这项由匹兹堡大学规划与系统生物学系及CMU-Pitt规划生物学博士相貌引诱完成的议论，以预印本时局于2026年6月发布在arXiv平台，编号为arXiv:2605.31498v2，感兴味的读者可通过该编号查阅原文。

**一段对于分子"舞步"的困惑**

每一种分子，不管是药物分子如故卵白质，都在不停地通顺——它们扭转、曲折、振动，就像舞台上永不停歇的舞者。这些舞步的律例，决定了分子能不成和某个卵白质引诱，能不成施展药效，甚而决定了它在东说念主体内的运说念。科学家把通盘可能的舞步荒芜出现概率，称为"玻尔兹曼分散"——这是一张形容分子在特定温度下如何分派自身姿态的概率舆图。

问题在于，这张舆图极难绘画。传统办法是让规划机模拟分子的每一步通顺，就像用超慢动作影相机记载舞者每一毫秒的动作，再拼出好意思满的跳舞画面。这种门径需要以飞秒（千万亿分之一秒）为步长鼓励，耗时极长，规划量广大，何况分子很容易堕入某个固定姿势"卡死"，怎样也跳不出来。更贵重的是，只须分子结构稍有改变，就得从新重新模拟，毫无复用可能。

正因如斯，议论者们一直在寻找更明智的替代决策。深度学习生成模子的兴起带来了新但愿——若是能老师一个神经网罗，让它奏凯"生成"稳妥玻尔兹曼分散的分子构型，就能绕开漫长的模拟过程。然则，这里存在一个令东说念主头疼的轮回悖论：老师这种模子，需要盛大也曾处于均衡景况的分子构型数据；而获取这些数据，适值便是咱们最先想要处治的难题。

匹兹堡大学的议论团队建议了一种名为SITA（可扩展推断时退火，Scalable Inference-Time Annealing）的新门径，试图冲破这个死轮回。这套决策的中枢念念路，便是用一种"温度道路"战略，让模子像退火工艺一样，从高温缓缓冷却到室温，一步步学会在低温下精确姿色分子的舞步分散。

**一、为什么"从高温启动"是个明智的起初**

退火，是冶金工东说念主的老期间：把金属加热到高温，再闲暇冷却，让里面结构逐步枚举整都。分子模拟规模早就借用了这个见解。在高温下，分子领有更多能量，粗略跳跃各样能量障蔽，开脱探索通盘可能的姿态；而在低温（比如室温300K）下，分子更倾向于瑟缩在能量最低的几个姿态里，果然无法跳出去。

传统分子能源学模拟在低温下极易"卡死"，便是因为分子莫得满盈能量跳跃那些能量山丘，去探索其他构型。高温模拟则宽松得多，分子可以畅游总共构型空间，遮蔽通盘可能的"舞步"。

SITA恰是行使这一特色，先在1200K的高温模拟数据上老师一个生成模子，让模子先学会高温下分子的"粗莽舞风"，再通过一系列悉心想象的门径，缓缓把模子指引向300K（室温）下更"保守"、更专注于狞恶量姿态的精确分散。这个过程，就像先教一个舞者学习开脱随性舞，再一步步经管他学习古典芭蕾的严格范例。

**二、"温度道路"究竟怎样走**

SITA的老师过程分为四个周而复始的门径，总共过程像是爬下一段楼梯，每走一步，模子对低温分散的交融就更深一层。

第一步，议论团队行使现时的生成模子（称为"流模子"，可以交融为一个有意生要素子构型的神经网罗），在稍低一些的温度下批量产出分子样本。这里有一个精妙的手段：流模子自己不需要修改，只需改变输入的"噪声"开端的方差，就能让输出的样本更倾向于狞恶量景况。具体来说，若是现时温度是1200K，宗旨是755K，那么只需将输入噪声的方差按照两个温度的比值消弱，模子就会自然地生成更稳妥低温分散的样本。这种只需挽回输入、无需重老师模子的温度切换样式，是SITA的一大亮点。

第二步，用这批更生成的样本，老师一个"能量模子"（EBM，Energy-Based Model）。能量模子的作用，是学习这批样本的概率密度——等闲地说，便是学会判断每个分子构型"有多大可能着实存在"。奏凯规划流模子生成样本的精确概率，在高维度下需要规齐总共极其复杂的"雅可比行列式"（可以交融为形容空间如何被变换的数学量），规划量随分子开脱度的加多急剧延伸，完全不可行。能量模子则通过一种叫作念BoltzNCE的老师门径，绕开了这个规划瓶颈，用一个肖似但高效的样式想到出样本的概率。

