一、背景介绍

1、目的：这篇文章简单来说就是：人怎么用机器，帮自己更快地找药。

分子对接：就像找钥匙配锁。药就是钥匙，人体里的蛋白就是锁。钥匙插得准不准，合不合适，决定了这药有没有用，有没有副作用。这篇文章就是在一大堆钥匙里，找出最可能插进某一把锁的那几个的方法。

2、难点：现在问题出在哪儿呢？钥匙不是死的。它能转，能歪，能换角度。锁也不是死的，有凹有凸。一种钥匙能有成千上万种姿势去试一把锁。要是钥匙多，锁也多，那要试的情况就多得吓人。普通电脑一把一把试，就像用胶头滴管在大海里数水的毫升数，数到天荒地老。

二、建模：

这里解释一下他们的建模依据

依据：自然规律就是“能量越低越稳定”
这是热力学基本原理：万物都趋向能量最低的状态

分子之间也是——两个分子结合时，会自动找到让总能量最低的那个姿势，就像水往低处流。

在药丸子这里：能量越低，说明药和蛋白结合得越紧、越稳，药效就可能越持久、越强。

所以他们认准了：只要我们能找到让 ΔG_Bind 最小的那个原子排布方式，就相当于找到了最有可能在真实中出现的结合姿势。这是整个模型的定海神针。

所以用 ΔGBind这个“能量函数”当目标，是有物理学背书的

[为啥要限制在“对接盒子”（D）里？
这盒子是科学家在蛋白口袋周围画出的一个小方框，大概每边长20-30 Å（比原子大几十倍）

他们相信，药丸子要起作用，其原子肯定不会跑到这个盒子外面去

作用一：大大减少计算量。本来原子能在整个宇宙中找位置，现在只在这个小盒子里找，要试的可能性就少了很多很多

作用二：符合常识。就像找钥匙眼，肯定只在锁头附近摸，不会去摸门框背面]

建模前的隐含前提假设：配体是刚性的
他们假设：药分子在对接过程中形状不变（就像一把硬钥匙）、蛋白口袋也是固定的

为啥？——如果钥匙还会扭动（柔性），计算量就爆炸了

（现实是：其实很多药分子是柔性的，但先假设刚性，问题就简单多了，这是先解决主要矛盾,因为如果分子进行扭动的话，我们计算量在空间上就会数量爆炸。我们知道一切分子的组成都是由原子核+电子组成的，一个药物分子又由不同的原子组成，药物蛋白中的化学键其实是电子在原子核周围形成的概率云，并且海森堡测不准原理意味着在微观尺度上存在固有的不确定性，尽管化学键的量子本质在原理上决定了原子间的相互作用，但在实际研究中，这些小分子的配体形状通常可以通过经典力场（分子力学）进行较好地近似。这是因为在大多数情况下，原子核的运动可以使用玻恩-奥本海默近似与电子运动分离，电子提供的有效势能面可以指导核的运动，从而允许用经典方法处理药分子对接过程，也是就是可以算个大概，后面再微调）

 

下面拆解建模思路

 

此处的建模把连续的东西拆成离散化

在真实世界里，分子的位置、角度、距离，全都是连续变化的，理论上有无穷多种可能。可机器算不了无穷。于是他们先做了一件看起来有点粗暴、但很关键的事：把对接空间切成一小格一小格。你可以把它想成把一块地划成棋盘。钥匙只允许放在格点上，不许在缝里乱飘。

本质上：就是把【空间上的匹配好不好】，翻译成【选择哪些点，哪些点不要】，将化学问题转为了排列组合的数学问题

这一刀切下去，问题立刻从“无穷多种姿势”，变成了“有限个候选姿势”。

先用网格点，把蛋白口袋和药物可能出现的位置都标出来。然后假设这样一件事：如果药物的某个原子，落在蛋白口袋里一个“合适的格点附近”，那这是一个加分项。如果它落在不该去的地方，甚至撞进蛋白里，那这是一个扣分项。于是，每一个格点，背后都有一个简单判断。
选它，这个姿势就多一分好感。不选它，什么都不发生。

