想象你要为一部《拯救地球》的大片选角，报名表堆满一整栋楼——30 万份简历，有人会唱，有人会跳，有人纯粹凑热闹。导演不可能对每个人亲自面试，那会花掉几十年。于是节目组设计了一条“海选流水线”：先看简历粗刷掉大半，让资深评委只面试有潜力的新人，再把试镜结果反馈回来优化下一轮标准。三个月后，30 强站在了摄像机前。 这套“海选流水线”，就是材料科学里的高通量虚拟筛选（HTVS，High-Throughput Virtual Screening）。不同的是：报名者是成千上万种候选材料，评委是昂贵的第一性原理计算（DFT，密度泛函理论），评委助理则是由 AI 训练出的代理模型。在 GraphCast 等 AI 模型不断预报极端天气、全球加速减碳的今天，HTVS 正帮科学家快速找出碳捕集、光催化的“气候英雄材料”。这篇文章，就把这台“给地球选角的机器”拆开给你看。

岗位关联

对 AI 从业者而言，HTVS 是 AI for Science 落地最成熟的场景之一。掌握它，你就掌握了“海量候选 + 代理模型加速 + 主动学习闭环”这套可迁移到药物、能源、材料领域的核心工程范式，职业价值直接连上未来十年的科研基建。

目录
  1. 可视化演示
  2. HTVS概念原理：海选大会的第一笔账
  3. 工作流设计：选手晋级路线图
  4. 计算队列管理：叫号台与面试房的博弈
  5. AI代理模型：实习评委的快速初筛
  6. 误差控制方法：校准标准，别错杀千里马
  7. 实验验证转化：从纸面入选到真刀真枪
  8. 气候应用价值：为地球选出气候英雄
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示高通量虚拟筛选的多级过滤流水线，从百万候选材料经AI代理模型加速初筛、DFT精筛到最终实验验证，逐级缩减候选集。

本节配有交互动效（进入视口后自动加载，约 3KB）。

HTVS多级筛选流水线 AI代理模型快速初筛 DFT精筛验证 N_out=N_in×R_filter 逐级过滤缩减候选集

HTVS概念原理：海选大会的第一笔账

海选的第一件事是算账。导演面对 30 万份报名表，每面试一个人要花 15 分钟、占用一位评委，这是成本。他很快明白：要么控制报名人数，要么降低单次面试成本。材料科学家面对同样的难题——候选材料库里躺着几十万个晶体结构，每个都做精确计算太贵了。

高通量虚拟筛选就是解决这笔账的学科。它用一套自动化的计算流水线，批量评估候选材料的性质（稳定性、吸附能、带隙等），先把明显不行的剔除，再把有潜力的送进高精度环节，最终筛出值得进实验室的少数。

它靠三条腿走路：一是候选库构建，从数据库采样或生成算法枚举出大规模结构；二是自动化评估管线，把结构生成、几何优化、能量计算串成无人值守的流程；三是结果排序入库。评估总成本用一条公式概括：

这笔账算清后，导演把目光投向流程本身——该安排几轮面试？每轮淘汰多少？这就是下一节的晋级路线图。

Ctotal=Ncand×Cˉeval\displaystyle C_{\text{total}} = N_{\text{cand}} \times \bar{C}_{\text{eval}}
总成本 = 候选数量 × 平均单次评估成本，这就是“海选预算”的数学表达。
  1. 候选总数 N_cand报名选手的总人数，即候选材料库的规模。它决定了海选的上限，也决定了总成本的下限。
    NcandN_{\text{cand}}
  2. 平均单次评估成本 C̄_eval面试一名选手的均价，对应一个候选材料做一次性质计算的开销。使用廉价方法或 AI 代理，可以显著压低它。
    Cˉeval\bar{C}_{\text{eval}}
  3. 总成本 C_total两者相乘。导演的账本上，省时省钱只有两个杠杆：压人数、降单价。
    Ctotal=Ncand×CˉevalC_{\text{total}} = N_{\text{cand}} \times \bar{C}_{\text{eval}}