BoltzNCE的老师分两个部分：第一部分叫"分数匹配"，通过学习样本能量函数的梯度来经管能量的时局；第二部分叫"噪声对比想到"，通过让模子鉴别不同期间点的样本来锚定能量的十足值。两者协力，使能量模子粗略给每个样本打出一个"概率分数"，而无需阅历昂然的规划。

第三步，行使能量模子估算出的概率，规划每个样本的紧要性权重。紧要性权重的含义是：这个样本在宗旨低温分散下，比拟在现时高温分散下，更应该被醉心若干倍。规划公式是用玻尔兹曼分散给出的着实低温概率，除以能量模子估算的高温概率。权重越高，确认这个样本越稳妥低温分散的特征。通过按这些权重对样本从新采样，就得到了一批"更像室温分散"的老师数据。为了注视极少数权重极高的样本主导总共重采样截止（这会严重缩小样本各样性），议论团队还对权重作念了99百分位截断处理。

第四步，用这批从新采样的数据，对流模子进行微调，让它更好地靠近现时宗旨温度下的分散。微调完成后，总共轮回从新启动，宗旨温度再降一个台阶。议论顶用到的温度道路是：从1200K启航，循序经过755.95K、555.52K、408.24K，最终到达300K。每一步都让模子对室温分散的交融更进一步。

**三、与敌手的正面交锋：SITA凭什么说我方更好**

在这个规模，最奏凯的竞争敌手是一个叫PITA（Progressive Inference-Time Annealing）的门径。PITA的念念路与SITA有几分相似，相通是沿温度道路缓缓退火，但它经受的是基于扩散模子的架构，并依赖一种叫"费曼-卡茨公式"的数学用具来估算样本的紧要性权重。这个估算过程，需要沿总共生成轨迹积分规划速率场的散度（可以交融为规划每一步生成过程中空间如何被"压缩"或"延伸"），规划量随分子开脱度的加多呈横祸性增长。对于独一几十个开脱度的丙氨酸二肽，这也曾很极重；对于更大的分子系统，基本上是不可行的。

SITA用能量模子替代了这个腾贵的散度积分，从根底上绕开了这个瓶颈。代价是引入了一丝肖似舛误——能量模子毕竟不是精确的概率密度，而是一个肖似想到。这个肖似会导致重采样后的分散不是精确的宗旨低温分散，而是一个"歪斜版块"，其偏差取决于能量模子与着实密度的差距。议论团队坦率地承认了这一丝，并从表面上推导出了歪斜分散的时局。

然则，令东说念主随机的是，这种带有肖似偏差的门径，在实验基准上尽然全面杰出了表面上更精确的PITA。

**四、用丙氨酸检修功力**

议论团队在两个范例分子基准上测试了SITA：丙氨酸二肽（Alanine Dipeptide，ADP）和丙氨酸三肽（Alanine Tripeptide，ATP）。丙氨酸二肽是规划化学规模最经典的测试案例，就像机器学习规模的MNIST手写数字识别，既满盈简便，又能露出门径的环节弊端。

评价宗旨主要有四个。"Rama-KL"谈判的是生成样本的构型分散与着实室温MD模拟之间的KL散度（一种谈判两个概率分散各别的数学量），数值越小确认遮蔽越全面、越精确，这个宗旨尤其对"形态崩溃"（即模子只生成少数几种构型）相等明锐。"Energy-W1"和"Energy-W2"谈判的是生成样本与参考样本在能量分散上的各别，分别对应一阶和二阶Wasserstein距离。"T-W2"则谈判样本在扭转角空间（即拉马钱德兰坐标，皇冠app(中国)官网入口形容卵白质骨架曲折样式的两个角度）上的二阶Wasserstein距离。

在丙氨酸二肽上，SITA在Rama-KL（0.517±0.013）和Energy-W2（0.939±0.079）两项最紧要的宗旨上拿到了通盘门径中的最好收获，显赫优于PITA（Rama-KL为4.773±0.460，Energy-W2为1.615±0.053）。有一个酷好的细节：另一个叫MD-NF的基准门径，奏凯用300K的MD数据老师，在Energy-W1这一宗旨上发扬最好，但它的Rama-KL极高（13.533±0.024），确认它其实严重形态崩溃了——只生成了能量较低的几种构型，是以能量均值看起来可以，但遮蔽的构型空间极为有限。SITA生成的样本则遮蔽了丙氨酸二肽通盘主要的构型盆地，与MD参考分散在拉马钱德兰开脱能图上高度吻合。