再往前一步，他们还要防止你乱选。比如你不能同时选两个互相冲突的位置。这时候就引入了“惩罚”的概念。你一旦做了不合逻辑的选择，总分就会被狠狠扣掉。由于还要引入真实世界的物理规则，因此必须加硬规矩进行约束

大盒子（D）
有限个格点（比如N个）
“开关”变量：x_{ij}
x_{ij} = 1 就表示：药丸子的第 i 个原子，放在了第 j 个格点上。

x_{ij} = 0 就表示：不放。

K_dist：专管“保形状”规矩。谁破坏了分子内部距离，就狠狠罚。

K_mono：专管“一对一”规矩。谁让两个原子撞在一个格点上，就狠狠罚。

每一项公式，翻成白话就是一句话。
如果你选了这个点，就加多少分。
如果你同时选了这两个不该同时选的点，就罚你多少分。
最后把所有加分减分算在一起，总分最低的那一组选择，就是机器眼里“最顺眼”的构象。

所以你看到的那些平方项、交叉项，在物理上你完全可以不理解。你只要知道，它们在逻辑上做的是三件事。
奖励合理匹配。
惩罚不可能的组合。
逼着解落在“看起来像一个完整分子姿势”的区域里。

这套建模，不是化学模型，而是翻译模型。
它做的事，是把人类直觉里的“这个姿势看着顺不顺”，翻译成机器能快速算的“是或否选择题”。

 

到这一步就知道那个原子应该放在哪个位点上了

接下来是进行摆好药物姿势的操作

 

算法会巧妙地计算出一个最佳的旋转角度（K_rot），让药丸子模型上所有的原子，在旋转后，与他们各自的目标格点距离的平方和最小。

他们用的这个 Kabsch算法，是个非常经典聪明的法子：

第一步：先找重心：

算出所有指定格点位置的平均中心（b里面那部分）。

也算出药丸子模型原来形状的平均中心。

把药丸子模型整体平移过去，让两个中心重合。这就先对上了“大位置”。

第二步：再找最佳旋转：

现在中心对齐了，但模型可能还是“歪的”。

算法会巧妙地计算出一个最佳的旋转角度（K_rot），让药丸子模型上所有的原子，在旋转后，与他们各自的目标格点距离的平方和最小。

这个“距离平方和”，就是 RMSD（均方根偏差）。RMSD越小，说明你“拧”得越准，摆的姿势和量子计算机指出的理想点位越吻合。

 

经过上面“一平移、二旋转”的调整，最终得到了：

药丸子每一个原子在三维空间中的最终坐标。这一整套坐标，就是一个完整的、具体的、可以拿来分析的 “对接构象”（Docking Pose）。

 

那么找好位置后，接下来就会进行摆放位置适配度进行打分，就像对模特所摆的姿势，是否符合最高要求的标准进行打分一样

 

他们发明了两种算法来算这个 w：

1.GPM（网格点匹配）：看的是物理上的“挤不挤”

方法是：在蛋白口袋周围画格子，用经典工具（AutoGrid）提前算好每个格点对各种原子类型（碳、氧、氢等）的“范德华相互作用能”，最后直接查表匹配。

优点：非常物理直观，直接与基本的分子间作用力挂钩

妥协（忽略了静电和溶剂效应）：在离散的格点体系中，这些更精细的效应反而容易因“格子太粗”而引入噪声和误差，导致结果更差。所以干脆不要，保核心。这是一种务实的“抓大放小”

 

2.FAM（特征原子匹配）：看的是化学上的“合不合得来”

方法是：把格子变成特征原子（FA），然后计算药丸与这个格子的“投缘度”

优点：非常化学智能，抓住了药物结合中最关键的“氢键相互作用”这一环，用极简的规则描述

而且，因为把成千上万个格点“浓缩”成了少数几个特征原子，所以最终需要确定的变量（x_{ij}）大大减少，需要的量子比特数也大大减少（见后面的结果分析）

妥协：完全忽略了范德华力等精细物理作用，只抓主要矛盾

 

