想象你买了一套老房子，墙不承重但厨房狭小、采光差、主人房朝西晒。你希望请一位装修师傅来改造：承重墙坚决不能动，但可以换窗、加隔断、改水电，让房子更宜居。分子优化干的就是这件事——药物或材料分子就是一个「老房子」，它的核心骨架是不能动的承重墙，而挂在骨架上的取代基、官能团就像门窗和隔断。AI 化身的装修师傅不断提出改造方案，用「性质评分」当作宜居指数，在「不许拆承重墙」的约束下，通过一次次小修改把分子调得更像好药、好材料。这篇文章会带你看到装修师傅怎么列改造清单、怎么选动作、怎么试错学习，以及什么时候该停工验收。

岗位关联

对 AI 从业者而言，理解分子优化意味着掌握「在约束下搜索结构」的方法论：如何定义目标、设计动作空间、用强化学习迭代，这套能力同样适用于药物、电池材料、催化剂等领域的智能研发。

目录
  1. 可视化演示
  2. 优化目标定义
  3. 搜索空间约束
  4. 分子编辑操作
  5. 强化学习策略
  6. 多轮优化收敛
  7. 评估与筛选
  8. 应用前景
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示分子骨架在保持核心结构前提下通过多轮编辑优化性质的过程。调节优化轮数观察分子取代基增长与性质得分提升，收敛后性质提升趋于平缓。

本节配有交互动效（进入视口后自动加载，约 3KB）。

分子优化链路 核心骨架 取代基 性质↑=ƒ（编辑） 多轮优化

优化目标定义

装修老房子前，要先列出「宜居清单」：采光要几颗星、通风打几分、厨房动线好不好。分子优化也一样，不能只拍脑袋说「想让它更好」。研究者需要把「更好」拆成可计算的指标：药代动力学负责回答分子进入人体后吸收、分布、代谢、排泄顺不顺利；选择性则关心这个分子是精准作用于目标蛋白，还是四处乱撞。将这些指标归一化后加权求和，就是改造的总评分。但改造还有一个隐含要求：不能把老房子改成完全认不出来的新楼，所以评分里要扣掉「偏离原始结构太远」的罚款项。

技术上说，候选分子 $m$ 的优化目标被定义为一个带惩罚的加权评分函数。药代动力学性质如 LogP、溶解度，选择性如对靶标与脱靶蛋白的活性差，都可作为子评分。权重 $w_i$ 由研发者设定：如果更看重安全性，就把毒性相关指标权重调高。结构距离 $D(m, m_0)$ 度量新分子与初始分子在原子连接、骨架上的差异，$\lambda$ 控制「装修自由度」。

回到装修的比喻：改造清单上每一项宜居指标都有分数，但「拆承重墙」会被重罚。AI 优化的第一步，就是用这样一张带权重的清单，告诉算法什么方向是「好」的。

J(m)=∑i=1nwisi(m)−λD(m,m0)\displaystyle J(m) = \sum_{i=1}^{n} w_i s_i(m) - \lambda D(m, m_0)
这个公式的意思是：先对各项宜居指标打分并加权求和，再减去「改动太大」的罚款，最终得分越高，说明这个改造方案越值得执行。
  1. 分子候选 $m$一次改造后得到的分子结构，可看作原子连接方式和取代基集合。
    mm
  2. 性质评分 $s_i(m)$把药代动力学、选择性等第 $i$ 项指标归一化到 $[0,1]$，让不同量纲可以相加。
    si(m)∈[0,1]s_i(m) \in [0,1]
  3. 权重 $w_i$表示第 $i$ 项指标在研发决策中的重要性，所有权重之和为 1。
    ∑i=1nwi=1\sum_{i=1}^{n} w_i = 1
  4. 结构距离惩罚 $\lambda D(m, m_0)$$m_0$ 是原始分子，改动原子数越多，罚款越大，从而守住核心骨架。
    D(m,m0)=∣改动原子数∣D(m, m_0) = \lvert \text{改动原子数} \rvert

