变分量子注意力用于分子图学习

分子性质预测是计算机辅助药物发现的核心任务，图神经网络已是主流工具之一，一篇综述曾整理出在 48 个数据集上预测 20 余种分子性质的 80 种 GNN 架构 ^[1]。但质疑一直存在：在 11 个公共数据集上，基于描述符的模型（SVM、XGBoost、RF 等）在平均预测精度与计算效率上反而优于图模型 ^[2]；另一项累计训练 62,820 个模型的研究也显示，表示学习模型在多数数据集上提升有限，且多个关键要素会影响评估结果 ^[3]。注意力机制则常被寄望于定位关键子结构，例如药物相互作用预测中借助子结构注意力自适应提取子结构以改善预测 ^[4]。而变分量子线路会如何改变分子图上学到的注意力行为，此前并不清楚。

一篇尚待同行评议的 arXiv 预印本提出了边感知的变分量子注意力机制 QGAT：接收原子、邻近原子与连接化学键三者共同决定量子注意力状态。在五项分子性质与生物活性预测任务上，QGAT 与经典 GATv2 表现相当，并在全部六种被评估的线路设计方案（ansatz）下于 BBBP 任务上取得一致的提升。作者还越过准确率，比较两种注意力机制对分子结构的打分方式：在 Verubecestat（MK-8931）的 BACE1 抑制剂系列——该化合物 2016 年由 Kennedy 等报道为强效、高选择性且结构独特的 BACE1 抑制剂^[5]——的案例研究中，QGAT 的 Spearman 相关高于 GATv2，其对若干结构改动的正向归因与已报道的构效关系一致。线路消融实验进一步表明，性能取决于线路设计。

这项工作推进的一步在于说明：变分量子注意力可以作为分子注意力的可行替代参数化，并产生有别于匹配经典打分器的、依赖线路与化学结构的行为，换言之，更换注意力实现不仅改变精度，也改变模型对分子结构的权重分配与归因结果。值得一提的是，2025 年 8 月 25 日的另一篇预印本同样提出了将变分量子线路整合进图神经网络的 Quantum Graph Attention Network（QGAT）^[6]，显示这一技术路线正被持续探索。

局限也不容回避：作为未经同行评议的预印本，其结论有待检验；案例研究仅限于一个 Verubecestat 类似物系列，正如作者自己所言，两种注意力机制在预测与归因上的差异能否跨化学系列、跨靶点泛化，仍需更广泛的验证；性能又与线路设计强相关，目前尚无明确的选择准则。