工作流设计：选手晋级路线图

节目组把选拔拆成三轮：简历初筛，淘汰六成；30 秒清唱，再淘汰七成；大师面试，最终选出 30 强。导演发现，把最便宜的环节放在最前面，能让昂贵的评委时间只花在最有希望的人身上。

HTVS 的工作流设计正是这个思路，专业说法叫“漏斗式流水线”（pipeline）。候选材料依次经过层层关卡，每一层都用更贵但更准的方法，同时淘汰大部分低质量候选。

典型三段式是：粗筛用几何规则和价键约束（毫秒级），中筛用力场或机器学习势（秒级），精筛用 DFT 甚至更高级方法（小时级）。每段的保留率 r 相乘，就是最终入选比例。

路线图定好了，海选当天还有一个现实的麻烦——选手们挤在走廊里，谁先进哪个房间？这就要靠下一节的叫号系统了。

Nk=N0×∏i=1kri\displaystyle N_{k} = N_{0} \times \prod_{i=1}^{k} r_{i}
最终留下的人数 = 报名人数 × 每一轮保留率连乘，这就是漏斗的数学本质。
  1. 初始候选数 N_0报名总人数，流水线的入口流量。
    N0N_{0}
  2. 第 i 阶段保留率 r_i每轮面试“留下几个人”，例如保留率 0.3 表示通过 30%。它由该阶段筛选标准的松紧决定。
    rir_{i}
  3. 连乘符号 Π从第 1 轮到第 k 轮逐个相乘，表示层层淘汰后的累积效果。
    ∏i=1kri\prod_{i=1}^{k} r_{i}
  4. 终选数量 N_k三轮连乘后剩下的选手数。三轮保留率都是 0.3 时，最终只有 2.7% 晋级。
    Nk=N0×∏i=1kriN_{k} = N_{0} \times \prod_{i=1}^{k} r_{i}

计算队列管理：叫号台与面试房的博弈

海选现场，10 个面试房间同时开张，选手源源不断涌进来。节目组的大管家发现：房间空着是浪费，走廊挤爆是灾难。他的目标是让每个房间里永远有人面试，同时走廊里等待的人不超过一排。

在 HTVS 里，大管家就是计算集群的调度系统。成千上万个 DFT 小任务排队执行，任务之间还有依赖（粗筛完成才能精筛），不同课题组还有不同优先级。这一切由计算队列管理负责。

队列管理的核心指标是利用率 ρ——任务到达率 λ 与服务率 μ 的比值。ρ 太小，节点闲置浪费；ρ 接近甚至大于 1，任务排队堆积。工程上通过优先级抢占、弹性扩缩容（高峰期临时加节点）把 ρ 控制在 0.6~0.8 的舒适区。

叫号台再高效，也顶不住评委面试太慢——真正救场的，是下一节上岗的实习评委：AI 代理模型。

ρ=λμ\displaystyle \rho = \frac{\lambda}{\mu}
利用率 = 任务到达速度 ÷ 任务处理速度，相当于“走廊来人速度 ÷ 面试房间消化速度”。
  1. 任务到达率 λ平均每秒新涌入的任务数，对应海选现场每小时到场人数。
    λ\lambda
  2. 服务率 μ集群单位时间能处理的任务数，对应所有面试房间的合计面试能力。
    μ\mu
  3. 利用率 ρ两者相除。ρ 接近 1 表示资源接近满载，任务开始排长队；超过 1 则拥堵失控。
    ρ=λμ\rho = \frac{\lambda}{\mu}

AI代理模型：实习评委的快速初筛

大师评委面试一人要 15 分钟，一天只能面 32 人。节目组请来实习评委，他观摩了 50 场面试后总结出规律：声线条件好、台风稳的选手，大概率晋级。从此实习评委 3 秒刷掉明显不行的选手，拿不准的才请大师出山。

在 HTVS 里，大师就是 DFT 计算——精度高但对每个候选要几小时到几天。实习评委就是 AI 代理模型（surrogate model）：用少量 DFT 结果训练一个机器学习模型，把“描述符 → 性质”的映射学下来，然后毫秒级预测任意候选。