搜索空间约束

老房子改造不是异想天开：承重墙不能拆，消防通道不能堵，楼顶不能随便加三层。分子优化同样有「建筑规范」，这些规则圈出一个允许探索的搜索空间，防止 AI 生成看起来得分很高、实际上无法合成或根本不像药物的分子。

搜索空间约束最核心的是骨架保持：优化必须围绕初始分子展开，只允许在预设位点改动取代基，而不是把碳链换成完全不相关的结构。其次，可合成性要求每一步分子都能用现有化学反应造出来，否则装修图纸画得再美，工人也盖不出来。类药性规则则是一套经验红线，例如分子量范围、氢键供受体数量、LogP 区间，帮助过滤掉不太可能成为口服药的分子。空间裁剪把搜索限制在起始分子附近的一个「装修半径」内，避免漫无边际地探索。

这些约束就像装修规范，听着限制很多，但恰恰保证了 AI 给出的方案都是「能落地的」。没有约束的分子优化，就像没有建筑规范的改建，只会造出纸面豪宅、实际危楼。

m∗=arg⁡max⁡m  J(m)s.t.cj(m)≤0,  j=1,…,k\displaystyle m^{*} = \arg\max_{m} \; J(m) \quad \text{s.t.} \quad c_j(m) \le 0, \; j=1,\dots,k
公式的含义是：在所有满足约束条件的分子里，挑出综合评分最高的那一个；约束条件就是装修不能触碰的红线。
  1. 最优候选 $m^{*}$在搜索空间内使目标函数最大的分子，即最佳装修方案。
    m∗=arg⁡max⁡mJ(m)m^{*} = \arg\max_{m} J(m)
  2. 约束条件 $c_j(m) \le 0$第 $j$ 条规则，如骨架相似度下限、可合成性得分阈值，必须全部满足。
    骨架相似度≥τsim\text{骨架相似度} \ge \tau_{\text{sim}}
  3. 约束数量 $k$所有红线规则的总数，覆盖可合成性、类药性等多个维度。
    j=1,…,kj = 1, \dots, k

分子编辑操作

有了改造清单和装修规范，下一步要准备「动作工具箱」。老房子装修的动作有换窗、加隔断、改水电、移动门洞；分子优化的动作则是一组离散的分子编辑操作，让 AI 在骨架不变的前提下做出一个个小改动。

最常见的四类操作是：原子替换，比如把苯环上的一个碳换成氮；基团添加或删除，比如在苯环上加一个氟原子或去掉一个甲氧基；成键断键，调整环的大小或打开闭合环；片段拼接，把某个药效片段嫁接到骨架上。这些操作构成了动作空间，每次改造只选其中一个动作执行，就像装修师傅不会同时拆墙、换窗、改水电，而是一步一步来。为了保证操作合理，每个动作通常都有化学规则约束，比如替换后原子价态要正确、成键断键不能破坏芳香性。

装修师傅手里的工具箱越丰富，越能应对不同的户型问题；分子编辑操作集就是 AI 装修师傅的工具箱。如果动作太少，它就只能小修小补；动作太多且不设规则，又容易把房子改坏。

p(e∣m)=exp⁡(ze/τ)∑e′∈Eexp⁡(ze′/τ)\displaystyle p(e \mid m) = \frac{\exp(z_e / \tau)}{\sum_{e' \in \mathcal{E}} \exp(z_{e'} / \tau)}
这是「从动作工具箱里选一个动作」的概率公式：每个动作都有一个偏好分数，分数越高的动作越可能被选中，温度参数控制选择的随机性。
  1. 编辑动作 $e$一次具体的分子修改，如把某个氢原子替换成氯原子。
    e∈Ee \in \mathcal{E}
  2. 偏好分数 $z_e$模型对动作 $e$ 的打分，来自神经网络或规则评分，分数高代表当前更推荐。
    zez_e
  3. 温度系数 $\tau$控制随机性，$\tau$ 越小越倾向选最高分动作，越大越鼓励尝试不同动作。
    τ>0\tau > 0
  4. 归一化分母对所有候选动作的指数分数求和，使概率之和为 1。
    ∑e′exp⁡(ze′/τ)\sum_{e'} \exp(z_{e'} / \tau)

