速率。它由路障高度（活化能）、配送员干劲（温度）、仓库拥挤程度（浓度）共同决定。更关键的是，如果有“拆墙工人”把一座高墙换成两座矮坡（催化剂），配送速度会天翻地覆。 如今，AI 正像一位“超级调度大脑”：它从海量数据中学习预测哪条路线最速、哪堵墙值得拆、快递到底要飞多快。本文以“快递配送”为主线，从反应速率的基础定义出发，依次拆解碰撞理论、过渡态理论、阿伦尼乌斯方程、影响因素，最后落到 AI 如何重塑反应路径预测与速率估算。

岗位关联

对 AI for Science 工程师而言，理解反应速率的物理化学底层逻辑，是把 AI 预测真正落地的必要条件——听懂化学的“语言”，才能写出真正有用的模型。

目录
  1. 可视化演示
  2. 反应速率基础
  3. 碰撞理论
  4. 过渡态理论
  5. 阿伦尼乌斯方程
  6. 影响速率条件
  7. AI模拟预测
  8. 工程应用优化
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示不同反应级数（0/1/2级）的浓度-时间曲线、Arrhenius方程活化能能垒与ln(k)-1/T线性关系、以及碰撞理论分子模拟。

本节配有交互动效（进入视口后自动加载，约 3KB）。

不同反应级数的浓度变化 0级反应：线性衰减，速率与浓度无关 1级反应：指数衰减，放射性衰变典型 2级反应：双曲衰减，1/[A]线性增长 反应级数决定浓度-时间曲线形态

反应速率基础

快递调度大厅的显示屏上跳动着“每小时发出包裹数”——这就是物流效率的直观读数。化学反应也同样需要这样的“仪表盘”：反应速率，定义为 单位时间内反应物浓度的减少量或产物浓度的增加量。它回答的问题是：这场化学“配送”到底跑得多快？

不过，化学反应的配平系数并不等于速率的“分蛋糕方式”。比如合成氨反应 $\mathrm{N_2 + 3H_2 \to 2NH_3}$，每消耗 1 份氮气同时消耗 3 份氢气、生成 2 份氨。为了用任意一个物质都能读出同一速率，我们需要归一化处理：

这个“仪表盘”显示的速率并不是常数——随着反应进行，反应物浓度下降，碰撞概率降低，速率也随之放缓。更重要的是，实验发现速率与浓度之间遵循幂次规律：

对 AI 工程师来说，速率方程就是“第一性标尺”——任何机器学习模型输出的速率预测，最终都要能还原成这条幂次关系，否则就是“调度系统报了一个假速度”。

v=−1aΔ[A]Δt=1bΔ[B]Δt\displaystyle v = -\frac{1}{a}\frac{\Delta[A]}{\Delta t} = \frac{1}{b}\frac{\Delta[B]}{\Delta t}
速率常数 k 由温度与催化剂决定，而指数 m、n（反应级数）必须通过实验测量，不能只看化学方程式“猜”。
  1. 浓度幂次$[A]^m [B]^n$ 表示每种反应物浓度按各自的级数贡献到速率中，充当“包裹密度越高压迫感越强”的角色。
    [A]m[B]n[A]^m [B]^n
  2. 速率常数$k$ 是温度的函数，相当于快递公司的“基础配送能力”，温度变它就变，浓度变它不变。
    kk
  3. 乘积关系$r = k[A]^m[B]^n$ 将“配送能力”与“包裹密度”相乘，得到实验可测的总速率。
    r=k[A]m[B]nr = k[A]^m[B]^n

碰撞理论

包裹要发出，前提是它们在传送带上“碰面”。1900 年前后，化学家提出碰撞理论：分子间必须发生碰撞才可能反应。但并非每次碰撞都有效——想象两辆配送车擦肩而过，如果没有对准卸货口，也只是“打了个照面”而已。

有效碰撞必须满足两个条件：能量达标（碰撞动能 ≥ 活化能 Ea，相当于配速必须够快才能冲上坡）和取向正确（分子反应位点要对准，好比钥匙要插进锁孔）。因此，实际有效碰撞频率是三者之积：