代理模型把昂贵计算从“每个候选算一次”变成“训练一次 + 海量快速推理”。预测质量用 RMSE 度量：先算每个样本的预测与真实差值，再取平方和平均后的根号。RMSE 越小，实习评委越可靠。

实习评委有时会有“偏见”——比如对某个特征一律加分。这种系统性错误如果不修正，会错杀真正的千里马。下一节就是校准环节。

E^i=fθ(xi),RMSE=1n∑i=1n(Ei−E^i)2\displaystyle \hat{E}_i = f_{\theta}(\mathbf{x}_i), \qquad \text{RMSE} = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(E_i - \hat{E}_i)^2}
代理模型输出预测值，RMSE 衡量预测与 DFT 真值的平均偏离，是实习评委的“绩效考核分”。
  1. 描述符 x_i选手的简历特征，如原子的组成、键长、配位数，材料用这类数值向量刻画。
    xi\mathbf{x}_{i}
  2. 代理模型 f_θ实习评委的判断函数，θ 是训练中学到的参数。
    fθ(xi)f_{\theta}(\mathbf{x}_{i})
  3. 残差 E_i − ê_i每个样本上“大师评分 − 实习评委评分”的差值。
    Ei−E^iE_i - \hat{E}_i
  4. RMSE把所有残差平方、平均、开方，得到总体偏离程度，数值越小越可靠。
    RMSE=1n∑i=1n(Ei−E^i)2\text{RMSE} = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(E_i - \hat{E}_i)^2}

误差控制方法：校准标准，别错杀千里马

复盘时节目组发现：实习评委对有舞蹈功底的选手一律加 5 分，导致许多唱将落选。统计师对比 1000 场评分后找到了这个系统性偏差，规定：最终参考分 = 实习评委分 + 统计修正项。

HTVS 里的“统计修正”对应残差学习（Delta Learning）：先让代理模型预测，再训练一个小修正模型去拟合“DFT 真值 − 代理预测”的残差。最终参考值由两者相加得到。

残差比绝对性质更平稳，更容易学准，所以“基座 + 修正”方案通常优于让模型硬学绝对分数。误差控制还有两招：一是迁移学习校准训练集与候选库的分布偏差；二是不确定度量化——代理模型对陌生描述符的预测置信度低，这类高不确定度候选要送回 DFT 复核，就像请大师来面试“实习评委没把握”的人。

评分标准校准好了，纸面上的 30 强也选出来了。但真正的考验还没开始——进组试镜（实验验证）才是定胜负的舞台。

Eref≈fθ(x)+Δϕ(x)\displaystyle E_{\text{ref}} \approx f_{\theta}(\mathbf{x}) + \Delta_{\phi}(\mathbf{x})
参考值 ≈ 基座预测 + 残差修正，相当于“实习评委分 + 统计师校准分”。
  1. 基座预测 f_θ(x)实习评委的基础评分，来自代理模型。
    fθ(x)f_{\theta}(\mathbf{x})
  2. 残差修正项 Δ_φ(x)统计师算出的修正分，φ 是修正模型的参数，专门学习“大师与助理的分差规律”。
    Δϕ(x)\Delta_{\phi}(\mathbf{x})
  3. 参考值 E_ref两者相加，作为是否晋级的最终依据，比单用任一模型都更接近 DFT。
    Eref≈fθ(x)+Δϕ(x)E_{\text{ref}} \approx f_{\theta}(\mathbf{x}) + \Delta_{\phi}(\mathbf{x})

实验验证转化：从纸面入选到真刀真枪

30 强进组试镜，导演傻眼了：有人镜头前表情僵硬，有人现场破音。试镜结果和评分并不完全一致。好在每一条失败都被记进档案，用来优化下一届海选标准——会演戏的选角，光靠唱歌打分行不通。

虚拟筛选同样必须以实验验证为终点。计算预测的是理想晶体结构下的性质，真实材料有杂质、缺陷、相变，只有合成出来的样品才说了算。筛选输出通常是一张“候选材料排行榜”，实验从榜首开始试。

排行榜需要综合打分：预测性能高、不确定度低、合成成本低的候选排在前面。更重要的是，实验数据要回传训练集，形成“预测 → 筛选 → 合成 → 测试 → 再训练”的主动学习闭环，让代理模型越筛越准。