为什么需要两种方法？
为了对比验证：看是“硬物理”方法好，还是“软化学”方法妙。

适应不同场景：GPM更通用精确，FAM更快速轻便。

探索边界：看看在量子计算资源有限的情况下，哪种编码策略更能取得好效果。

（后面会看到，在采样能力上，GPM这个‘硬实力派’确实更接近经典顶尖软件，而FAM这个‘软眼光派’则节省了大量计算资源。两者各有千秋。）

 

但是，他两因为因为做了大量简化，主要任务是在汪洋大海里快速捞出可能不错的姿势，而不是精确判断哪朵浪花最好看

所以当他们同时又担任上一个打分函数，用来给不同的药丸子姿势（构象）排名次、比高低的时候，就不太准。

这时候就引入经典计算机的构象打分

要打分就得先采样，他们的做法是

第一步：用量子计算机（CIM）构象采样   ，也就是利用QUBO模型（GPM/FAM），快速找出30个（举例）能量最低的可能姿势。

（这件事（NP-hard问题）是组合爆炸，传统计算机算得慢，正好是量子计算机的强项。它只需要一个粗略的打分函数（ΔG'_Bind）来指导搜索方向就行。）

 

第二步：用经典计算机（CPU/GPU）构象打分  ，也就是对量子计算机采样的30个姿势，用更精确、更复杂的经典打分函数（如AutoDock Vina, Glide等的全套算法）重新计算一遍结合能，然后精确排序。    

 （这件事计算量相对小，但需要很高的精度。经典计算机上有经过几十年验证的、考虑周全（范德华、静电、溶剂化、熵变…）的成熟打分函数，干这个最拿手。）

三、进行考试

他们用一个叫 CASF-2016 的“标准考题库”（里面是257个已知结构的药-蛋白配对）来考试。

考试题目：已知药丸子最终长什么样（晶体结构），看你的方法能不能“猜中”这个姿势。
评分标准：mRMSD（最小均方根偏差）。这个数越小，说明你猜的姿势和真实答案越像。

评分标准

< 2 Å（埃）：就算“高质量”猜中（1埃是一亿分之一厘米，2埃大概比头发丝细几万倍）

> 2 Å：猜得有点走样

考试卷子

“考生”（方法）	猜对多少题？ （高质量案例占比）	平均差多少？ （平均mRMSD）	最差一回差多少？ （最大mRMSD）
GPM（硬实力派）	225/257题 (87.5%)	1.1 Å	~5 Å
FAM（软眼光派）	173/257题 (67.3%)	1.8 Å	~9.4 Å
Glide SP（传统优等生）	240/257题 (93.4%)	1.0 Å	6.8 Å

 

这成绩说明啥？
1.GPM真不赖：作为量子计算的新方法，它猜对题目的能力（87.5%）已经非常接近目前最好的经典软件（93.4%）了。这说明它这个“硬碰硬”的思路很有效

2.FAM有潜力但稍弱：它只关注“氢键投缘”，所以猜中的题目少一些，而且偶尔会“跑偏”得比较厉害（最大误差9.4 Å）。但它已经能解决一大半问题了

结论：GPM这个量子快手找蛋白的本事，已经快赶上最好的经典快手了！ 这是巨大的成功，这个发现非常宝贵，它告诉我们：量子计算这条新路本身没走错，瓶颈在于基础的“画格子”精度。 这就指明了未来改进的方向。

为啥考得好？为啥会丢分？（3.2 影响因素）
他们就像老师一样，开始分析：是什么决定了“考生”的分数（mRMSD）？

他们找了三个可能的原因：

药丸子大不大？（配体质量） → 结论：几乎无关。（R² ≈ 0）

用的量子算盘大不大？（量子比特数） → 结论：几乎无关。（R² ≈ 0）

棋盘格子画得粗不粗？（离散化误差） → 结论：关系极大！（R² > 0.9）

结论：丢分的主要原因，不是量子算法不聪明，而是‘画格子’这个基础步骤带来的信息损失。只要格子画得足够密（比如未来计算力更强了），结果就能无限接近完美。

 

