量子科技中心_量科网

质子解离常数（pKa）对功能分子发现与分子建模至关重要。基于已建立的最大实验性pKa数据库iBonD，研究人员及其他学者已开发了多种方法，包括基于机器学习的经验预测与高精度能量计算。尽管有此基础，高质量pKa数据的快速扩充仍受到根本性限制。作为该工作的一部分，该团队利用一组经过广泛优化的机器学习模型，对未标记分子数据集进行了大规模基于回归的pKa预测。结果表明，由于未标记分子数据集的特征分布，pKa数据分布近似正态分布，且尾部区域样本极度稀缺。虽然此类扩充对提升整体数据可用性与预测建模具有极高价值，但对于高效发现具有广谱pKa性质的分子而言，仍显不足。为解决此问题，该团队探索从广阔化学空间中定向生成具有稀疏pKa性质的分子。鉴于传统连续潜空间VAE-RNN分子生成方法稳定性不足，且在补充稀疏数据方面未能展现明显优势，该团队设计并实现了一种量子辅助的稀疏pKa分子生成方法。该方法的可行性在模拟量子退火器上得到验证，并在物理相干伊辛机（CIM）上进一步实现了优越的极值采样。（未完待续）