有趣的是，碰撞理论算出的 $Z_0$ 往往远大于实验速率，这说明大部分碰撞“白撞了”。这就像传送带上天天擦肩而过的包裹成千上万，可真正被准确分拣的少之又少——取向因子和能量门槛把这些无效碰撞筛掉了。AI 模型在预测反应速率时，也必须学会“筛掉无效碰撞”，而不是简单统计碰撞总数。

Zeff=Z0⋅p⋅e−Ea/(RT)\displaystyle Z_{\text{eff}} = Z_0 \cdot p \cdot e^{-E_a/(RT)}
碰撞理论把反应速率拆成了“撞多少次、多大概率对准、多少比例够能量”三件事。AI 要预测速率，本质就是在预测这三件事。
  1. 碰撞总频率$Z_0$ 表示单位体积、单位时间内所有分子碰撞的总次数，由分子尺寸、平均速度和浓度决定——相当于“传送带上每秒有多少次擦肩”。
    Z0Z_0
  2. 取向因子$p$ 是 0 到 1 之间的修正系数，表示碰撞中分子朝向恰好对准的比例——快递包裹必须标签朝上才能扫码入车。
    pp
  3. 能量玻尔兹曼因子$e^{-E_a/(RT)}$ 给出碰撞中能量超过活化能的分子比例，是决定速率“指数放大”的关键项。
    e−Ea/(RT)e^{-E_a / (RT)}

过渡态理论

碰撞理论是“经验视角”，而过渡态理论给出了更深刻的“微观视角”。想象快递车爬一个陡坡：最吃力的不是坡底，而是即将冲上坡顶的瞬间——那一刻“进退两难”，一鼓作气就翻过去，稍一松懈就滑回原地。化学反应中，这个“坡顶瞬间”对应的是一种高能量的活化络合物，即过渡态。

过渡态不是“中间产物”，而是一个极不稳定的鞍点结构：它位于势能面（反应坐标 × 能量）的鞍点上，一端连着反应物谷底，另一端连着产物谷底。化学家 Eyring 和 Polanyi 基于此推导出：

过渡态理论为 AI for Science 提供了绝佳的“计算锚点”：只要 AI 能快速、准确地找到过渡态结构并算出 $\Delta G^{\ddagger}$，就能端到端地预测速率常数。这也是为什么“过渡态搜索”会成为反应路径预测中最重要的 AI 任务之一。

k=kBTh⋅e−ΔG‡/(RT)\displaystyle k = \frac{k_B T}{h} \cdot e^{-\Delta G^{\ddagger}/(RT)}
过渡态理论把速率常数拆成“每秒尝试越坡多少次”和“有多少比例分子能站到坡顶”。它比碰撞理论更普适，尤其适合描述溶液反应和催化反应。
  1. 特征振动频率$\dfrac{k_B T}{h}$ 是过渡态分解为产物的每秒尝试次数，约 $10^{13}~\text{s}^{-1}$，相当于“坡顶每秒试跳多少次”。
    kBTh\frac{k_B T}{h}
  2. 活化自由能$\Delta G^{\ddagger}$ 表示从反应物到过渡态的自由能爬升高度，是“坡顶相对坡底的真实高度差”。
    ΔG‡\Delta G^{\ddagger}
  3. 玻尔兹曼占比$e^{-\Delta G^{\ddagger}/(RT)}$ 给出所有分子中能爬到坡顶的比例——“站上坡顶的人占总人数的比例”。
    e−ΔG‡/(RT)e^{-\Delta G^{\ddagger} / (RT)}

阿伦尼乌斯方程

1889 年，瑞典化学家阿伦尼乌斯在研究温度与反应速率的关系时，发现了一个漂亮的指数定律。这就像快递调度员总结出的经验公式：天气越热，配送员干劲越足，但加速幅度不是线性的，而是“指数级”的。