干这活儿费不费劲？（3.3 计算成本）

1. 费不费“量子算盘”（量子比特需求）？
GPM：最多需要 13,908 个量子比特。

FAM：最多需要 3,640 个量子比特。

对比：现在实验室里最好的光量子计算机（CIM）已经有约10万个量子比特了！

结论：我们的方法只用了一小部分算力，“大马拉小车”，绰绰有余！ 未来还有巨大空间算更复杂的药

 

2.干得有多快？（运行时间）
基于量子计算机（CIM）的特性，采样时间估计是毫秒级。

这比传统经典计算机快 至少1000倍（3个数量级）。

好比：经典计算机要算一个小时的话，它一秒钟就干完了。

 

现在能干什么活？（问题规模分析）
因为量子比特需求随原子数平方级增长，所以目前能算的药丸子大小有限制：

GPM：最多算约 156 个原子的分子（大概相当于15个氨基酸的小肽）。

FAM：最多算约 305 个原子的分子（大概相当于30个氨基酸的肽）。

还干不了：蛋白质和蛋白质之间的大对接（那需要几十万个原子，算不了）。

 

四、小结

整篇论文的结果部分，讲了这么个故事：

我们发明了两种让量子计算机快速‘猜药姿势’的新法子（GPM和FAM）

考得好：特别是GPM法，猜题能力直追世界顶尖软件

人实在：我们发现，没猜准 mainly 是因为“画格子”这步太粗糙，不是量子算法不行。这毛病好改

干得快、省力气：用现有的量子算盘，毫秒之间就能干完经典计算机要干很久的活儿，而且算盘还远远没使上全力

有局限但未来可期：目前只能算小药丸子，算不了大家伙。但随着量子算盘越来越大，能算的药也会越来越大

一、背景介绍

1、目的：这篇文章简单来说就是：人怎么用机器，帮自己更快地找药。

分子对接：就像找钥匙配锁。药就是钥匙，人体里的蛋白就是锁。钥匙插得准不准，合不合适，决定了这药有没有用，有没有副作用。这篇文章就是在一大堆钥匙里，找出最可能插进某一把锁的那几个的方法。

2、难点：现在问题出在哪儿呢？钥匙不是死的。它能转，能歪，能换角度。锁也不是死的，有凹有凸。一种钥匙能有成千上万种姿势去试一把锁。要是钥匙多，锁也多，那要试的情况就多得吓人。普通电脑一把一把试，就像用胶头滴管在大海里数水的毫升数，数到天荒地老。

二、建模：

这里解释一下他们的建模依据

依据：自然规律就是“能量越低越稳定”
这是热力学基本原理：万物都趋向能量最低的状态

分子之间也是——两个分子结合时，会自动找到让总能量最低的那个姿势，就像水往低处流。

在药丸子这里：能量越低，说明药和蛋白结合得越紧、越稳，药效就可能越持久、越强。

所以他们认准了：只要我们能找到让 ΔG_Bind 最小的那个原子排布方式，就相当于找到了最有可能在真实中出现的结合姿势。这是整个模型的定海神针。

所以用 ΔGBind这个“能量函数”当目标，是有物理学背书的

[为啥要限制在“对接盒子”（D）里？
这盒子是科学家在蛋白口袋周围画出的一个小方框，大概每边长20-30 Å（比原子大几十倍）

他们相信，药丸子要起作用，其原子肯定不会跑到这个盒子外面去

作用一：大大减少计算量。本来原子能在整个宇宙中找位置，现在只在这个小盒子里找，要试的可能性就少了很多很多

作用二：符合常识。就像找钥匙眼，肯定只在锁头附近摸，不会去摸门框背面]