在丙氨酸三肽上，SITA的上风更为杰出。PITA在莫得进行额外MD任意（即用短时分的MD模拟修正生成样本）的情况下，Rama-KL高达8.535，能量舛误更是飙升到86.270。SITA在完全不作念任何后处理的情况下，Rama-KL独一0.361，Energy-W1为1.933。这意味着SITA生成的样实质地，奏凯杰出了PITA加上MD任意后处理的水平，尔后者需要额外破钞3倍的能量规划预算。

两个系统的灵验样本比例（ESS，谈判重采样恶果的宗旨，越高确认权重分散越均匀）都处于较低水平——丙氨酸二肽在0.13到0.27之间，丙氨酸三肽在0.04到0.07之间。这确认重采样过程中存在一定的样本蹧跶，但即便如斯，最终截止仍然优于其他门径，确认SITA对样实质地的把捏相等准确，即使小数高权重样本也能灵验指引模子向正确场所优化。

**五、还能更精确：寂然梅特罗波利斯-黑斯廷斯高超**

对于追求极致精度的场景，议论团队还想象了一个可选的后处理门径：寂然梅特罗波利斯-黑斯廷斯（IMH）算法。

这个算法的旨趣，可以类比为一个抉剔的艺术评审。每次从流模子生成一个新的分子构型候选，然后评审团（由着实玻尔兹曼权重和能量模子共同构成）比较这个新候选与现时样本的"质地得分比"，若是新候选彰着更好，就遴选它；若是差未几或更差，就以相应概率遴选或远隔。这个机制保证了最终保留住来的样本汇鸠集逐步向着实分散靠拢。

表面上，若是评审团使用的是精确概率，这个算法会握住到精确的宗旨分散。由于SITA使用的是能量模子肖似概率，握住宗旨履行上是前边提到的阿谁"歪斜版块"的分散——议论团队在论文中给出了严格的数学确认注解，确认歪斜进度完全由能量模子与着实密度的偏差决定。

实验截止炫耀，在丙氨酸三肽上运行50步IMH后，Rama-KL从0.361进一步降至0.313，T-W2从0.798降至0.704，多相貌标均有改善。比拟之下，另一种简便的紧要性重采样后处理（SITA-IS）自然在能量舛误上更低，但Rama-KL出现了恶化，确认样本各样性受损。IMH则在改善能量精度的同期，较好地保持了构型空间的遮蔽，代价是额外需要5×10?次能量规划（而总共预老师阶段需要5×10?次，这个支拨相对可以遴选）。

**六、对于评估样式的一场"较真"**

SITA论文中还有意辟出一节，指出了竞争门径PITA在评估宗旨上的两处门径论问题，这在学术界算是十分奏凯的品评。

第一个问题是TICA（时分滞后寂然重量分析）评估中的滞后时分遴荐。TICA是一种分析分子能源学轨迹慢形态的技术，其投影截止对滞后时分参数极为明锐。PITA对丙氨酸三肽使用了滞后时分10，对丙氨酸二肽使用了滞后时分100。过小的滞后时分会让TICA捕捉到高频振动和热噪声，而非着实有物理真谛的慢构型出动，从而使基于TICA的评估宗旨失去鉴别形态遮蔽智商的机灵度。

第二个问题是MD参考轨迹的降采样样式。PITA取轨迹的前10000帧看成参考分散，但MD轨迹帧之间存在强时分关系性，前10000帧时时都集于轨迹肇端的少数构型，无法代表好意思满的均衡分散。使用这种有偏参考来评估模子，会让那些相通形态崩溃的门径因为与有偏参考"匹配得好"而赢得很是的高分。SITA团队因此改用均匀间隔采样的样式中式参考帧，截止发现通盘门径在这种更公说念的评估下发扬均有变化，而SITA的上风在这种更严格的评估下愈加显赫。