强化学习策略

装修师傅不是一开始就会装修，而是通过一单单生意学习：改得好客户给好评，改砸了赔钱扣分。分子优化中的强化学习正是让 AI 扮演装修师傅：它提出一个编辑动作，环境（性质预测模型）打分作为奖励，AI 根据奖励调整策略，让好动作下次更可能被选中。

具体而言，AI 的策略网络 $\pi_\theta(e \mid m)$ 接收当前分子 $m$，输出每个编辑动作的概率。执行动作后得到新分子 $m'$，用目标函数 $J(m')$ 作为奖励 $R$。如果新分子评分更高，说明这个装修动作是对的，策略网络更新参数，使该动作的概率增大；反之则降低概率。这里的策略梯度方法不直接计算目标函数的导数值，而是通过大量采样估计「平均而言，哪个动作带来的奖励更高」，再朝这个方向更新。

装修师傅见过足够多户型和客户反馈后，就会形成自己的手感；强化学习让 AI 在成千上万次分子编辑中积累「化学直觉」。它不需要背整本化学书，只需要一句朴素的道理：做得好的动作，下次多做。

∇θJ(θ)=E[∇θlog⁡πθ(e∣m)  R(m′)]\displaystyle \nabla_\theta J(\theta) = \mathbb{E}\left[ \nabla_\theta \log \pi_\theta(e \mid m) \; R(m') \right]
这个公式是装修师傅的「学习心得」：把一个动作在日志中的对数概率梯度乘以它带来的奖励，平均起来就是参数应该调整的方向。
  1. 策略参数 $\theta$决定 AI 装修师傅偏好的神经网络权重，初始时接近随机。
    θ\theta
  2. 动作对数概率梯度衡量「若提高该动作概率，目标函数会怎么变」，是参数更新的方向。
    ∇θlog⁡πθ(e∣m)\nabla_\theta \log \pi_\theta(e \mid m)
  3. 奖励 $R(m')$新分子 $m'$ 的性质评分，可加入优势函数减小方差，这里直接用奖励值。
    R(m′)=J(m′)R(m') = J(m')
  4. 期望 $\mathbb{E}$通过批量采样多条装修轨迹取平均，避免单次成败的偶然性。
    E[⋅]\mathbb{E}[ \cdot ]

多轮优化收敛

装修不能无限拖工，要定一个验收标准：比如误差小于多少毫米就算合格。分子优化同样需要回答「什么时候停」。如果 AI 连续很多轮改来改去，评分却没有明显提升，继续空转只会浪费时间。

多轮优化的收敛性分析关注两类信号：一是目标函数值的变化幅度，当相邻两轮奖励之差小于阈值 $\varepsilon$ 时，可以认为已经进入平台期。二是策略分布是否稳定，如果 AI 反复在几个相似分子之间震荡，说明它迷路了，需要早停或者引入多样性保底。局部最优是另一个常见问题：AI 可能找到一个评分不错但远非最好的分子，卡在谷底。为此，研究者会让奖励函数带上结构多样性惩罚，鼓励探索尚未到过的分子区域，就像装修多给几个备选方案，别死磕一个户型。