建模前的隐含前提假设：配体是刚性的
他们假设：药分子在对接过程中形状不变（就像一把硬钥匙）、蛋白口袋也是固定的

为啥？——如果钥匙还会扭动（柔性），计算量就爆炸了

（现实是：其实很多药分子是柔性的，但先假设刚性，问题就简单多了，这是先解决主要矛盾,因为如果分子进行扭动的话，我们计算量在空间上就会数量爆炸。我们知道一切分子的组成都是由原子核+电子组成的，一个药物分子又由不同的原子组成，药物蛋白中的化学键其实是电子在原子核周围形成的概率云，并且海森堡测不准原理意味着在微观尺度上存在固有的不确定性，尽管化学键的量子本质在原理上决定了原子间的相互作用，但在实际研究中，这些小分子的配体形状通常可以通过经典力场（分子力学）进行较好地近似。这是因为在大多数情况下，原子核的运动可以使用玻恩-奥本海默近似与电子运动分离，电子提供的有效势能面可以指导核的运动，从而允许用经典方法处理药分子对接过程，也是就是可以算个大概，后面再微调）

 

下面拆解建模思路

 

此处的建模把连续的东西拆成离散化

在真实世界里，分子的位置、角度、距离，全都是连续变化的，理论上有无穷多种可能。可机器算不了无穷。于是他们先做了一件看起来有点粗暴、但很关键的事：把对接空间切成一小格一小格。你可以把它想成把一块地划成棋盘。钥匙只允许放在格点上，不许在缝里乱飘。

本质上：就是把【空间上的匹配好不好】，翻译成【选择哪些点，哪些点不要】，将化学问题转为了排列组合的数学问题

这一刀切下去，问题立刻从“无穷多种姿势”，变成了“有限个候选姿势”。

先用网格点，把蛋白口袋和药物可能出现的位置都标出来。然后假设这样一件事：如果药物的某个原子，落在蛋白口袋里一个“合适的格点附近”，那这是一个加分项。如果它落在不该去的地方，甚至撞进蛋白里，那这是一个扣分项。于是，每一个格点，背后都有一个简单判断。
选它，这个姿势就多一分好感。不选它，什么都不发生。

再往前一步，他们还要防止你乱选。比如你不能同时选两个互相冲突的位置。这时候就引入了“惩罚”的概念。你一旦做了不合逻辑的选择，总分就会被狠狠扣掉。由于还要引入真实世界的物理规则，因此必须加硬规矩进行约束

大盒子（D）
有限个格点（比如N个）
“开关”变量：x_{ij}
x_{ij} = 1 就表示：药丸子的第 i 个原子，放在了第 j 个格点上。

x_{ij} = 0 就表示：不放。

K_dist：专管“保形状”规矩。谁破坏了分子内部距离，就狠狠罚。

K_mono：专管“一对一”规矩。谁让两个原子撞在一个格点上，就狠狠罚。

每一项公式，翻成白话就是一句话。
如果你选了这个点，就加多少分。
如果你同时选了这两个不该同时选的点，就罚你多少分。
最后把所有加分减分算在一起，总分最低的那一组选择，就是机器眼里“最顺眼”的构象。

所以你看到的那些平方项、交叉项，在物理上你完全可以不理解。你只要知道，它们在逻辑上做的是三件事。
奖励合理匹配。
惩罚不可能的组合。
逼着解落在“看起来像一个完整分子姿势”的区域里。

这套建模，不是化学模型，而是翻译模型。
它做的事，是把人类直觉里的“这个姿势看着顺不顺”，翻译成机器能快速算的“是或否选择题”。

 

到这一步就知道那个原子应该放在哪个位点上了

接下来是进行摆好药物姿势的操作

 

