药企英矽智能将量子计算和生成式AI结合，发现明显量子优势

原标题：药企英矽智能将量子计算和生成式AI结合，发现明显量子优势

·“量子计算是下一个将对所有行业产生巨大影响的技术突破，制药业被认为将是第一波受益于这一技术进步的行业之一。”

·在一些情况下，混合模型展现出可能的量子优势，即在50个learnable parameters（在训练过程中可被学习的参数）下，就可以比拟传统MolGAN（使用生成对抗网络和强化学习生成分子图）具有2万个learnable parameters的表达能力。

5月17日，生成式AI驱动的临床阶段生物医药科技公司英矽智能（Iinsilico Medicine）宣布，公司的研究小组业界首次将量子计算和生成式人工智能两项快速发展的技术相结合，探索药物研发过程中的先导化合物的发现，并成功证明量子生成对抗网络（QuGAN）在生成化学中的潜在优势。

英矽智能于2014年在美国约翰斯·霍普金斯大学的新兴技术中心成立。此前，英矽智能宣布与跨国药企赛诺菲达成合作，获得预付款2150万美元、潜在价值达12亿美元的订单，创下亚洲AI制药的最高合作协议金额纪录。

此项研究发表在计算化学领域权威期刊美国化学学会旗下《化学信息与建模》杂志。

此项研究发表在计算化学领域权威期刊美国化学学会旗下《化学信息与建模》杂志，由英矽智能专注于计算机辅助药物研发工作的台湾研发中心和鸿海研究院量子计算研究所（富士康科技集团）共同领导。本文通讯作者、英矽智能台湾研发中心负责人林彦竹博士对澎湃科技（www.thepaper.cn）介绍，此次合作的课题是由英矽智能发起，主要的工作由英矽智能的量子计算和计算机辅助药物研发团队完成，鸿海研究院量子计算研究所担任顾问，帮助英矽智能熟悉以及建立量子计算平台。

林彦竹认为，量子计算是下一个将对所有行业产生巨大影响的技术突破，制药业被认为将是第一波受益于这一技术进步的行业之一。

然而，“目前的量子计算机由于硬件上的限制离真正的商业用途还有一段距离，能进行的复杂计算很有限，所以在这个基础下，我们优先探索量子机器学习混合模型，在不使用过多的量子qubit（量子位，量子计算器中的最小信息单位）下，能否在现阶段带来实质的帮助，并且在不远的将来能及时在真正的量子计算机做计算，解决药物研发的现实问题。”林彦竹对澎湃科技解释道。

研究结果显示，在一些情况下，量子对抗生成网络混合模型展现出可能的量子优势，即在50个learnable parameters（在训练过程中被学习的参数）下，就可以比拟传统MolGAN（使用生成对抗网络和强化学习生成分子图）具有2万个learnable parameters的表达能力。

生成式对抗网络是药物发现和设计中最成功的生成模型之一。经典的GAN模型由一个生成器（生成网络）和一个判别器（判别网络）组成，生成器通过学习训练集数据的特征，将随机噪声分布尽量拟合为训练数据的真实分布，从而生成具有训练集特征的相似数据。而判别器负责区分输入的数据的真实性，并反馈给生成器。期间生成器与判别器交替训练，分别提高各自的生成能力和判别能力，直到生成器生成的数据能够以假乱真。

对于量子对抗生成网络表现优于生成式对抗网络的原理，林彦竹解释道，“原因可能来自于量子系统本身的特性，即单一量子位可以同时存在两种状态，并且量子间具有量子纠缠的特性，相比传统计算机，所需要的训练数据大幅减少，本篇论文并没有深入探讨观察到的量子优势可能的原因，必须要设计更完整的实验，才能精确探知可能的原因。”

量子对抗生成网络的理论架构在2018年被首次提出，在2021年首次成功于真正的量子计算机上进行训练以产生图片。在相同时期美国宾夕法尼亚大学和IBM的科学家合作，第一次将量子对抗生成网络用于小分子生成。“但在论文中，作者并没有发表经由他们的QuGAN产生的小分子，我们实际使用他们的模型，亦无法产生出任何有效分子。英矽智能团队借由本篇研究，系统性地探索QuGAN在药物分子生成的潜力，也是第一次实质上使用QuGAN模型生成出有效药物分子，并且在特定的情况下观察到可能的量子优势。”林彦竹说。

在这项研究中，研究人员通过3个实验，逐步以变分量子线路（由含参数的量子门组成的量子线路，是进行量子机器学习的途径之一）取代MolGAN（一种用于小分子图的隐式生成式模型）的各个部分，包括作为噪声生成器、切片法下的生成器和判别器，并用一致的标准比较混合模型与经典GAN模型生成的小分子质量，证明了量子生成对抗网络在生成化学中的潜在优势。

英矽智能创始人兼首席执行官亚历克斯 · 扎沃隆科夫（Alex Zhavoronkov）博士表示，“英矽智能目前正在探索以多种量子模型驱动的药物化学发现突破性实验。”这项前瞻性探索将进一步支持英矽智能的研发团队将量子GAN模型整合到英矽智能自主研发的小分子生成引擎Chemistry42中，以便更高效和精准地推进人工智能驱动的药物发现。