收敛不是「越好越好」的终点，而是「再多花时间也不划算」的理性判断。好的装修师傅知道什么时候停工，好的分子优化算法也懂得适时收手。

∣J(mt)−J(mt−1)∣<ε\displaystyle \left| J(m_t) - J(m_{t-1}) \right| < \varepsilon
这个公式是验收员的话：最近两轮改造的评分差异小于阈值，就说明改造收益已经微乎其微，可以停工验收了。
  1. 第 $t$ 轮分子 $m_t$经过 $t$ 次编辑后得到的分子，对应第 $t$ 版装修方案。
    mtm_t
  2. 两轮奖励差相邻两版方案评分之差的绝对值，越小说明进步越慢。
    ∣J(mt)−J(mt−1)∣| J(m_t) - J(m_{t-1}) |
  3. 收敛阈值 $\varepsilon$由研发者设定的停止线，如 0.01，低于它即触发早停。
    ε→0\varepsilon \to 0

评估与筛选

装修最终要验收：不仅要看效果图，还要看预算、工期和实际质量。分子优化生成的候选分子同样要过「验收关」，这一步通常叫评估与筛选。

AI 在高通量优化时会产生成千上万个候选分子，不能全拿去做实验。筛选用漏斗结构逐层收紧：先用意快速性质预测模型给所有候选打分，刷掉明显不合格的；再用更精确的量子化学计算或构象验证，检查分子三维结构是否合理；接着评估合成路线，看这些分子有没有现成的反应路径可以造出来；最后挑出少量最有希望的分子送进实验室验证。评估阶段不是一个公式，而是一整套流水线，但可以写成目标函数减去合成成本的综合筛选公式。

装修验收时，设计师如果只追求效果图惊艳而忽略预算，项目就黄了。分子优化也一样，评估与筛选保证模型输出的不是纸面分子，而是实验台上真正能检验的候选物。

F(m)=J(m)−α Csynth(m)\displaystyle F(m) = J(m) - \alpha \, C_{\text{synth}}(m)
这个公式的意思是：最后得分等于「宜居评分」减去「装修造价」乘以成本权重，在效果和可行性之间找平衡。
  1. 综合筛选分 $F(m)$候选分子进入实验前最后的排序依据，越高越优先。
    F(m)F(m)
  2. 合成成本 $C_{\text{synth}}(m)$合成该分子的难度估算，可由逆合成分析得到，步骤越多成本越高。
    Csynth(m)C_{\text{synth}}(m)
  3. 成本权重 $\alpha$控制研发方多在乎成本，重视速度时调大，重视创新时调小。
    α>0\alpha > 0

应用前景

装修老房子的经验积累多了，就能沉淀成设计规范，帮助整个街区快速翻新。分子优化的应用也不止于单个药物分子：同样的「保持骨架、编辑基团、强化学习优化」思路，可以推广到无数材料创新场景。

在药物发现中，它帮助先导化合物优化，改善溶解度和代谢稳定性；在新材料领域，它被用来优化 OLED 发光分子、钙钛矿材料甚至电池电解液的候选结构，通过调节前线轨道能级而改善性能。材料信息学进一步把这套流程变成闭环：AI 提出候选分子 → 机器人自动合成测试 → 实验数据反馈回 AI → 下一轮优化。这种闭环让搜索效率大幅提升，可以用一个简单的加速比公式刻画。

从一间老房子到一个园区，装修方法论一旦跑通，就能批量复制。分子优化正是这样一门「装修手艺」：先立规矩，再做动作，靠反馈学习，最终让新材料和新药物从 AI 的图纸走向现实。

ΔE=trandom−tAItrandom×100%\displaystyle \Delta E = \frac{t_{\text{random}} - t_{\text{AI}}}{t_{\text{random}}} \times 100\%
这个公式衡量 AI 优化比随机试错省了多少时间：耗时差除以随机法耗时，再乘上百分百，就是效率提升率。
  1. 随机搜索时间 $t_{\text{random}}$没有 AI、靠经验盲目试错达到目标性质所需的时间。
    trandomt_{\text{random}}
  2. AI 优化时间 $t_{\text{AI}}$用分子优化模型引导搜索达到同等目标所需的时间。
    tAIt_{\text{AI}}
  3. 效率提升率 $\Delta E$正值越大表示 AI 优势越明显，例如 80% 表示省掉五分之四的时间。
    ΔE∈(0,100%]\Delta E \in (0, 100\%]

