⚛️ quantum physics

Rank-Refined Quantum-Behaved Particle Swarm Optimization for Quantum Molecular Generation

本文介绍了秩精炼量子行为粒子群优化算法（RR-QPSO），这是一种通过高效的并行评估和秩引导搜索策略，在高维量子分子生成中实现更高有效性和唯一性得分，从而超越贝叶斯优化的基于种群的方法。

原作者： Sing-Yun Wu, Sheng Yun Wu, I-Min Chiang, Tai-Yue Li

发布于 2026-07-14

📖 1 分钟阅读🧠 深度阅读

原作者： Sing-Yun Wu, Sheng Yun Wu, I-Min Chiang, Tai-Yue Li

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图发明一种全新的、超级酷炫的分子，它可能成为下一款救命良药。问题在于，可能存在的分子宇宙如此巨大，就像试图同时在地球上每一处沙滩上寻找一颗特定的沙粒一样。科学家们一直使用一种叫做“贝叶斯优化”（Bayesian Optimization, BO）的方法来搜寻这些分子，这就像是派出一名非常聪明、谨慎的侦探，去猜测下一个最值得挖掘的位置。但这个侦探动作缓慢、成本高昂且容易疲劳，因为每一次猜测都需要运行复杂的量子计算机模拟。

于是，这篇论文的作者们决定不再使用这名孤独的侦探，而是换成一整个充满好奇心、具有量子行为的蜜蜂群。他们将这种新方法称为秩精炼量子行为粒子群优化算法（Rank-Refined Quantum-Behaved Particle Swarm Optimization, RR-QPSO）。

以下是这个“蜜蜂群”是如何运作的，使用的是该论文的实际研究结果：

设定：一个量子厨房
把构建分子的过程想象成一段用量子力学语言编写的食谱。为了制造一个拥有9个重原子的分子，你需要调节量子电路上的 134 个不同的旋钮（参数）。这就像是在尝试烤出一个完美的蛋糕，但需要调整一个带有 134 个旋钮的未来主义烤箱。每当你转动旋钮，你都必须运行烤箱，拍一张结果的照片，解码它，并检查这个蛋糕是否真的可以食用（化学有效性），以及它的味道是否独特（不是之前做过的蛋糕的复制品）。

旧方法 vs. 新方法
旧方法（BO）就像是一位厨师品尝一个蛋糕，思考良久，然后决定下一步如何转动旋钮。它很谨慎，但很慢。
新方法（RR-QPSO）同时派出了一群 64 到 128 只蜜蜂（粒子）。每只蜜蜂都会尝试一种不同的 134 个旋钮的组合。因为这些蜜蜂在品尝时不需要互相交流，科学家们可以将工作分散到 8 张强大的 NVIDIA V100 图形处理器（GPU）上，从而实现并行品尝数千个蛋糕。

秘诀：蜜蜂是如何学习的
这些蜜蜂并非只是随机飞行；它们拥有一套特殊的规则，以便更快地找到最好的蛋糕：

聪明地开始： 他们没有盲目猜测起点，而是使用“索博尔”（Sobol）映射将蜜蜂均匀地分布在整个厨房中，确保他们从一开始就不会错过任何好的位置。
对表现进行排序： 在标准的蜂群算法中，大家只是简单地取最好的一只蜜蜂所在位置的平均值。但这些蜜蜂使用了“秩精炼”（Rank-Refined）的小技巧。它们分别观察表现最好的蜜蜂和表现最差的蜜蜂。通过将蜂群从糟糕的蛋糕处推开，并向优秀的蛋糕处引导，它们获得了更锐利、更准确的方向。
双重检查： 蜜蜂被告知要寻找两样东西：蛋糕是否有效？是否独特？有时一只蜜蜂发现了一个虽然有效但平庸（全是重复）的蛋糕，或者是一个独特但烤焦了的蛋糕。新方法会同时关注这两点，确保蜂群找到的蛋糕既美味又与众不同。