更有用的是，对方程两边取自然对数，指数关系瞬间变成一条直线：

对 AI 工程师而言，这条“阿伦尼乌斯直线”还有另一层意义：它是训练数据质量的重要诊断工具。如果你用机器学习模型预测不同温度下的速率常数，把结果画成 $\ln k$ 对 $1/T$ 的图，偏离直线的点往往意味着模型学到了错误的活化能，或者训练数据覆盖不足。

k=A⋅e−EaRT\displaystyle k = A \cdot e^{-\frac{E_a}{RT}}
用实验数据绘出 $\ln k$ 对 $1/T$ 的散点，拟合直线斜率即为 $-E_a/R$。这是化学领域最经典的“线性化实验”之一。
  1. 两边取对数对 $k = A e^{-E_a/(RT)}$ 两边取 $\ln$，把幂指数“拉下来”。
    ln⁡k=ln⁡A+ln⁡(e−Ea/(RT))\ln k = \ln A + \ln\left(e^{-E_a/(RT)}\right)
  2. 指数展开利用 $\ln(e^x)=x$，得到 $\ln(e^{-E_a/(RT)}) = -E_a/(RT)$。
    ln⁡(e−Ea/(RT))=−EaRT\ln\left(e^{-E_a/(RT)}\right) = -\frac{E_a}{RT}
  3. 线性映射令 $y=\ln k$、$x=1/T$，方程化为 $y=b+mx$，斜率 $m=-E_a/R$、截距 $b=\ln A$。
    y=b+mx,m=−EaRy = b + m x, \quad m = -\frac{E_a}{R}

影响速率条件

反应速率像一台有三个旋钮的“配送加速器”：浓度、温度、催化剂。每个旋钮的增速率机制完全不同，弄混了就会像“给快递员灌红牛却不想修路”一样，事倍功半。

浓度旋钮：提高浓度相当于让仓库里的包裹更密集，碰撞总频率 $Z_0$ 上升，速率线性或幂次增加。它不改变活化能，只增加“撞上的次数”。

温度旋钮：温度升高让分子能量分布整体右移——更妙的是，超过活化能 Ea 的分子占比呈指数暴涨。用阿伦尼乌斯方程的比值形式可以精确描述：

催化剂旋钮：催化剂不升温、不加浓度，而是“拆墙改路”——把一步高活化能的反应改造成两步低活化能的反应。总反应前后催化剂无净消耗，但反应路径彻底改变。AI 在工程优化中的核心角色，就是判断“这条路该不该拆、拆完新路快多少”。

k2k1=e−EaR(1T2−1T1)\displaystyle \frac{k_2}{k_1} = e^{-\frac{E_a}{R}\left(\frac{1}{T_2}-\frac{1}{T_1}\right)}
这个式子解释了“每升温 10 K 速率翻倍”的经验法则：活化能越高，升温带来的相对加速越猛——高墙面前，多一点干劲就能多翻过去一大批人。
  1. 温度比式把两个温度的 Arrhenius 方程相除，频率因子 A 约去，只剩指数项之比。
    k2k1=Ae−Ea/(RT2)Ae−Ea/(RT1)\frac{k_2}{k_1} = \frac{A e^{-E_a/(RT_2)}}{A e^{-E_a/(RT_1)}}
  2. 指数合并同底数指数相除等于指数相减，得到 $e^{-E_a/R \cdot (1/T_2 - 1/T_1)}$。
    e−EaR(1T2−1T1)e^{-\frac{E_a}{R}\left(\frac{1}{T_2}-\frac{1}{T_1}\right)}
  3. 相对速率$k_2/k_1$ 即温度从 $T_1$ 升到 $T_2$ 后速率常数的放大倍数。
    k2k1=e−EaR(1T2−1T1)\frac{k_2}{k_1} = e^{-\frac{E_a}{R}\left(\frac{1}{T_2}-\frac{1}{T_1}\right)}

AI模拟预测

老调度员盯着地图看几秒，就能判断哪条配送路线最优——因为他在脑海里“跑过”无数趟车。AI for Science 的梦想，就是训练出这样一位“超级调度大脑”，让它从数据中学会预测反应路径与速率。

AI 模拟预测有三条技术主线。第一，机器学习力场（MLP）：用神经网络拟合密度泛函理论（DFT）算出的能量面。给定原子坐标，网络直接输出能量和原子力，速度比 DFT 快几个数量级。训练目标是让预测能量与参考值的误差最小：

