给扩散模型装上“能量导航”；蛋白质生成和单细胞分析任务更精准蛋白质由20种常见的氨基酸组成，本质上是一类离散序列。一个蛋白质序列是否“合理”，不仅取决于每个氨基酸token本身是否常见，还取决于整条序列是否满足结构稳定性、功能相关性、进化保守性等约束。单细胞RNA测序数据主要记录每个细胞中基因的表达水平，具有数据维度高、噪声强、易受批次效应影响等特点。实际分析中常关心的是模型是否能从这些复杂数据中

研究提出InstructNA 框架，将核酸大语言模型（NA-LLMs）与高通量 SELEX 实验结合，在不依赖三维结构的情况下，直接从头设计高活性、高多样性的功能核酸（适配体、转录因子结合 DNA）。

本文全面探讨了量子机器学习（QML）在药物发现领域的应用价值。该综述梳理了 QML 融合量子计算与机器学习的核心机制，详细分析了其在分子性质预测、药物 - 靶点相互作用预测、全新分子生成三大核心场景的应用现状。

而“天工量子大脑”真机能够在2ms左右的时间内完成该问题的求解，且解的质量要优于模拟退火等经典优化算法，并且随着问题规模的逐渐增大，量子计算机的求解时间基本保持ms级稳定。随着5G时代及6G的技术发展，用户多样化的业务需求给网络覆盖、网络容量带来更大的挑战，运营商需要建设一张具有弹性容量的网络，以满足业务随时间和区域动态变化的需求和突发流量的冲击。因此，为了标定量子计算的算力优势，玻色量子采用了在

《量子计算 + 生物制药产业与技术发展研究报告》针对量子计算 + 生物制药的产业发展、药物发现计算发展的变革、量子计算赋能药物发现的技术路线、应用场景案例等进行跟踪研判，同时对量子计算 + 生物制药发展趋势前景进行展望，供业界参考。

KL散度是一种广泛应用于机器学习和深度学习中的度量工具，尤其是在涉及概率分布的场景中。其主要用于衡量模型预测的分布与真实分布的差异，并通过最小化KL散度来优化模型表现。具体应用场景包括：● 变分自编码器中的潜在分布优化● 分类任务中的交叉熵损失● 强化学习中的策略更新约束● 生成模型中的分布正则化通过将KL散度引入损失函数，模型可以在复杂任务中更好地平衡生成质量、分布匹配以及策略优化的需求。玻色量

给扩散模型装上“能量导航”；蛋白质生成和单细胞分析任务更精准蛋白质由20种常见的氨基酸组成，本质上是一类离散序列。一个蛋白质序列是否“合理”，不仅取决于每个氨基酸token本身是否常见，还取决于整条序列是否满足结构稳定性、功能相关性、进化保守性等约束。单细胞RNA测序数据主要记录每个细胞中基因的表达水平，具有数据维度高、噪声强、易受批次效应影响等特点。实际分析中常关心的是模型是否能从这些复杂数据中

基因调控网络是细胞的核心操作系统，但长期无法从数据中系统解析。Cell 发表的 D-SPIN 框架，用统计物理模型与可扩展机器学习，实现了从大规模单细胞扰动数据到统一调控网络的端到端构建。它能揭示隐藏调控、识别命运开关、分类药物机制、解释组合效应、预测剂量相图。在 K562 细胞中，它定位红系–髓系调控核心；在免疫细胞中，它阐明药物叠加创造新状态的机制；在计算效率与精度上，全面超越现有工具。D-S

基因调控网络是细胞的核心操作系统，但长期无法从数据中系统解析。Cell 发表的 D-SPIN 框架，用统计物理模型与可扩展机器学习，实现了从大规模单细胞扰动数据到统一调控网络的端到端构建。它能揭示隐藏调控、识别命运开关、分类药物机制、解释组合效应、预测剂量相图。在 K562 细胞中，它定位红系–髓系调控核心；在免疫细胞中，它阐明药物叠加创造新状态的机制；在计算效率与精度上，全面超越现有工具。D-S

随着大规模多输入多输出系统（MIMO）在5G及未来通信技术中的应用，波束选择问题（MBS）成为提升系统性能的关键。传统的波束选择方法面临计算复杂度高和计算资源不足的问题。本文提出了一种基于量子计算的解决方案，利用相干伊辛机（CIM）求解MIMO波束选择问题。通过将波束选择问题转化为QUBO模型，并映射到CIM物理设备，本文展示了量子计算在处理大规模组合优化问题中的潜力。