在功能分子发现与分子建模中，质子解离常数（pKa）至关重要。基于iBonD，最大实验pKa数据库，我们与其他研究者开发了多种方法，包括基于机器学习的经验预测和高精度能量计算。尽管已有基础，快速增强高质量pKa数据依然受到限制。我们对未标记的分子数据集进行了大规模回归pKa预测，使用了一系列经过广泛优化的机器学习模型。结果表明，未标记分子数据集的特征分布近似正态分布，但尾部样本极其稀缺。虽然这种数据增强对提高整体数据可用性和预测建模极具价值，但对于有效发现具有广谱pKa特性的分子仍显不足。为此，我们探索从广阔的化学空间中有针对性地生成具有稀疏pKa特性的分子。考虑到传统的连续潜在空间VAE-RNN方法在分子生成中存在稳定性不足的问题，且未能在补充稀疏数据方面展示明显优势，我们设计并实施了一种量子辅助的稀疏pKa分子生成。我们的可行性在模拟量子退火器上得到了验证，并在物理相干伊辛机器（CIMs）上实现了更优的极值采样。
博主点评： 本文通过量子计算探索分子生成的新领域，尤其是在数据稀缺的情况下。量子辅助的方法可能会为化学和材料科学带来革命性进展，值得关注其后续研究与应用潜力。