这项由匹兹堡大学诡计与系统生物学系及CMU-Pitt诡计生物学博士神气相接完成的探讨，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，都在不停地通达——它们扭转、抨击、振动，就像舞台上永不停歇的舞者。这些舞步的国法，决定了分子能不行和某个卵白质联接，能不行阐述药效，以致决定了它在东谈主体内的侥幸。科学家把统共可能的舞步过头出现概率，称为"玻尔兹曼散播"——这是一张描摹分子在特定温度下怎样分派自身姿态的概率舆图。

问题在于，这张舆图极难画图。传统办法是让诡计机模拟分子的每一步通达，就像用超慢动作影相机记载舞者每一毫秒的动作，再拼出圆善的跳舞画面。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，诡计量弘大，而况分子很容易堕入某个固定姿势"卡死"，怎样也跳不出来。更穷苦的是，只消分子结构稍有转换，就得再行从新模拟，毫无复用可能。

正因如斯，探讨者们一直在寻找更明智的替代有筹谋。深度学习生成模子的兴起带来了新但愿——如若能西宾一个神经辘集，让它径直"生成"适应玻尔兹曼散播的分子构型，就能绕开漫长的模拟过程。但是，这里存在一个令东谈主头疼的轮回悖论：西宾这种模子，需要多半也曾处于均衡气象的分子构型数据；而获取这些数据，适值即是咱们领先想要惩办的难题。

匹兹堡大学的探讨团队提议了一种名为SITA（可扩展推断时退火，Scalable Inference-Time Annealing）的新门径，试图突破这个死轮回。这套有筹谋的中枢念念路，即是用一种"温度门道"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描摹分子的舞步散播。

**一、为什么"从高温驱动"是个明智的首先**

退火，是冶金工东谈主的老时刻：把金属加热到高温，再从容冷却，让里面结构缓缓陈设整王人。分子模拟领域早就借用了这个办法。在高温下，分子领有更多能量，大约跳动各样能量樊篱，解放探索统共可能的姿态；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，险些无法跳出去。

传统分子能源学模拟在低温下极易"卡死"，即是因为分子莫得弥散能量跳动那些能量山丘，去探索其他构型。高温模拟则宽松得多，分子可以畅游通盘构型空间，遮掩统共可能的"舞步"。

SITA恰是专揽这一特色，先在1200K的高温模拟数据上西宾一个生成模子，让模子先学会高温下分子的"豪迈舞风"，再通过一系列全心联想的关键，缓缓把模子换取向300K（室温）下更"保守"、更专注于拙劣量姿态的精确散播。这个过程，就像先教一个舞者学习解放随心舞，再一步步经管他学习古典芭蕾的严格范例。

**二、"温度门道"究竟怎样走**

SITA的西宾过程分为四个周而复始的关键，通盘过程像是爬下一段楼梯，每走一步，模子对低温散播的意会就更深一层。

第一步，探讨团队专揽现时的生成模子（称为"流模子"，可以意会为一个特意生因素子构型的神经辘集），在稍低一些的温度下批量产出分子样本。这里有一个精妙的技能：流模子自己不需要修改，只需转换输入的"噪声"着手的方差，就能让输出的样本更倾向于拙劣量气象。具体来说，如若现时温度是1200K，主见是755K，那么只需将输入噪声的方差按照两个温度的比值放松，模子就会自然地生成更适应低温散播的样本。这种只需调治输入、无需重西宾模子的温度切换模样，是SITA的一大亮点。

第二步，用这批腾达成的样本，西宾一个"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——普通地说，即是学会判断每个分子构型"有多大可能确凿存在"。径直诡计流模子生成样本的精确概率，在高维度下需要诡计一个极其复杂的"雅可比行列式"（可以意会为描摹空间怎样被变换的数学量），诡计量随分子解放度的加多急剧扩展，完全不可行。能量模子则通过一种叫作念BoltzNCE的西宾门径，绕开了这个诡计瓶颈，用一个类似但高效的模样忖度出样本的概率。

BoltzNCE的西宾分两个部分：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形状；第二部分叫"噪声对比忖度"，通过让模子差别不同时间点的样本来锚定能量的王人备值。两者协力，使能量模子大约给每个样本打出一个"概率分数"，而无需资历激动的诡计。

第三步，专揽能量模子估算出的概率，诡计每个样本的紧要性权重。紧要性权重的含义是：这个样本在主见低温散播下，比较在现时高温散播下，更应该被喜欢些许倍。诡计公式是用玻尔兹曼散播给出的确凿低温概率，除以能量模子估算的高温概率。权重越高，证明这个样本越适应低温散播的特征。通过按这些权重对样本再行采样，就得到了一批"更像室温散播"的西宾数据。为了严防极少数权重极高的样本主导通盘重采样适度（这会严重裁汰样本各样性），探讨团队还对权重作念了99百分位截断处理。