第二，过渡态自动搜索：结合攀爬弹性带（NEB）等方法，AI 自动在反应物与产物之间生成初始路径，再迭代优化至鞍点，无需人工构建过渡态。第三，速率常数端到端预测：把 ML 力场算出的 $\Delta G^{\ddagger}$ 代入过渡态理论公式，即可批量预测 $k$。AI 的价值在于把“一次反应一次实验”变成“一次训练，万次推理”。

L(θ)=∑i(Eθ(Ri)−EiDFT)2+λ∑i∥Fθ(Ri)−FiDFT∥2\displaystyle \mathcal{L}(\theta) = \sum_i \left( E_\theta(\mathbf{R}_i) - E_i^{\mathrm{DFT}} \right)^2 + \lambda \sum_i \left\| \mathbf{F}_\theta(\mathbf{R}_i) - \mathbf{F}_i^{\mathrm{DFT}} \right\|^2
损失函数两道惩罚：能量预测错要罚，原子力预测错也要罚。力是能量的梯度，同时拟合两者能让势能面更光滑、更物理。
  1. 能量损失$E_\theta(\mathbf{R}_i)$ 是网络对第 $i$ 个构象的预测能量，$E_i^{\mathrm{DFT}}$ 是 DFT 参考值，两者差的平方累计求和——“预测配送时间与真实时间差越小越好”。
    ∑i(Eθ(Ri)−EiDFT)2\sum_i \left( E_\theta(\mathbf{R}_i) - E_i^{\mathrm{DFT}} \right)^2
  2. 力损失$\mathbf{F}_\theta$ 与 $\mathbf{F}_i^{\mathrm{DFT}}$ 分别表示预测与参考的原子受力向量，范数平方惩罚矢量误差——“不仅时间要准，每段路的坡度也要准”。
    ∑i∥Fθ(Ri)−FiDFT∥2\sum_i \left\| \mathbf{F}_\theta(\mathbf{R}_i) - \mathbf{F}_i^{\mathrm{DFT}} \right\|^2
  3. 权重平衡$\lambda$ 控制力项在总损失中的占比，通常取 0.1~1，充当“坡度准确度与时间准确度的相对重视程度”。
    L=能量项+λ⋅力项\mathcal{L} = \text{能量项} + \lambda \cdot \text{力项}

工程应用优化

有了 AI“调度大脑”，快递公司终于可以统筹全链路：选路线、排班、修路、分拣一气呵成。在化学工程中，这对应三大优化场景。

催化剂设计：催化剂表面有无数候选活性位点，传统做法是一一合成测试，费时费力。AI 用机器学习力场快速估算每个位点的活化能与吸附能，再结合转化频率（TOF）筛选出最值得实验验证的 Top-K 候选。

反应条件优化：温度、压力、进料比、停留时间构成高维参数空间。贝叶斯优化用代理模型（如高斯过程）预测目标函数，每次实验后更新模型、用采集函数选下一个实验点，把候选实验数从几百次降到几十次。绿色化工：AI 预测高选择性反应路径，减少副产物和能耗，从源头实现“原子经济性”。

对于 AI 从业者，这些场景的共同点是：物理化学公式定义了“什么值得预测”，AI 提供了“以可承受成本预测”的手段。两者结合，才是真正的 AI for Science。

TOF=n产物N活性位点⋅t\displaystyle \text{TOF} = \frac{n_{\text{产物}}}{N_{\text{活性位点}} \cdot t}
TOF 衡量每个活性位点每秒能转化多少个分子，是催化剂“人均效率”的硬指标。AI 预测的 TOF 与实验值偏差越小，筛选越可靠。
  1. 产物量$n_{\text{产物}}$ 是催化反应实际生成的产物物质的量，单位 mol。
    n产物n_{\text{产物}}
  2. 活性位点归一$N_{\text{活性位点}}$ 是催化剂表面可参与反应的活性中心数目，用它将效率“平均到每个人头”。
    N活性位点N_{\text{活性位点}}
  3. 时间归一除以反应时间 $t$，得到单位时间、单位活性位点的转化数，即 TOF。
    TOF=n产物N活性位点⋅t\text{TOF} = \frac{n_{\text{产物}}}{N_{\text{活性位点}} \cdot t}