算法会巧妙地计算出一个最佳的旋转角度（K_rot），让药丸子模型上所有的原子，在旋转后，与他们各自的目标格点距离的平方和最小。

他们用的这个 Kabsch算法，是个非常经典聪明的法子：

第一步：先找重心：

算出所有指定格点位置的平均中心（b里面那部分）。

也算出药丸子模型原来形状的平均中心。

把药丸子模型整体平移过去，让两个中心重合。这就先对上了“大位置”。

第二步：再找最佳旋转：

现在中心对齐了，但模型可能还是“歪的”。

算法会巧妙地计算出一个最佳的旋转角度（K_rot），让药丸子模型上所有的原子，在旋转后，与他们各自的目标格点距离的平方和最小。

这个“距离平方和”，就是 RMSD（均方根偏差）。RMSD越小，说明你“拧”得越准，摆的姿势和量子计算机指出的理想点位越吻合。

 

经过上面“一平移、二旋转”的调整，最终得到了：

药丸子每一个原子在三维空间中的最终坐标。这一整套坐标，就是一个完整的、具体的、可以拿来分析的 “对接构象”（Docking Pose）。

 

那么找好位置后，接下来就会进行摆放位置适配度进行打分，就像对模特所摆的姿势，是否符合最高要求的标准进行打分一样

 

他们发明了两种算法来算这个 w：

1.GPM（网格点匹配）：看的是物理上的“挤不挤”

方法是：在蛋白口袋周围画格子，用经典工具（AutoGrid）提前算好每个格点对各种原子类型（碳、氧、氢等）的“范德华相互作用能”，最后直接查表匹配。

优点：非常物理直观，直接与基本的分子间作用力挂钩

妥协（忽略了静电和溶剂效应）：在离散的格点体系中，这些更精细的效应反而容易因“格子太粗”而引入噪声和误差，导致结果更差。所以干脆不要，保核心。这是一种务实的“抓大放小”

 

2.FAM（特征原子匹配）：看的是化学上的“合不合得来”

方法是：把格子变成特征原子（FA），然后计算药丸与这个格子的“投缘度”

优点：非常化学智能，抓住了药物结合中最关键的“氢键相互作用”这一环，用极简的规则描述

而且，因为把成千上万个格点“浓缩”成了少数几个特征原子，所以最终需要确定的变量（x_{ij}）大大减少，需要的量子比特数也大大减少（见后面的结果分析）

妥协：完全忽略了范德华力等精细物理作用，只抓主要矛盾

 

为什么需要两种方法？
为了对比验证：看是“硬物理”方法好，还是“软化学”方法妙。

适应不同场景：GPM更通用精确，FAM更快速轻便。

探索边界：看看在量子计算资源有限的情况下，哪种编码策略更能取得好效果。

（后面会看到，在采样能力上，GPM这个‘硬实力派’确实更接近经典顶尖软件，而FAM这个‘软眼光派’则节省了大量计算资源。两者各有千秋。）

 

但是，他两因为因为做了大量简化，主要任务是在汪洋大海里快速捞出可能不错的姿势，而不是精确判断哪朵浪花最好看

所以当他们同时又担任上一个打分函数，用来给不同的药丸子姿势（构象）排名次、比高低的时候，就不太准。

这时候就引入经典计算机的构象打分

要打分就得先采样，他们的做法是

第一步：用量子计算机（CIM）构象采样   ，也就是利用QUBO模型（GPM/FAM），快速找出30个（举例）能量最低的可能姿势。

（这件事（NP-hard问题）是组合爆炸，传统计算机算得慢，正好是量子计算机的强项。它只需要一个粗略的打分函数（ΔG'_Bind）来指导搜索方向就行。）

 

第二步：用经典计算机（CPU/GPU）构象打分  ，也就是对量子计算机采样的30个姿势，用更精确、更复杂的经典打分函数（如AutoDock Vina, Glide等的全套算法）重新计算一遍结合能，然后精确排序。    

 （这件事计算量相对小，但需要很高的精度。经典计算机上有经过几十年验证的、考虑周全（范德华、静电、溶剂化、熵变…）的成熟打分函数，干这个最拿手。）

三、进行考试

他们用一个叫 CASF-2016 的“标准考题库”（里面是257个已知结构的药-蛋白配对）来考试。

考试题目：已知药丸子最终长什么样（晶体结构），看你的方法能不能“猜中”这个姿势。
评分标准：mRMSD（最小均方根偏差）。这个数越小，说明你猜的姿势和真实答案越像。