第四步，用这批再行采样的数据，对流模子进行微调，让它更好地贴近现时主见温度下的散播。微调完成后，通盘轮回再行驱动，主见温度再降一个台阶。探讨顶用到的温度门道是：从1200K动身，轮番经过755.95K、555.52K、408.24K，最终到达300K。每一步都让模子对室温散播的意会更进一步。

**三、与敌手的正面交锋：SITA凭什么说我方更好**

在这个领域，最径直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，相通是沿温度门道缓缓退火，但它遴选的是基于扩散模子的架构，并依赖一种叫"费曼-卡茨公式"的数学器具来估算样本的紧要性权重。这个估算过程，需要沿通盘生成轨迹积分诡计速率场的散度（可以意会为诡计每一步生成过程中空间怎样被"压缩"或"扩展"），诡计量随分子解放度的加多呈灾难性增长。对于唯有几十个解放度的丙氨酸二肽，这也曾很繁重；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激动的散度积分，从根柢上绕开了这个瓶颈。代价是引入了一丝类似舛误——能量模子毕竟不是精确的概率密度，而是一个类似忖度。这个类似会导致重采样后的散播不是精确的主见低温散播，而是一个"歪斜版块"，其偏差取决于能量模子与确凿密度的差距。探讨团队坦率地承认了这一丝，并从表面上推导出了歪斜散播的时局。

但是，令东谈主未必的是，这种带有类似偏差的门径，在实验基准上尽然全面卓绝了表面上更精确的PITA。

**四、用丙氨酸磨砺功力**

探讨团队在两个程序分子基准上测试了SITA：丙氨酸二肽（Alanine Dipeptide，ADP）和丙氨酸三肽（Alanine Tripeptide，ATP）。丙氨酸二肽是诡计化学领域最经典的测试案例，就像机器学习领域的MNIST手写数字识别，既弥散浅易，又能显露门径的关键颓势。

评价盘算主要有四个。"Rama-KL"估量的是生成样本的构型散播与确凿室温MD模拟之间的KL散度（一种估量两个概率散播各异的数学量），数值越演义明遮掩越全面、越精确，这个盘算尤其对"模式崩溃"（即模子只生成少数几种构型）相等明锐。"Energy-W1"和"Energy-W2"估量的是生成样本与参考样本在能量散播上的各异，分别对应一阶和二阶Wasserstein距离。"T-W2"则估量样本在扭转角空间（即拉马钱德兰坐标，真钱牛牛APP官方版下载描摹卵白质骨架抨击模样的两个角度）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）两项最紧要的盘算上拿到了统共门径中的最好得益，显赫优于PITA（Rama-KL为4.773±0.460，Energy-W2为1.615±0.053）。有一个真谛的细节：另一个叫MD-NF的基准门径，径直用300K的MD数据西宾，在Energy-W1这一盘算上阐述最好，但它的Rama-KL极高（13.533±0.024），证明它其实严重模式崩溃了——只生成了能量较低的几种构型，是以能量均值看起来可以，但遮掩的构型空间极为有限。SITA生成的样本则遮掩了丙氨酸二肽统共主要的构型盆地，与MD参考散播在拉马钱德兰解放能图上高度吻合。

在丙氨酸三肽上，SITA的上风更为凸起。PITA在莫得进行非凡MD卤莽（即用短时间的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唯有0.361，Energy-W1为1.933。这意味着SITA生成的样推行量，径直卓绝了PITA加上MD卤莽后处理的水平，此后者需要非凡破钞3倍的能量诡计预算。

两个系统的有用样本比例（ESS，估量重采样后果的盘算，越高证明权重散播越均匀）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。这证明重采样过程中存在一定的样本花消，但即便如斯，最终适度仍然优于其他门径，证明SITA对样推行量的把执相等准确，即使一丝高权重样本也能有用指引模子向正确主见优化。

**五、还能更精确：寂然梅特罗波利斯-黑斯廷斯宽敞**

对于追求极致精度的场景，探讨团队还联想了一个可选的后处理关键：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（由确凿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"质料得分比"，如若新候选明显更好，就经受它；如若差未几或更差，就以相应概率经受或拒绝。这个机制保证了最终保留住来的样本蚁合会缓缓向确凿散播靠拢。

表面上，如若评审团使用的是精确概率，这个算法会不休到精确的主见散播。由于SITA使用的是能量模子类似概率，不休主见推行上是前边提到的阿谁"歪斜版块"的散播——探讨团队在论文中给出了严格的数学评释，证明歪斜进程完全由能量模子与确凿密度的偏差决定。

实验适度高傲，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，多项盘算均有改善。比较之下，另一种浅易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，证明样本各样性受损。IMH则在改善能量精度的同期，较好地保持了构型空间的遮掩，代价黑白凡需要5×10?次能量诡计（而通盘预西宾阶段需要5×10?次，这个支拨相对可以经受）。

