⚛️ quantum physics

Coherent Floquet quantum reservoirs for molecular property prediction

本文提出了一种基于离散时间晶体的相干 Floquet 量子储层计算架构，该架构通过利用相干量子动力学来预测分子特性（如抑制剂活性和电子能隙），在性能上超越了经典回声状态网络，并展示了在真实量子硬件上对噪声的鲁棒性。

原作者： Luofei Wang, Da Zhang, Congren Wang, Yiming Li, Yuxiao Yang, Xuan Zhang, Xuefeng Cui, Zhang-Qi Yin

发布于 2026-09-11

📖 1 分钟阅读🧠 深度阅读

原作者： Luofei Wang, Da Zhang, Congren Wang, Yiming Li, Yuxiao Yang, Xuan Zhang, Xuefeng Cui, Zhang-Qi Yin

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

在现代科学的广袤领域中，预测分子的行为往往感觉就像是通过阅读仅有的几句零散句子来猜测故事的结局。分子并非静态物体；它们是连接在一起的原子构成的动态集合，随着时间的推移而移动和变化。为了理解它们，科学家通常将它们分解为数据流：药物分子的局部化学特征序列，或是显示原子在模拟中如何运动的一系列快照。挑战在于处理这些流数据。计算机需要一种方法，在阅读结尾时能记住故事的开头，但它不能简单地永久存储每一个细节，否则内存会变得过于沉重而无法使用。这正是所谓的“储备池计算”（reservoir computing）发挥作用的地方。想象一条复杂的、流动的河流，它会将下游投入其中的石块形状带向远方。河流本身就是“储备池”，一个能够自然混合并转化输入的固定系统。科学家不需要训练这条河流；他们只需要在河流末端训练一个简单的观察者，通过读取涟漪来猜测投入的石块是什么。当这一概念应用于量子系统，利用微观世界的奇异规则来处理信息时，它就变成了“量子储备池计算”。研究人员一直在探究的问题是，这些量子系统是否能比传统计算机更好地处理分子所讲述的复杂且具有时间敏感性的故事。

一组研究人员现在构建了一种特定类型的量子系统来回答这个问题，重点关注两种截然不同的分子“故事”。第一个故事关于结构：定义药物分子的原子和化学键列表。第二个故事关于运动：展示分子如何振动和改变形状的一系列快照。为了讲述这些故事，该团队使用了一个表现得像“离散时间晶体”的量子系统。简单来说，这是一个当受到规律节奏推动时，会以自身一半速度做出响应的系统，这种行为非常稳定且不易受干扰。他们将分子数据作为一系列输入，一个接一个地喂给这个系统。至关重要的是，他们添加了一个控制机制，其作用类似于一个温和的“重置按钮”。这个按钮允许系统决定保留多少过去的信息，以及丢弃多少信息。如果系统记住一切，它可能会被过时的、无关的细节所困扰；如果它遗忘过多，它就会失去理解当前时刻所需的上下文。通过调节这个重置参数，研究人员可以调整系统的记忆力，以适应特定的任务需求。

研究人员在两个不同的挑战上测试了这一设置。第一个挑战是预测药物分子是否会与特定的蛋白质靶点结合，或者是否能通过血脑屏障（人体内的一种保护屏障）。他们将数千种分子的化学结构转换为一系列事件流，将其输入量子系统。系统处理这些事件并产生一组最终测量值，随后由标准计算机程序利用这些值进行预测。第二个挑战涉及预测运动分子的未来能量。利用乙烯（一种简单的气体）的模拟数据，他们向系统输入了一系列原子距离和速度。目标是在未来的不同时间点（例如一个、五个或十个飞秒后）预测分子不同状态之间的能量差。飞秒是一个极其短暂的时间单位，即一千万亿分之一秒，这使得该任务成为了对系统追踪快速物理变化能力的测试。