当实验反馈涌入数据库，这台“海选机器”第一次真正学会自我改进。而回到最初的问题——我们为什么要办这场海选？为了给地球选出气候英雄。

Rj=w1 y^j+w2 Uj−w3 Cj\displaystyle R_j = w_{1}\,\hat{y}_j + w_{2}\,U_j - w_{3}\,C_j
排序分 = 性能权重 × 预测值 + 置信度权重 × 置信度 − 成本权重 × 合成成本，三维加权排座次。
  1. 预测性能 ŷ_j代理模型给出的性质预测值，如 CO2 吸附量。
    y^j\hat{y}_{j}
  2. 置信度 U_j对预测的把握程度，把握越大加分越多，避免“瞎猜的高分”排前面。
    UjU_j
  3. 合成成本 C_j做实验要花的钱和时间，成本越高扣分越多。
    CjC_j
  4. 加权求和 R_j三个维度加权后得到排序分，权重由项目目标决定，分数最高者先进实验室。
    Rj=w1 y^j+w2 Uj−w3 CjR_j = w_{1}\,\hat{y}_j + w_{2}\,U_j - w_{3}\,C_j

气候应用价值：为地球选出气候英雄

《拯救地球》大片的男女主角是谁？是能吸住烟囱 CO2 的碳捕集吸附剂，是把阳光变成氢燃料的光催化剂，是让电解水能耗更低的电极材料。GraphCast 这类 AI 气象模型则负责预报拍摄地环境——极端高温、高湿、沙尘，都会影响材料在片场的发挥。

HTVS 在气候科学中的价值，首先体现在碳捕集材料筛选。科学家用吸附容量、选择性等指标批量评估 MOF、沸石等候选，用很少的实验就能锁定最有潜力的吸附剂。

更进一步，还可以筛选光催化、电催化、储氢、热电材料。与 GraphCast 协同后：气象预报给出部署地的温湿度范围，HTVS 把服役环境作为约束条件加入筛选，实现“环境—材料”联合决策。科研范式从“试错式”转向“计算驱动式”，把应对气候变化的材料研发周期从十年压缩到几个月。

从算账、画路线图、管叫号，到请实习评委、校准评分、进组试镜，这台“给地球选角的海选流水线”每一步都是工程决策。下次你再听说某个新材料是“AI 筛选出来的”，你就知道背后站着一整套成熟的筛选哲学。

Qcapture=mCO2mads\displaystyle Q_{\text{capture}} = \frac{m_{\text{CO}_2}}{m_{\text{ads}}}
吸附容量 = 吸附的 CO2 质量 ÷ 吸附剂质量，是衡量“吸碳英雄饭量”的核心指标。
  1. 吸附的 CO2 质量 m_CO2英雄的“饭量”，单位质量材料吸住了多少碳。
    mCO2m_{\text{CO}_2}
  2. 吸附剂质量 m_ads英雄的“体重”，所用材料的质量。
    madsm_{\text{ads}}
  3. 吸附容量 Q_capture两者相除，体现材料吸碳效率，容量越高越值得进入实验环节。
    Qcapture=mCO2madsQ_{\text{capture}} = \frac{m_{\text{CO}_2}}{m_{\text{ads}}}

AI 应用场景

碳捕集 MOF 材料百万级海选

阶段：材料发现与筛选（计算驱动）

解决的问题：传统实验法合成一种 MOF 需数周，上万种候选根本测不完；HTVS 用 AI 代理模型把单点 DFT 从小时级压到毫秒级，把“数年”的粗筛压缩成“数周”，让海选真正跑得起来。

具体案例：某团队构建 30 万个 MOF 候选库，先用几何规则筛到 3 万，再用代理模型预测 CO2/N2 选择性筛到 8000，最后 DFT 精筛锁定 50 个送实验室合成，其中 3 种吸附剂性能刷新纪录。

光催化制氢与气象协同部署

阶段：部署决策与闭环迭代

解决的问题：光催化剂在户外高温、高湿环境下失活严重，实验室数据无法覆盖真实服役条件；GraphCast 提供目标地点的辐照、温度、湿度预报，HTVS 把环境范围作为约束加入筛选。