这一较真细节，体现了议论者在门径论层面的严谨气魄——评估样式的细节，相通能决定"谁更好"的论断。

**七、模子架构背后的技术遴荐**

SITA的流模子使用了一种叫GVP-GNN（几何向量感知图神经网罗）的架构，这是一种有意为分子想象的神经网罗，粗略保持物理系统的基本对称性：不管分子在空间中怎样旋转、平移，模子给出的物理量展望值应当保持不变或协变。这种对称性经管大大减少了模子需要学习的冗余信息，提高了学习恶果。

能量模子则经受了Graphormer架构，这是一种为图结构数据想象的Transformer变体。Transformer本来是处理自然言语的神经网罗，Graphormer通过在看重力机制中加入分子内原子间距离矩阵看成结构偏置，使其粗略灵验处理三维分子构型。在SITA中，这个距离信息被奏凯注入看重力规划，让模子自然具备对分子三维几何的感知智商。

两个模子的老师都使用了三角函数插值（αt=cos(πt/2)，βt=sin(πt/2)）看成随即插值框架的改换函数，这种遴荐能让插值旅途在时分上更均匀，幸免老师信号在某些时分段过于都集。优化器使用Adam，合营Reduce-on-Plateau学习率改换，在亏蚀住部属降时自动缩小学习率。通盘实验在单张NVIDIA L40 GPU上完成，每张显卡配备46GB显存。

**八、这套门径的局限与畴昔**

议论团队相等坦率地确认了SITA引入肖似的代价。由于能量模子仅仅流模子分散的肖似，重采样后的分散并非精确的宗旨低温分散，而是受能量模子精度影响的歪斜分散。现时实验中灵验样本比例较低（丙氨酸三肽最低独一0.045），确认重采样恶果还有较大进步空间。

此外，SITA当今只在袖珍分子系统上测试，对于更大的卵白质或药物分子，能量模子的肖似精度是否满盈、流模子的抒发智商是否满盈，仍然是绽放的问题。议论团队将架构优化、跨分子系统的挪动智商，以及应用到更大分子系统的可行性，列为畴昔主要议论场所。

归根结底，SITA代表的是一种"以肖似换规模"的工程形而上学：在精确性上作念出可遴选的铩羽，换来在更大系统上的可行性。在分子模拟这个高维度的规模，这时时是通往实用的唯通盘径。

当分子生物学家和药物研发者濒临一个全新的卵白质靶点时，若是能用SITA这么的用具在数小时内生成可靠的室温构型分散，而不是恭候数周的MD模拟，这种恶果上的质变，可能奏凯影响到下一代药物从实验室走向临床的速率。而这，才是这场对于分子"舞步"的议论，与以前东说念主最着实的关联。

---

Q&A

Q1：SITA门径与传统分子能源学模拟比拟，在规划恶果上有多大上风？

A：SITA的主要恶果开端于两点。第一，它用神经网罗奏凯生要素子构型，幸免了传统MD模拟以飞秒步长缓缓鼓励的昂然支拨；第二，它用能量模子替代了精确散度积分，幸免了随分子开脱度增长而急剧延伸的规划量。在实验中，总共预老师加退火经过破钞约5.08×10?次能量规划，比敌手PITA在丙氨酸三肽上需要的8×10?次少约37%，且无需额外MD任意后处理。

Q2：SITA中的能量模子肖似会不会让生成的分子构型不准确？

A：会引入一定偏差。能量模子估算的是流模子分散的肖似密度，而非精确密度，导致重采样后的分散是宗旨分散的"歪斜版块"，偏差大小取决于能量模子与着实密度的差距。议论团队在表面上推导了这个偏差的时局，并指出独一当能量模子与流模子分散完全一致时，才调精确还原宗旨分散。尽管存在这种肖似偏差，实验截止炫耀SITA在多个宗旨上仍优于其他门径。

Q3：SITA的温度道路中温度点是怎样选的，能不成奏凯从1200K跳到300K？

A：温度点的遴荐影响紧要性权重的质地，跨度越大，相邻温度分散各别越大，灵验样本比例会急剧下跌。SITA经受755.95K、555.52K、408.24K、300K四步过渡，每步约缩小约26%的温度，以保证满盈高的灵验样本比例（丙氨酸二肽约13%~27%）。若奏凯从1200K跳到300K皇冠app(中国)官网入口，两个温度下的玻尔兹曼分散各别极大，果然通盘生成样本的权重都会趋近于零，重采样果然失效，老师数据质地会严重劣化。