天津科技大学徐华教授团队在量子机器学习与药物发现领域取得突破性进展

近日，天津科技大学人工智能学院徐华教授团队在量子计算与药物发现交叉领域取得突破性进展，相关成果发表于国际权威期刊《EPJ Quantum Technology》（Springer Nature 旗下量子技术专业期刊）。

团队提出并系统验证了一种新型量子机器学习模型--量子长短期记忆网络（Quantum Long Short-Term Memory, QLSTM），并成功应用于药物发现关键任务。量子计算与机器学习的融合被认为是下一代计算范式的重要方向，但量子机器学习模型能否在真实任务中稳定超越经典算法，并在当前含噪量子硬件条件下保持可靠性能，一直是该领域的核心挑战。

图1：量子硬件驱动的量子AI赋能药物发现总体框架示意图

图2：QLSTM模型完整架构--从量子门操作到药物分子性质预测

研究团队围绕序列建模任务构建了QLSTM量子神经网络架构，并在五个国际通用的药物发现基准数据集（BBBP、BACE、SIDER、BCAP37、T-47D）上开展了全面评测。实验结果显示，QLSTM在所有数据集上均显著优于经典LSTM模型，在ROC-AUC指标上实现了3%至6%以上的稳定提升，并表现出更快的收敛速度。

值得关注的是，研究发现QLSTM模型的预测性能会随着量子比特数量的增加而持续提升，显示出良好的可扩展性。这一特性表明，随着量子硬件规模的不断扩大，QLSTM有望进一步释放其性能潜力。此外，在当前含噪中等规模量子计算（NISQ）条件下，QLSTM仍展现出优异的抗噪声鲁棒性，在部分实验设置中甚至优于无噪声条件下的经典LSTM模型，为量子机器学习的近期落地应用提供了重要依据。

该研究成果表明，量子神经网络不仅在理论上具备潜在优势，也正在逐步展现出在药物筛选、分子性质预测等实际任务中的应用价值。随着量子计算硬件在量子比特规模、计算保真度和系统稳定性方面的持续突破，量子机器学习模型将在药物发现、新材料设计、化学与材料性质预测等领域发挥越来越重要的作用，有望显著提升科学研发的效率与精度。

未来，团队将继续深化量子-经典混合人工智能方向的研究，进一步拓展QLSTM及相关模型在生物医药和材料科学中的应用场景，并推动量子计算技术从算法验证走向工程化与产业化应用，为新一代计算驱动的科学发现提供核心技术支撑。

论文链接：

https://link.springer.com/article/10.1140/epjqt/s40507-026-00467-1

编辑：田珺  张晓飞