结果：更甜美的结局
当科学家们在 9 重原子分子的基准测试中进行测试时，结果非常明确：

旧的侦探（BO）找到的组合中，既有效又独特的分子比例为 90.2%。
拥有 64 只蜜蜂 的蜂群将其提升到了 93.0%。
当他们增加蜂群中的蜜蜂数量（128 只蜜蜂）时，得分跃升至 94.2%。

论文还尝试了一个更难的挑战：制作不仅味道好而且具有特定成分（例如恰好有 4 个氢键受体 和 3 个氢键供体）的分子。即使有了这条额外的规则，蜜蜂群（RR-QPSO）依然保持了极高的有效性和独特性得分（79.0%），而旧的侦探（BO）仅为 43.8%，同时仍达到了目标成分计数。

这意味着什么（以及不意味着什么）
作者们指出，通过仅仅改变我们寻找最佳设置的方式——而不改变量子电路或化学规则——我们可以获得更好的分子。我们在超级计算机上使用模拟测量了这些数据，所以这些数字是在那个特定的数字厨房中所发生的情况。

他们并没有证明这适用于宇宙中所有可能的分子，也没有说这是药物研发的最终答案。但在这些特定的模拟中，蜂群方法明显优于旧的侦探方法，这表明有时，一个协调一致的探索团队比一个天才个体能更快地找到宝藏。论文得出结论，这种“优化器层面”的设计是一个充满前景的方向，表明我们可能不需要重新发明化学轮子，只需要改变驾驶它的方式。

技术摘要：用于量子分子生成的秩精炼量子行为粒子群优化算法

1. 问题陈述

量子分子生成（QMG）旨在通过参数化量子线路从庞大的化学空间中采样新颖且符合化学规律的分子。在本文所讨论的特定 QMG 框架中，一个动态量子线路编码了连续的原子和键决策，从而直接从量子样本生成分子图。

核心挑战在于优化器瓶颈。参数搜索空间是高维的（例如，对于 9 个重原子分子， $D=134$ ）且具有随机性。评估单个候选参数向量需要：

对量子线路进行随机采样（数千次测量/shots）。
将比特串解码为分子图。
检查化学有效性和唯一性。

这一过程计算成本高昂且存在噪声。标准方法——贝叶斯优化（BO）——会在搜索空间上构建代理模型。然而，作者认为 BO 可能无法充分利用 QMG 的可并行性，因为 QMG 中的候选评估是相互独立的。目标是寻找一种比 BO 更能有效应对这种昂贵、高维、随机景观的优化器，且无需修改底层的化学启发式线路或解码流水线。

2. 方法论：RR-QPSO

论文提出了秩精炼量子行为粒子群优化（RR-QPSO），作为贝叶斯优化的另一种基于种群的替代方案。该方法集成了三个专门针对 QMG 环境设计的组件：

A. 基于 Sobol 的初始化

为了确保对 $D$ 维参数空间的广泛初始覆盖，种群使用 Owen 扰动 Sobol 采样进行初始化。这种低差异序列将点从 $[0, 1]^D$ 映射到有界的参数域，在获得适应度信息之前提供了一个可复现且空间填充的初始种群。

B. 秩精炼均值-最优更新

标准的量子行为粒子群优化（QPSO）根据全局最优位置（ $g_t$ ）和种群均值-最优位置（ $m_t$ ）来更新粒子，后者通常是所有个体最优位置的简单平均值。

创新点： RR-QPSO 使用秩精炼均值-最优（ $m_t^{RR}$ ）取代了简单的平均值。
机制： 在按适应度对个体最优位置进行排序后，更新过程引入了一个修正项，该项会对高适应度与低适应度个体最优位置之间的差异进行加权。
公式：
$m_t^{RR} = \frac{1}{M} \sum_{i=1}^{M} p_i^t + \rho \sum_{k=1}^{\lfloor M/2 \rfloor} \frac{p_{(k)}^t - p_{(M-k+1)}^t}{k}$
其中 $\rho$ 是固定的修正强度（0.015）。这使得种群吸引力向能够分离高适应度区域与低适应度区域的方向偏移，从而提供了比简单平均更强的搜索信号。