**六、对于评估模样的一场"较真"**

SITA论文中还特意辟出一节，指出了竞争门径PITA在评估盘算上的两处门径论问题，这在学术界算是终点径直的月旦。

第一个问题是TICA（时间滞后寂然重量分析）评估中的滞后时间选拔。TICA是一种分析分子能源学轨迹慢模式的技术，其投影适度对滞后时间参数极为明锐。PITA对丙氨酸三肽使用了滞后时间10，对丙氨酸二肽使用了滞后时间100。过小的滞后时间会让TICA捕捉到高频振动和热噪声，而非着实有物理意思的慢构型转机，从而使基于TICA的评估盘算失去差别模式遮掩才智的智谋度。

第二个问题是MD参考轨迹的降采样模样。PITA取轨迹的前10000帧手脚参考散播，但MD轨迹帧之间存在强时间关系性，前10000帧时常集会于轨迹肇端的少数构型，无法代表圆善的均衡散播。使用这种有偏参考来评估模子，会让那些相通模式崩溃的门径因为与有偏参考"匹配得好"而获取造作的高分。SITA团队因此改用均匀间隔采样的模样选取参考帧，适度发现统共门径在这种更公谈的评估下阐述均有变化，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，体现了探讨者在门径论层面的严谨魄力——评估模样的细节，相通能决定"谁更好"的论断。

**七、模子架构背后的技术选拔**

SITA的流模子使用了一种叫GVP-GNN（几何向量感知图神经辘集）的架构，这是一种特意为分子联想的神经辘集，大约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，提高了学习后果。

能量模子则遴选了Graphormer架构，这是一种为图结构数据联想的Transformer变体。Transformer蓝本是处理自然话语的神经辘集，Graphormer通过在提神力机制中加入分子内原子间距离矩阵手脚结构偏置，使其大约有用处理三维分子构型。在SITA中，这个距离信息被径直注入提神力诡计，让模子自然具备对分子三维几何的感知才智。

两个模子的西宾都使用了三角函数插值（αt=cos(πt/2)，βt=sin(πt/2)）手脚立时插值框架的调治函数，这种选拔能让插值旅途在时间上更均匀，幸免西宾信号在某些时间段过于集会。优化器使用Adam，合营Reduce-on-Plateau学习率调治，在耗费住部属降时自动裁汰学习率。统共实验在单张NVIDIA L40 GPU上完成，每张显卡配备46GB显存。

**八、这套门径的局限与改日**

探讨团队相等坦率地证明了SITA引入类似的代价。由于能量模子仅仅流模子散播的类似，重采样后的散播并非精确的主见低温散播，而是受能量模子精度影响的歪斜散播。现时实验中有用样本比例较低（丙氨酸三肽最低唯有0.045），证明重采样后果还有较大普及空间。

此外，SITA现在只在微型分子系统上测试，对于更大的卵白质或药物分子，能量模子的类似精度是否弥散、流模子的抒发才智是否弥散，仍然是绽放的问题。探讨团队将架构优化、跨分子系统的移动才智，以及应用到更大分子系统的可行性，列为改日主要探讨主见。

归根结底，SITA代表的是一种"以类似换畛域"的工程玄学：在精确性上作念出可经受的靡烂，换来在更大系统上的可行性。在分子模拟这个高维度的领域，这时常是通往实用的惟一起径。

当分子生物学家和药物研发者面临一个全新的卵白质靶点时，如若能用SITA这么的器具在数小时内生成可靠的室温构型散播，而不是恭候数周的MD模拟，这种后果上的质变，可能径直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"的探讨，与普通东谈主最确凿的关联。

---

Q&A

Q1：SITA门径与传统分子能源学模拟比较，在诡计后果上有多大上风？

A：SITA的主要后果着手于两点。第一，它用神经辘集径直生因素子构型，幸免了传统MD模拟以飞秒步长缓缓鼓励的激动支拨；第二，它用能量模子替代了精确散度积分，幸免了随分子解放度增长而急剧扩展的诡计量。在实验中，通盘预西宾加退火过程破钞约5.08×10?次能量诡计，比敌手PITA在丙氨酸三肽上需要的8×10?次少约37%，且无需非凡MD卤莽后处理。

Q2：SITA中的能量模子类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散播的类似密度，而非精确密度，导致重采样后的散播是主见散播的"歪斜版块"，偏差大小取决于能量模子与确凿密度的差距。探讨团队在表面上推导了这个偏差的时局，并指出唯有当能量模子与流模子散播完全一致时，才智精确复原主见散播。尽管存在这种类似偏差，实验适度高傲SITA在多个盘算上仍优于其他门径。

Q3：SITA的温度门道中温度点是怎样选的，能不行径直从1200K跳到300K？

A：温度点的选拔影响紧要性权重的质料真钱牛牛官方网站，跨度越大，相邻温度散播各异越大，有用样本比例会急剧着落。SITA遴选755.95K、555.52K、408.24K、300K四步过渡，每步约裁汰约26%的温度，以保证弥散高的有用样本比例（丙氨酸二肽约13%~27%）。若径直从1200K跳到300K，两个温度下的玻尔兹曼散播各异极大，险些统共生成样本的权重都会趋近于零，重采样险些失效，西宾数据质料会严重劣化。