结果表明，这种量子方法非常有效。当研究人员将他们的量子系统与旨在完成类似任务的标准经典计算机模型进行比较时，量子系统的表现更优，尤其是在面对长而复杂的“故事”时。对于药物分子，量子系统在识别活性抑制剂和预测血脑屏障渗透能力方面更加准确，特别是在输入序列较长的情况下。对于运动中的乙烯分子，该系统成功预测了未来的能量差，其误差率低于经典模型。一项关键发现是“重置”机制的重要性。最佳性能并非来自于记住一切或遗忘一切，而是来自于找到一个“甜点区”（sweet spot），即系统保留了足够有用的历史信息，同时又不会被其淹没。对于静态药物分子，保持大部分历史信息的温和重置效果最好。对于快速运动的乙烯，专注于近期过去的强力重置则能带来更好的预测。这表明系统能够自然地适应其处理的信息类型，根据是在分析固定结构还是变化的运动，以不同的权重看待过去。

为了确保这些发现并非仅仅是完美计算机模拟产生的产物，团队在一个通过云服务提供的真实量子计算机上测试了该系统。即使在存在当前量子硬件固有的噪声和缺陷的情况下，该系统仍保留了区分不同任务的能力。从真实设备中提取的测量结果表明，量子系统仍然能够从分子数据中提取有用信息，证明了该方法足以应对物理机器的复杂现实。这项研究表明，通过将稳定的量子节奏与受控的记忆管理方式相结合，可以构建一个通用的分子预测工具。该工具既能处理药物的静态架构，也能处理化学反应的动态运动，为筛选潜在药物和理解分子生命的瞬息万变提供了新途径。这项工作表明，未来分子科学的进步可能不依赖于构建更大、更复杂的模型，而是利用量子系统自然的动力学特性，以一种既高效又深度契合物理世界的方式来处理信息。

技术摘要：用于分子属性预测的相干 Floquet 量子储库

问题陈述
分子属性预测通常依赖于分布在局部观测中的关系，无论是在静态分子图（通过化学键分隔的化学基团）还是动态轨迹（跨帧的核运动）中。将这些过程作为事件流处理时，需要一个固定宽度的状态来保留相关信息，以便经典解码器能够利用这些保留的历史记录。现有的方法（如 DeepDTA 或基于图的模型）将局部模式与活性联系起来，但它们往往缺乏一种机制来控制在流式上下文中早期观测对预测的贡献强度。此外，虽然量子储库计算（QRC）已被探索用于天气预报和图像分类，但将其应用于分子事件流需要一种物理架构，能够在噪声环境下将观测到的历史压缩为一个小型的测量向量，同时保留有用的任务信息。

方法论
作者提出了一种基于离散时间晶体（DTC）的量子储库计算（DTC-QRC）架构，旨在处理分子事件流。该系统通过三个主要阶段运行：

分子事件编码：
- 图分类： 标准 SMILES 字符串被解析为分子图，并通过广度优先搜索（BFS）进行遍历。事件编码了局部原子发现、父子键、环闭合以及遍历深度。这些信息被映射到固定宽度的输入向量 $x_t \in \mathbb{R}^{3Q}$ ，其中前 $3Q$ 个条目作为局部哈密顿项的系数。
- 时间分辨预测： 表面跳跃轨迹（来自 SHNITSEL ethene 数据集）提供原子间距离和径向速度。这些数据经过标准化、截断处理，并分别映射到 $X$ 和 $Z$ 哈密顿系数。
Floquet 动力学与受控重置：
- 储库由初始化为 $|0\rangle^{\otimes Q}$ 的 $Q$ 个量子比特组成。
- 输入注入： 每个事件 $x_t$ 通过局部哈密顿指数 $U_{in}(x_t)$ 进行施加。
- Floquet 演化： 系统经历 $L$ 个 Floquet 算符 $U_F = U_{J,h}(W) U_X(g)$ 周期。 $U_X(g)$ 应用近 $\pi$ 脉冲，而 $U_{J,h}(W)$ 引入最近邻相互作用和纵向无序。这种非对易序列稳定了作为 DTC 特征的亚谐波响应。
- 受控重置： 一个关键组件是重置通道 $R_p(\rho) = (1-p)\rho + p|0\rangle\langle 0|$ $R_{p} (ρ) = (1 - p) ρ + p ∣0 ⟩ ⟨ 0∣$ ，以概率 $p$ $p$ 应用。
  - 对于图流，重置在每个事件（包括最后一个）后发生。
  - 对于轨迹流，重置发生在物理帧之间。
  - 该机制实现了“几何加权”（重置诱导的事件年龄核），其中 $k$ 步前的事件的影响力由 $(1-p)^k$ 加权。这使得系统可以在不重新训练储库参数的情况下，调节早期输入的贡献。
读出与解码：
- 观测值： 系统测量由单量子比特 $Z$ 和双量子比特 $ZZ$ 期望值组成的固定宽度特征向量（坐标数为 $D_Q = Q(Q+1)/2$ ）。
- 时间复用 (TM3)： 对于轨迹预测，读出端会连接在没有新输入或重置的情况下，在末端及之后两个额外的 Floquet 周期后的测量结果，从而扩展特征维度。
- 经典解码器： 训练好的经典解码器（对于非线性任务使用 RBF-SVR，对于线性基准使用仿射逻辑回归）将固定宽度的量子特征向量映射到目标属性（例如抑制剂活性、电子能隙）。在解码器训练期间，储库参数保持不变。