AI 应用场景

高通量催化剂筛选

阶段：数据驱动的材料发现与筛选

解决的问题：传统试错法需合成数百种催化剂逐一做活性测试，单轮实验周期以月计。AI 用机器学习力场批量估算候选结构的活化能和 TOF，先筛出 Top-K 再进实验室，把筛选成本降低一个数量级。

具体案例：某研究组用图神经网络预测双金属合金催化 CO 氧化的能垒，从 1500 余个候选组分中快速筛出 5 个高活性配方，后续实验验证其中 3 个的活性超过商用催化剂。

反应工艺条件优化

阶段：贝叶斯优化与实验闭环

解决的问题：化工反应器涉及温度、压力、浓度、停留时间等多个参数，组合空间巨大，传统网格搜索要烧掉海量实验。贝叶斯优化用代理模型指导采样，在保证精度的同时大幅减少实验轮次。

具体案例：某制药中间体合成工艺优化中，团队用贝叶斯优化在 12 维参数空间搜索，将最优条件发现所需实验从约 400 次压缩到 40 次，收率提升 15%。

过渡态自动搜索

阶段：反应机理自动化解析

解决的问题：人工构建过渡态结构依赖深厚的化学直觉且极易出错。AI 结合 NEB 与神经网络势能面，自动从反应物/产物对出发搜索鞍点、验证过渡态、构建完整反应路径网络。

具体案例：在钯催化偶联反应机理研究中，自动搜索算法在一天内解析出包含 20 余个 elementary steps 的完整反应网络，并标出各步速率常数与决速步。

Python 演示

python39 行
#!/usr/bin/env python3"""阿伦尼乌斯方程演示：从实验数据拟合活化能，并预测新温度下的速率常数。"""import numpy as np  def arrhenius_k(A, Ea, T):    R = 8.314  # J/(mol*K)    return A * np.exp(-Ea / (R * T))  def run_demo():    # 实验数据: 温度 (K) -> 速率常数 k (s^-1)    temps = np.array([300.0, 310.0, 320.0, 330.0, 340.0])    ks = np.array([1.18e-3, 2.41e-3, 4.78e-3, 9.21e-3, 1.72e-2])     x = 1.0 / temps    y = np.log(ks)     # 线性拟合: y = lnA - (Ea/R) * x    slope, intercept = np.polyfit(x, y, 1)    Ea = -slope * 8.314    A = np.exp(intercept)     T_pred = 350.0    k_pred = arrhenius_k(A, Ea, T_pred)     print("拟合活化能 Ea = {:.2f} kJ/mol".format(Ea / 1000))    print("频率因子 A = {:.3e} s^-1".format(A))    print("350K 预测速率常数 k = {:.4e} s^-1".format(k_pred))    print("实验验证 300K->310K 速率放大倍率: {:.2f}".format(ks[1] / ks[0]))    print("Arrhenius 预测 300K->310K 放大倍率: {:.2f}".format(        arrhenius_k(A, Ea, 310) / arrhenius_k(A, Ea, 300)))  if __name__ == "__main__":    run_demo()
目的：用最小二乘拟合阿伦尼乌斯直线，反推活化能与频率因子，再外推预测高温下的速率常数，验证“升温 10 K 速率约翻倍”的经验法则。
  1. import numpy as np引入数值计算库，为后续向量化运算提供便利。
  2. def arrhenius_k(A, Ea, T):封装阿伦尼乌斯方程，后续多处调用避免重复代码。
  3. x = 1.0 / temps构造线性拟合的自变量 1/T，将指数关系转化为直线关系。
  4. y = np.log(ks)对速率常数取自然对数，转化为线性拟合的因变量 ln k。
  5. slope, intercept = np.polyfit(x, y, 1)一次多项式拟合，返回斜率与截距。
  6. Ea = -slope * 8.314由斜率 -Ea/R 反推活化能，单位转为 J/mol。
  7. k_pred = arrhenius_k(A, Ea, T_pred)用拟合参数外推 350K 下的速率常数，展示模型预测能力。