AI 应用场景

药物先导化合物优化

阶段：分子生成与性质导向优化

解决的问题：传统药化家手动修饰先导化合物，通常要靠经验和运气，一轮轮合成测试耗时长、失败率高。AI 保持母核结构不变，用强化学习在原子替换和基团添加之间探索，同时优化溶解度、代谢稳定性和靶点选择性，把「猜着改」变成「算着改」。

具体案例：某抗菌药物项目以一个已知母核为起点，AI 生成 3000 个取代基变体，用性质预测模型初筛后仅挑出 40 个做合成，其中 5 个在实验中表现出更好的抗菌活性与更低毒性。

OLED 新材料分子设计优化

阶段：分子编辑与多属性联合优化

解决的问题：OLED 发光材料需要同时满足能级匹配、热稳定性和高荧光量子产率，人工调参顾此失彼。AI 在给定了核心芳香骨架后，通过片段拼接和原子替换调整 HOMO/LUMO 能级，用多目标加权评分引导搜索。

具体案例：材料团队用分子优化模型迭代 5 轮，候选分子的理论带隙命中目标范围的比例从 12% 提升到 63%，最终两个分子进入合成验证阶段。

自优化合成闭环

阶段：多轮优化与实验反馈

解决的问题：分子优化如果只有理论评分，容易偏离真实实验表现。闭环系统把 AI 生成的候选分子直接交给自动化合成装置测试，实测数据立即反馈给策略网络，让下一轮优化更贴近现实。

具体案例：某新材料实验室将 AI 优化器与微流控合成平台连接，每轮并行测试 96 个候选分子，经过 6 轮闭环迭代后找到一种高效催化剂配体，比传统组合化学节省约 70% 的实验轮次。

Python 演示

python72 行
import random GROUP_POOL = ["H", "F", "Cl", "OH", "OMe", "CF3", "NH2", "CN"]LIPO = {"H": 0.0, "F": 0.14, "Cl": 0.71, "OH": -0.67, "OMe": -0.02,        "CF3": 0.88, "NH2": -1.23, "CN": -0.57} class Molecule:    def __init__(self, groups):        self.groups = groups[:]     def score(self):        if not self.groups:            return -999.0        lipo = sum(LIPO[g] for g in self.groups)        size_penalty = 0.1 * len(self.groups) ** 2        diversity = len(set(self.groups))        selectivity = -abs(diversity - 2) * 0.2        solubility = -abs(lipo / len(self.groups))        return lipo - size_penalty + selectivity + solubility class MoleculeOptimizer:    def __init__(self, max_groups=5, iters=100, epsilon=0.2):        self.max_groups = max_groups        self.iters = iters        self.epsilon = epsilon        self.best_score = -9999.0        self.best_groups = []     def edit(self, mol):        new = Molecule(mol.groups)        op = random.choice(["replace", "add", "delete"])        pool = GROUP_POOL[:]        random.shuffle(pool)        if op == "replace" and new.groups:            idx = random.randrange(len(new.groups))            new.groups[idx] = pool[0]        elif op == "add" and len(new.groups) < self.max_groups:            new.groups.append(pool[0])        elif op == "delete" and len(new.groups) > 1:            idx = random.randrange(len(new.groups))            new.groups.pop(idx)        return new     def optimize(self):        mol = Molecule(["H", "H", "H"])        for _ in range(self.iters):            a = random.random()            if a < self.epsilon:                cand = self.edit(mol)            else:                best = None                best_s = -9999.0                for _ in range(5):                    c = self.edit(mol)                    s = c.score()                    if s > best_s:                        best_s = s                        best = c                cand = best            if cand.score() > mol.score():                mol = cand            if mol.score() > self.best_score:                self.best_score = mol.score()                self.best_groups = mol.groups[:]        return self.best_groups, self.best_score if __name__ == "__main__":    random.seed(42)    opt = MoleculeOptimizer(iters=200)    groups, score = opt.optimize()    print("best groups:", groups)    print("best score:", round(score, 3))
目的：用字符串模拟分子骨架上的取代基，通过随机编辑加贪心筛选，演示分子优化中「保持骨架、编辑基团、奖励择优」的核心循环。
  1. class Molecule定义简易分子对象，维护取代基列表，模拟不可变核心骨架。
  2. def score(self)用亲脂性、大小惩罚、基团多样性等虚拟指标给出性质评分。
  3. def edit(self, mol)从替换、添加、删除三种操作中随机选一种，生成候选分子。
  4. elif op == "delete" and len(new.groups) > 1防止删除到只剩一个基团，保持分子完整性。
  5. if a < self.epsilon:epsilon 概率做纯随机探索，否则用 5 次采样中的最优编辑，兼顾探索与利用。
  6. if cand.score() > mol.score():只接受评分更高的候选，模仿奖励驱动的逐轮优化。
  7. if mol.score() > self.best_score:记录历史最优分子，确保最后输出整个优化过程中最好的方案。
  8. random.seed(42)固定随机种子，让演示结果可复现。

