ICML（International Conference on Machine Learning）是机器学习与人工智能领域的国际顶级学术会议，是机器学习领域历史最悠久的、规模最大、影响最广的顶级学术会议之一。

去芳构化（Dearomatization）反应作为实现平面芳香体系向三维复杂骨架转化的核心策略，已成为天然产物合成与药物分子设计中的重要研究方向。其中，N-杂环卡宾（N-heterocyclic carbene, NHC）催化体系因其独特的极性反转（umpolung）能力，在C–C及C–X键形成反应中表现出高效活性与优异选择性。然而，在NHC催化的去芳构化环化反应中，区域选择性与对映选择性的来源仍未得到系统阐释。本文由 Yan Li 等人（J. Phys. Chem. A, 2025）基于密度泛函理论（DFT）计算，深入研究了NHC催化苯并唑与肉桂醛的去芳构化环化反应机理，揭示了影响区域与立体选择性的本质因素，并阐明了DABCO•H⁺在质子迁移与环化步骤中的关键作用。

在化学体系中，分子之间的作用并非仅依赖于共价键或离子键等强相互作用。大量分子识别、自组装与催化过程的本质，往往由氢键、范德华力、π–π 堆积及静电吸引等弱相互作用共同调控。这些作用虽然单体能量较低，却在数量上的积累与空间上的协同下，对反应活化、结构稳定及材料性能产生决定性影响。相互作用能（Interaction Energy） 正是量化这些分子间作用强度的关键物理量。它不仅反映分子结合的稳定性，也揭示了电子结构变化与能量转移的本质过程。通过精确计算和分解相互作用能，我们能够深入理解不同作用力在体系稳定性与反应动力学中的贡献，为催化机理解析、吸附材料设计及药物分子识别等研究提供量化依据。