常见误区

误区温度升高后，分子运动加快，每次碰撞都更有力量，反应速率自然就线性提升了。

正解温度升高确实增大了碰撞频率，但增幅有限（约随 T 的平方根增长）。真正让速率“指数暴涨”的，是能量分布整体右移后，超过活化能 Ea 的分子占比呈指数增加。这就像快递员干劲普涨，但关键不是人人快一点，而是原本差一口气翻不过墙的人现在能翻过去了——那批“差一口气”的分子才是提速主力。

为何常见：直觉上把“跑得更快”等同于“翻墙更容易”，忽略了玻尔兹曼分布的指数尾巴才是决定性因素。

误区催化剂反应前后没有消耗，一定只是“旁观者”，在边上喊加油而已。

正解催化剂深度参与了反应：先与反应物结合成中间体，再转化并再生。它把“一座高墙”改造成“两座矮坡”——总反应路径变了，活化能降低，速率常数 k 指数增大。就像拆墙工人把一道 3 米高墙拆成两级 1.5 米台阶，虽然他忙前忙后，但墙拆完他又回到原点，没有任何“净消耗”。

为何常见：把“没有净消耗”误解为“不参与”，忽略了过渡态路径被彻底改变这一本质。

误区活化能低的反应本来就容易发生，那升温应该带来更明显的加速。

正解恰恰相反。活化能 Ea 越高，指数项 $e^{-Ea/(RT)}$ 对温度变化越敏感，升温带来的相对速率提升越大。想象两堵路障：矮坡本来就能轻松翻越，多给点干劲提升有限；高墙原本几乎无人能过，干劲一上来，翻墙人数会呈指数暴涨。

为何常见：把“反应容易发生”和“对温度灵敏度高”混为一谈，没有从指数求导的角度理解 Arrhenius 方程。

误区机器学习力场预测又快又准，以后不用做实验了。

正解ML 力场的精度高度依赖训练数据覆盖范围。对于训练分布之外的构象，预测可能严重失真。AI 是“超级外推器”而非“神谕”，最稳妥的实践是 AI 预筛 + 高精度计算/实验验证的闭环。就像老调度员再经验丰富，遇到全新路线的暴雨天气也得先跑一趟试车。

为何常见：看到 AI 在某些对标 DFT 的任务上精度大幅提升，便误以为 AI 已获得“物理外挂”，忽略了数据分布外推的根本局限。

面试题

Q1. 化学反应速率定义中，除以化学计量系数的目的是什么？

单选题 · easy

  • A.让浓度单位变得统一标准
  • B.使各物质速率数值一致← 正确答案
  • C.消除温度对速率的干扰
  • D.让速率常量保持正值不变

答案：B。化学反应中各物质的计量系数不同，直接算出的“消耗/生成速率”数值各不相同。除以化学计量系数相当于“归一化”，让从任何反应物或产物读出的速率都相等。B 正确。A 错在单位本就是 mol/(L·s) 与系数无关；C 错在温度影响是通过 k 体现的，与归一化无关；D 错在正负来自定义而非系数。

Q2. ln k 对 1/T 作图得到直线，其斜率是？

单选题 · mid

  • A.活化能与气体常数之比
  • B.活化能与气体常数的乘积
  • C.负的活化能除以气体常数← 正确答案
  • D.正比于频率因子的对数

答案：C。由 $\ln k = \ln A - \frac{E_a}{R}\cdot\frac{1}{T}$，以 1/T 为横轴、ln k 为纵轴，斜率即为 $-E_a/R$。C 正确描述了“负的活化能除以气体常数”。A 缺负号，B 是乘不是除，D 是截距而非斜率。

Q3. 温度从 300 K 升到 310 K，对活化能较高的反应，速率常数通常约？

单选题 · mid

  • A.完全保持不变
  • B.大约增大 1 倍← 正确答案
  • C.稳定增大 10 倍
  • D.大约减小一半

答案：B。Arrhenius 经验法则“每升温 10 K 速率约翻倍”对中高活化能反应近似成立。B 正确。A 无视温度指数效应；C 夸张偏离常规数量级；D 方向完全反了，升温必然使 k 增大而非减小。

