量子退火单元(DAU)在化学反应条件优化中的应用：提升产率的新范式

本研究针对化学合成中反应条件优化难题，创新性地将数字退火单元(DAU)与二次无约束二进制优化(QUBO)模型相结合，开发了高效预测反应产率的算法。通过高通量实验(HTE)和Reaxys数据集验证，该方法在保持与传统机器学习(ML)相当精度的同时，将筛选数十亿反应条件的时间缩短至秒级，为药物和化工领域的合成路线设计提供了革命性工具。

　　

在制药和化工领域，寻找最优化学反应条件如同大海捞针。传统方法依赖化学家的经验试错，而化学空间的广阔性使得穷举所有条件组合成为不可能的任务。虽然定量构效关系(QSAR)模型已被广泛采用，但面对数十亿级条件组合时，传统计算单元仍显得力不从心。更棘手的是，即使是金属催化的经典反应如Suzuki偶联，催化剂或配体的微小变化都可能导致产率剧烈波动，这种"蝴蝶效应"让优化工作充满挑战。

面对这一难题，Insilico Medicine台湾分公司与中原大学量子信息中心的研究团队另辟蹊径，将量子计算领域的数字退火单元(DAU)引入化学反应优化。这项发表在《Journal of Cheminformatics》的研究，开发了基于二次无约束二进制优化(QUBO)的新型预测模型，在保持预测精度的同时实现了计算效率的指数级提升。

研究团队采用了两大核心技术：一是ML驱动的QUBO模型，通过二阶多项式拟合训练数据；二是DAU原生模型，采用二进制决策框架评估条件组合。为验证方法普适性，实验覆盖了Buchwald-Hartwig C-N偶联、C-H芳基化等四类HTE数据集，以及从Reaxys提取的Negishi反应等三大反应家族，总计处理超过10万条反应记录。数据预处理阶段创新性地采用子结构编码和混合指纹(MACCS/Avalon/ECFP4)策略，解决了大规模反应物表征的难题。

模型性能验证

在C-N偶联反应的子集测试中，ML-QUBO模型表现出与传统前馈神经网络(FFN)相当的预测能力，平均绝对误差(MAE)控制在3.69-6.99%之间。特别值得注意的是，当模型在包含s3、s9子集上训练后，对未知反应的top-5条件预测准确率可达60%，证明其良好的迁移学习能力。

计算效率突破

在规模达18.7亿组合的Negishi反应筛选中，DAU仅用10秒就找到23组优于传统随机采样10万次的最佳条件，相比CPU方案提速超过百万倍。这种"量子优势"在活性学习场景中更为显著——模型仅需5-8轮迭代就能锁定高产率条件，大幅降低实验成本。

化学空间探索

研究还揭示了数据分布对模型性能的关键影响。在产率分布右偏（如酰胺化反应skewness=1.12）的数据集中，模型表现明显受限。这促使团队开发了自适应采样策略，平衡"探索-开发"矛盾，在C-H芳基化等反应中实现top-10命中率80%的突破。

这项研究的创新价值体现在三个维度：方法论上，首次证明QUBO框架在化学反应优化中的可行性；技术上，开创了DAU与传统ML的协同计算范式；应用上，为自动化合成实验室提供了核心算法支持。正如通讯作者Chih-Yu Chen教授指出："当化学空间的维度超过10⁹时，DAU的量子隧穿效应使其能逃脱局部最优陷阱，这是经典算法无法实现的。"该成果不仅缩短了从分子设计到工艺放大的周期，更启示了量子计算在复杂化学系统优化中的广阔前景。

未来工作将聚焦于多目标优化（如同时优化产率、选择性和能耗）和反应机理的可解释性研究。随着富士通新一代DAU硬件的推出，处理更复杂的约束条件（如催化剂负载量、溶剂比例）将成为可能，这将进一步推动化学合成向数字化、智能化方向发展。