常见误区

误区分子优化就是让 AI 随便生成一堆新分子，结构越新越好。

正解分子优化的核心是「在保持核心骨架的前提下改善性质」。就像装修老房子要求承重墙不动，优化的搜索空间被骨架相似性约束住。如果放任 AI 自由生成，很可能得到评分虚高但无法合成或失去原有药效的分子。

为何常见：普通人容易把「分子生成」和「分子优化」混为一谈，看到 AI 画新分子就觉得是优化，忽略了「改造」与「重建」的差异。

误区只要目标函数数值刷得高，这个分子就是好分子。

正解目标函数只是现实性质的粗略近似。性质预测模型本身有误差，评分高不等于实验成功。更关键的是，优化目标若没有加入可合成性、结构偏离惩罚等约束，AI 会钻漏洞生成「刷分分子」，现实中根本造不出来。

为何常见：在强化学习中奖励是最直观的信号，初学者容易把奖励数值等同于真实质量，忽视了代理模型的局限和约束的必要性。

误区多轮优化就像爬山，只要跑得够久，一定能找到最高峰。

正解分子搜索空间高维且离散，奖励面充满局部峰和平台。AI 可能反复震荡、陷入局部最优，甚至因策略过拟合而丧失多样性。需要设置收敛阈值、早停机制，并配合结构多样性奖励保底，才能避免空转和迷路。

为何常见：生活里「越努力越好」的直觉很强，但在高维搜索中，增加迭代次数不一定提升结果，反而可能放大过拟合。

误区AI 给出候选分子，合成和测试只是走过场。

正解分子优化只是研发链条的一环。候选分子还要经过精确性质预测、构象验证、合成路线评估和实验测试。合成成本过高的分子即使性质优秀，也难以进入实际研发流程，所以评估筛选阶段会用「评分减成本」的方式做二次过滤。

为何常见：被 AI 生成结果的「高完成度」迷惑，忽略了从计算图纸到实验样品之间还有巨大的工程鸿沟。

面试题

Q1. 分子优化与从头分子生成的关键区别是什么？

单选题 · easy

  • A.优化保持核心骨架改变局部基团← 正确答案
  • B.优化完全不关注分子结构
  • C.从头生成也要求保留骨架
  • D.优化不需要任何性质评估

答案：A。分子优化强调在初始分子骨架上做局部编辑，就像老房改造不动承重墙；从头生成则从零设计全新结构。其他选项混淆了两种任务的定义，优化必须依赖性质评估来引导方向。

