[i=s] 本帖最后由 活动小助手 于 2026-4-15 14:56 编辑 [/i]

在新药研发与先进材料的前沿探索中，分子设计长期面临着一个根本性困境：输入分子结构，输出预测性质，但中间的计算与推理过程却像一只“黑盒”——难以理解和干预，核心痛点在于表征空间的错位与梯度优化的局限。究其原因，一方面分子本质上是离散的图结构，而当前主流深度学习模型大多构建在连续空间表征之上，这种错位导致模型常常生成大量无效或不合逻辑的分子结构；另一方面，传统梯度优化方法在高维复杂的能量演化中极易陷入局部最优，从而错过真正有价值的分子结构。

基于上述背景，本次社区直播邀请到中国药科大学的刘丁豪博士，他将基于团队近期发表的论文，系统分享一套融合量子+人工智能的创新技术框架重构分子设计范式：引入Gumbel-Softmax重参数化技巧实现离散化降维；利用因子分解机将神经网络的黑盒预测转化为显式QUBO能量曲面；使用相干光量子计算机寻求全局寻优解。同时在可解释性及实战方面本次分享还将进行深度拆解。

欢迎大家预约观看！

[i=s] 本帖最后由 活动小助手 于 2026-4-15 14:56 编辑 [/i]

在新药研发与先进材料的前沿探索中，分子设计长期面临着一个根本性困境：输入分子结构，输出预测性质，但中间的计算与推理过程却像一只“黑盒”——难以理解和干预，核心痛点在于表征空间的错位与梯度优化的局限。究其原因，一方面分子本质上是离散的图结构，而当前主流深度学习模型大多构建在连续空间表征之上，这种错位导致模型常常生成大量无效或不合逻辑的分子结构；另一方面，传统梯度优化方法在高维复杂的能量演化中极易陷入局部最优，从而错过真正有价值的分子结构。

基于上述背景，本次社区直播邀请到中国药科大学的刘丁豪博士，他将基于团队近期发表的论文，系统分享一套融合量子+人工智能的创新技术框架重构分子设计范式：引入Gumbel-Softmax重参数化技巧实现离散化降维；利用因子分解机将神经网络的黑盒预测转化为显式QUBO能量曲面；使用相干光量子计算机寻求全局寻优解。同时在可解释性及实战方面本次分享还将进行深度拆解。

欢迎大家预约观看！