C. 适应度引导的精炼

主要目标是有效性（ $V$ ）与唯一性（ $U$ ）的乘积，即 $F = V \times U$ 。作者指出，这种标量乘积可能会掩盖失效模式（例如：高有效性但低多样性，或高多样性但低有效性）。

创新点： 算法追踪独立的面向有效性（ $x_V$ ）和面向唯一性（ $x_U$ ）的精英解。
机制： 通过结合秩精炼均值-最优与这些精英解，形成一个适应度引导的吸引子（ $\tilde{m}_t$ ）。只有当互补指标超过阈值时，精英解才会被纳入吸引子（例如，只有当其唯一性 $\ge 0.5$ 时，才会使用面向有效性的精英解）。
目标： 这可以防止种群坍缩到某种模式中，即生成的分子虽然有效但重复，或者虽然独特但化学性质无效。

D. 并行执行

意识到 QMG 评估占据了主要的运行时间，该方法将 $M$ 个候选参数向量分配到 $K$ 个 GPU（例如 8 个 NVIDIA V100）上。每个 GPU 工作站独立执行线路采样、解码和评分。这种并行化允许在可行的时间范围内使用更大的种群规模（高达 $M=128$ ）。

3. 实验设置

基准测试： 9 重原子 QMG 设置。
线路： 134 参数、20 量子比特的动态量子线路。
模拟： 使用带有 cuStateVec 后端的 CUDA-Q 0.7.1 以及 NVIDIA V100 GPU。
评估： 每个候选样本 5,000 次测量（shots）；150 次迭代。
基准模型：
- 贝叶斯优化 (BO)（在相同的协议下重新实现）。
- 标准 QPSO（不使用 Sobol 初始化）。
- 使用 Sobol 初始化的 QPSO。
指标： 有效性 ( $V$ )、唯一性 ( $U$ ) 及其乘积 ( $V \times U$ )。
多目标扩展： 一个针对特定氢键受体（HBA = 4）和氢键供体（HBD = 3）计数并同时维持 $V \times U$ 的标量化目标。

4. 关键结果

A. 无条件生成的性能

在 9 重原子基准测试中，RR-QPSO 优于所有基准模型：

BO 基准： $V \times U = 0.902$ ( $V=94.2\%, U=95.7\%$ )。
QPSO（无 Sobol）： $V \times U = 0.905$ 。
QPSO（Sobol 初始化）： $V \times U = 0.914$ 。
RR-QPSO ( $M=64$ )： $V \times U = 0.930$ ( $V=95.9\%, U=97.0\%$ )。
RR-QPSO ( $M=128$ )： $V \times U = 0.942$ ( $V=97.5\%, U=96.6\%$ )。

结果表明，结合秩精炼引导和适应度引导精炼的方法带来了最显著的收益，而更大的种群规模进一步提升了搜索覆盖范围和最终得分。

B. 多目标优化

在属性引导设置（目标为 HBA=4, HBD=3）中：

BO 和 RR-QPSO 都成功地将平均属性移动到了接近目标的位置。
差异化： RR-QPSO ( $M=32$ ) 在实现相似属性目标的同时，保持了显著更高的有效性-唯一性乘积（$0.790$），而 BO 仅为 $0.438$。
这证明了基于种群的方法即使在受到特定化学性质约束时，也能更好地保持分子质量和多样性。

5. 意义与主张

论文声称，优化器层面的设计是提高量子分子生成性能的一条可行路径，且无需更改底层的量子线路架构或分子解码流水线。

可并行性： 本研究强调，由于候选评估的独立性，QMG 参数搜索天然适合于基于种群的并行优化，这是贝叶斯优化未能充分利用的特性。
鲁棒性： RR-QPSO 框架有效地平衡了生成有效分子与确保其多样性之间的权衡，解决了与生成模型相关的“模式坍缩”风险。
可扩展性： 该方法随种群规模和 GPU 资源有效扩展，表明增加计算预算（通过更大的种群）可以直接转化为更高质量的量子分子生成。

作者得出结论，尽管目前的结果是基于特定的基准测试和单种子运行，但所提出的方法为处理高维、昂贵的量子采样问题提供了一种鲁棒且可并行的替代方案。未来的工作建议包括多种子评估和更详细的属性分布分析。