Q2. 优化目标函数中加入结构距离惩罚的主要意义是什么？

单选题 · easy

  • A.防止分子偏离原始骨架过远← 正确答案
  • B.减少计算资源的消耗
  • C.提高数据集的多样性
  • D.让模型训练速度更快

答案：A。结构距离惩罚给「改动太大」的行为增加负面奖励，确保优化围绕原骨架展开。这相当于装修时强调承重墙不能拆，而不是为了省电或加速训练。

Q3. 在分子优化中，可合成性约束属于哪一类要素？

单选题 · mid

  • A.搜索空间的边界条件← 正确答案
  • B.强化学习的奖励函数
  • C.分子编辑的动作集合
  • D.动力学模拟的时间步长

答案：A。可合成性约束规定了候选分子必须能被现有化学反应制造出来，是搜索空间中的红线。它不属于动作本身，也不是奖励，更与时间步长无关。

Q4. 下列哪些属于常见的分子编辑操作？

多选题 · mid

  • A.把苯环上的一个碳原子替换为氮← 正确答案
  • B.在芳香环上添加一个氟原子← 正确答案
  • C.删除整个分子重新生成骨架
  • D.打来一个环或拼接一个片段← 正确答案

答案：ABD。原子替换、基团添加、成键断键和片段拼接都是保持骨架的局部编辑。删除整个分子重建骨架属于从头生成范畴，不符合分子优化的「改造」原则。

Q5. 强化学习分子优化中，奖励通常来自哪里？

单选题 · easy

  • A.性质预测模型给出的评分← 正确答案
  • B.随机数生成器的输出
  • C.分子字符串的长度
  • D.人工手工打分一次完成

答案：A。奖励由目标函数或性质预测模型计算，反映候选分子的药代动力学、选择性等性质。随机数和字符串长度都不携带化学含义，人工打分无法覆盖海量候选。

Q6. 策略梯度更新时主要依据什么方向？

单选题 · mid

  • A.增大高奖励动作被选中的概率← 正确答案
  • B.固定所有动作的概率不变
  • C.降低所有编辑动作的概率
  • D.只依赖单次采样的好坏结论

答案：A。策略梯度计算对数概率梯度乘奖励的期望，整体方向是让高奖励动作更可能被选。固定概率无法学习，全降会让模型失效，单次采样不是期望估计。

Q7. 多轮分子优化可能面临哪些收敛性问题？

多选题 · hard

  • A.奖励分数反复震荡← 正确答案
  • B.生成分子多样性崩溃← 正确答案
  • C.陷入局部最优区域← 正确答案
  • D.分子量一定自动降低

答案：ABC。奖励震荡说明策略不稳定，多样性崩溃让搜索范围变窄，局部最优则让模型卡在次优解。分子量和收敛性没有必然联系，不应选 D。

Q8. 为什么要在分子优化中引入类药性规则？

单选题 · mid

  • A.把搜索空间约束在更可行的区域内← 正确答案
  • B.让分子编辑动作可以无限扩大
  • C.替代所有实验验证的过程
  • D.提高性质预测模型的参数量

答案：A。类药性规则如分子量、LogP 区间能过滤掉不像药物的分子，缩小搜索空间。它不扩大动作集、不替代实验，也不决定模型参数规模。

Q9. 在评估与筛选阶段，通常需要做哪些工作？

多选题 · mid

  • A.使用更精确的模型重算关键性质← 正确答案
  • B.评估候选分子的合成路线← 正确答案
  • C.验证分子三维构象是否合理← 正确答案
  • D.直接跳过实验测试所有分子

答案：ABC。筛选漏斗先做精确性质预测、合成路线评估和构象验证，再挑少数进入实验。跳过实验会导致大量假阳性，不是合理流程。

Q10. 收敛条件「相邻两轮奖励之差小于阈值」的直接含义是什么？

单选题 · hard

  • A.继续优化带来的收益已经很小← 正确答案
  • B.当前分子一定就是全局最优
  • C.搜索空间已经完全穷尽
  • D.策略网络已经停止更新

答案：A。奖励差小于阈值表示优化进入平台期，再多轮次提升也有限，应触发早停。它不保证全局最优，也不代表空间穷尽，策略参数仍可能在更新。