Q4. 催化剂加快化学反应速率的本质是？

单选题 · mid

  • A.大幅提高碰撞频率
  • B.降低反应活化能← 正确答案
  • C.升高反应体系温度
  • D.增大反应物浓度

答案：B。催化剂通过改变反应路径，把一步高能垒变为多步低能垒，等效降低表观活化能 Ea，使 $e^{-Ea/(RT)}$ 指数增大。B 正确。A、C、D 都误把催化剂当成“浓度/温度/碰撞频率”的调节手段，与催化剂作用机制不符。

Q5. 一次分子碰撞要成为“有效碰撞”，必须满足哪些条件？

多选题 · mid

  • A.碰撞总能量高于活化能← 正确答案
  • B.碰撞时取向方向正确← 正确答案
  • C.分子相对质量足够大
  • D.碰撞必须发生在高温区

答案：AB。碰撞理论指出有效碰撞需同时满足能量门槛与取向正确。A、B 正确。C 分子质量与碰撞有效性无必然关联；D 反应可在任何温度发生，只是速率不同，“高温区”并非必要条件。

Q6. 过渡态理论中，$k_BT/h$ 这一组合的量纲是什么？

单选题 · hard

  • A.时间的倒数 s⁻¹← 正确答案
  • B.摩尔每时间单位
  • C.能量乘以时间单位
  • D.体积每摩尔单位

答案：A。$k_B$（J/K）乘以 T（K）得能量 J，再除以 $h$（J·s），结果为 s⁻¹，即频率单位，代表过渡态每秒尝试分解为产物的次数。A 正确。B 涉及摩尔，C 是能量×时间不等于频率，D 是浓度相关量纲，均不符合。

Q7. 机器学习力场（MLP）在反应速率预测中的优势包括？

多选题 · hard

  • A.比 DFT 计算高速许多← 正确答案
  • B.可加速过渡态搜索← 正确答案
  • C.完全无需任何化学知识
  • D.依赖训练数据覆盖率← 正确答案

答案：ABD。MLP 推理速度远快于 DFT，A 正确；结合 NEB 可自动搜索过渡态，B 正确；精度受训练数据覆盖范围限制，D 是客观描述。C 错误——MLP 的架构设计（平移/旋转不变性、原子特征）蕴含了大量物理化学先验，并非“无需任何化学知识”。

Q8. 增大反应物浓度使反应速率加快，微观机制是？

单选题 · easy

  • A.增加了有效碰撞频率← 正确答案
  • B.降低了反应活化能
  • C.提高分子平均动能
  • D.改变了反应级数大小

答案：A。浓度增大让单位体积内分子数变多，碰撞总频率上升，有效碰撞次数随之增多，速率加快。A 正确。B 活化能由反应本性决定，浓度无法改变；C 平均动能取决于温度；D 反应级数由实验确定，不随浓度改变。

Q9. 根据 Arrhenius 方程，活化能越高的反应，升温带来的相对速率提升？

单选题 · mid

  • A.越小，因为反应本就很难
  • B.越大，因为指数项更敏感← 正确答案
  • C.不变，只与温度跨度有关
  • D.无法判断，取决于催化剂

答案：B。比较 $e^{-Ea/RT}$ 对 T 的变化率，活化能 Ea 越大，指数项对温度越敏感，相对放大倍数越大。B 正确。A 把“难以发生”与“温度不敏感”混为一谈；C 忽略了 Ea 的影响；D 催化剂会影响 Ea 选择，但问题针对给定活化能的情形。

Q10. 在 AI 辅助的化工工艺优化中，贝叶斯优化的优势体现在？

多选题 · hard

  • A.用代理模型替代真实实验采样← 正确答案
  • B.每次实验后更新模型引导采样← 正确答案
  • C.可显著压缩最优条件搜索次数← 正确答案
  • D.直接改变反应热力学平衡常数

答案：ABC。贝叶斯优化用高斯过程等代理模型拟合目标函数，每次实验后更新模型，通过采集函数选择最有信息量的下一个实验点，从而大幅压缩实验次数。A、B、C 正确。D 属于热力学范畴，AI 优化不改变反应平衡常数，这是基本原理限制。