评分标准

< 2 Å（埃）：就算“高质量”猜中（1埃是一亿分之一厘米，2埃大概比头发丝细几万倍）

> 2 Å：猜得有点走样

考试卷子

“考生”（方法）	猜对多少题？ （高质量案例占比）	平均差多少？ （平均mRMSD）	最差一回差多少？ （最大mRMSD）
GPM（硬实力派）	225/257题 (87.5%)	1.1 Å	~5 Å
FAM（软眼光派）	173/257题 (67.3%)	1.8 Å	~9.4 Å
Glide SP（传统优等生）	240/257题 (93.4%)	1.0 Å	6.8 Å

 

这成绩说明啥？
1.GPM真不赖：作为量子计算的新方法，它猜对题目的能力（87.5%）已经非常接近目前最好的经典软件（93.4%）了。这说明它这个“硬碰硬”的思路很有效

2.FAM有潜力但稍弱：它只关注“氢键投缘”，所以猜中的题目少一些，而且偶尔会“跑偏”得比较厉害（最大误差9.4 Å）。但它已经能解决一大半问题了

结论：GPM这个量子快手找蛋白的本事，已经快赶上最好的经典快手了！ 这是巨大的成功，这个发现非常宝贵，它告诉我们：量子计算这条新路本身没走错，瓶颈在于基础的“画格子”精度。 这就指明了未来改进的方向。

为啥考得好？为啥会丢分？（3.2 影响因素）
他们就像老师一样，开始分析：是什么决定了“考生”的分数（mRMSD）？

他们找了三个可能的原因：

药丸子大不大？（配体质量） → 结论：几乎无关。（R² ≈ 0）

用的量子算盘大不大？（量子比特数） → 结论：几乎无关。（R² ≈ 0）

棋盘格子画得粗不粗？（离散化误差） → 结论：关系极大！（R² > 0.9）

结论：丢分的主要原因，不是量子算法不聪明，而是‘画格子’这个基础步骤带来的信息损失。只要格子画得足够密（比如未来计算力更强了），结果就能无限接近完美。

 

干这活儿费不费劲？（3.3 计算成本）

1. 费不费“量子算盘”（量子比特需求）？
GPM：最多需要 13,908 个量子比特。

FAM：最多需要 3,640 个量子比特。

对比：现在实验室里最好的光量子计算机（CIM）已经有约10万个量子比特了！

结论：我们的方法只用了一小部分算力，“大马拉小车”，绰绰有余！ 未来还有巨大空间算更复杂的药

 

2.干得有多快？（运行时间）
基于量子计算机（CIM）的特性，采样时间估计是毫秒级。

这比传统经典计算机快 至少1000倍（3个数量级）。

好比：经典计算机要算一个小时的话，它一秒钟就干完了。

 

现在能干什么活？（问题规模分析）
因为量子比特需求随原子数平方级增长，所以目前能算的药丸子大小有限制：

GPM：最多算约 156 个原子的分子（大概相当于15个氨基酸的小肽）。

FAM：最多算约 305 个原子的分子（大概相当于30个氨基酸的肽）。

还干不了：蛋白质和蛋白质之间的大对接（那需要几十万个原子，算不了）。

 

四、小结

整篇论文的结果部分，讲了这么个故事：

我们发明了两种让量子计算机快速‘猜药姿势’的新法子（GPM和FAM）

考得好：特别是GPM法，猜题能力直追世界顶尖软件

人实在：我们发现，没猜准 mainly 是因为“画格子”这步太粗糙，不是量子算法不行。这毛病好改

干得快、省力气：用现有的量子算盘，毫秒之间就能干完经典计算机要干很久的活儿，而且算盘还远远没使上全力

有局限但未来可期：目前只能算小药丸子，算不了大家伙。但随着量子算盘越来越大，能算的药也会越来越大