关键结果
该架构在两个不同的任务上进行了评估：

分子图分类 (BACE 和 BBBP)：
- DTC-QRC ( $Q=12$ ) 在长前缀图分类（ $T=24, 30$ ）任务中优于匹配的回声状态网络（ESN，具有 78 个循环节点）。
- 在 $T=30$ 时，耗散 DTC-QRC ( $p=0.10$ ) 实现了 0.798 的 BACE AUC，而 ESN 为 0.762。
- 弱重置 ( $p=0.10$ ) 的表现优于封闭储库 ( $p=0$ )，证明了受控遗忘有助于积累局部化学模式。
电子能隙预测 (Ethene 表面跳跃)：
- 使用 $Q=15$ 和 $T=20$ 帧，DTC-QRC 在预测未来电子能量间隔（1, 5, 10 fs）和未来 5 fs 内的最小能隙方面，显著优于匹配的 ESN。
- 在 1-fs 能隙预测中观察到了最大的改进，其平均绝对误差（MAE）比 ESN 降低了 0.591 eV。
- 最优重置概率随目标而变化（例如，1-fs 能隙为 $p=0.90$ ，而 5-fs 能隙为 $p=0.65$ ），这表明相关的历史长度取决于特定的电子属性和预测视界。
硬件与噪声鲁棒性：
- 在 Quafu 超导量子云平台上的实验证实，配对观测值在设备噪声下仍能保留任务信息。
- 性能在 DTC 转变点（ $g \approx 0.84$ ）附近达到峰值，此时系统表现出鲁棒的亚谐波响应。
- 引入去相位通道降低了性能，证实了相干传播对储库有效性的作用。

意义与主张
本文声称建立了一个使用量子储库计算进行分子筛选和时间分辨属性预测的通用框架。其主要贡献包括：

架构： 一种基于 DTC 的储库，利用受控重置来动态调整历史输入的权重，从而将历史权重选择与底层 Floquet 动力学分离。
性能： 证明了 DTC-QRC 在长前缀图分类和特定分子动力学预测任务中可以超越经典循环网络（ESN），并使用固定宽度的读出。
物理洞察： 确定了信息混合与噪声抗性之间的平衡是选择储库的一个物理准则，其中 DTC 机制（ $g \approx 0.84$ ）为不同目标提供了近乎最优的工作点。
可扩展性： 展示了相同的架构可以通过仅调整重置概率 $p$ （而不改变量子硬件参数），既能积累静态分子的结构信息，又能强调时间分辨预测中的近期运动。

作者认为，只要将驱动参数调节至 DTC 机制以最大化噪声下的信息保留，该架构为在量子硬件上进行分子预测提供了一条切实可行的路径。

技术摘要：用于分子属性预测的相干 Floquet 量子储库

类似论文