具体案例：团队为某干旱地区光伏制氢项目筛选催化剂，结合 GraphCast 预报的 40℃ 高温与低湿条件，从候选中筛出在此区间稳定性领先的材料，户外实测性能提升 27%，验证数据已回传代理模型继续迭代。

Python 演示

python68 行
# -*- coding: utf-8 -*-"""HTVS simulation: AI surrogate accelerates material screening."""import numpy as np  class Material:    """A candidate material represented by a descriptor vector."""     _count = 0     def __init__(self, desc):        Material._count += 1        self.id = Material._count        self.desc = np.array(desc, dtype=float)  def gen_candidates(n=200, n_feat=5, seed=42):    """Build a candidate library with random descriptors."""    rng = np.random.default_rng(seed)    return [Material(rng.normal(size=n_feat)) for _ in range(n)]  def dft_energy(desc):    """Expensive ground-truth evaluator (the master judge)."""    w = np.array([0.9, -0.6, 0.4, -0.2, 0.1])    return float(np.dot(w, desc) + 1.2)  class SurrogateModel:    """AI surrogate: linear regression approximating DFT."""     def __init__(self):        self._w = None        self._b = 0.0     def fit(self, X, y):        """Train on a small set of DFT labels via least squares."""        Xb = np.hstack([X, np.ones((X.shape[0], 1))])        coef, _, _, _ = np.linalg.lstsq(Xb, y, rcond=None)        self._w = coef[:-1]        self._b = float(coef[-1])        return self     def predict(self, desc):        """Fast property prediction for one candidate."""        return float(np.dot(self._w, desc) + self._b)  def main():    cands = gen_candidates(200)    # stage 1: cheap rule-based coarse screen    rough = [m for m in cands if abs(m.desc[0]) < 2.0]    print("coarse pass: %d / %d" % (len(rough), len(cands)))     # stage 2: train surrogate with only 60 expensive DFT labels    train_x = np.array([m.desc for m in rough[:60]])    train_y = np.array([dft_energy(m.desc) for m in rough[:60]])    model = SurrogateModel().fit(train_x, train_y)     # stage 3: surrogate screens the rest, then rank    scored = [(m, model.predict(m.desc)) for m in rough[60:]]    scored.sort(key=lambda t: t[1])    top = scored[:10]    print("top-10 candidates: %s" % [m.id for m, _ in top])  if __name__ == "__main__":    main()
目的：模拟一个完整的 HTVS 工作流——规则粗筛 → 少量 DFT 训练代理模型 → 代理模型批量预测 → 排序取前 10 名送实验。
  1. rough = [m for m in cands if abs(m.desc[0]) < 2.0]粗筛：用一条廉价规则先淘汰描述符异常的候选，对应海选先看简历。
  2. train_y = np.array([dft_energy(m.desc) for m in rough[:60]])只对前 60 个候选调用昂贵的 DFT，给代理模型当“标准答案”。
  3. model = SurrogateModel().fit(train_x, train_y)用最小二乘训练代理模型，从少量样本中学到描述符到能量的映射。
  4. scored = [(m, model.predict(m.desc)) for m in rough[60:]]代理模型批量预测剩余候选，毫秒级完成原本几小时一次的 DFT 粗筛。
  5. scored.sort(key=lambda t: t[1]); top = scored[:10]按预测能量排序取前 10 名，作为送实验验证的候选名单。

常见误区

误区既然 AI 代理模型预测又快又准，那 HTVS 里干脆全部用代理模型，DFT 又慢又贵，直接砍掉不就行了？

正解代理模型是“实习评委”，只负责快速海选；DFT 才是“大师评委”。代理模型的训练数据来自 DFT，预测误差会随候选空间外推而放大。正确做法是代理模型海选 + DFT 精筛 + 残差修正，并用不确定度把没把握的候选送回 DFT 复核。

为何常见：代理模型速度快几个数量级，容易让人误以为它可以独立完成全部评估，忽略了它的精度上限来自训练采样。

误区把每个 DFT 任务的单点计算优化到最快，HTVS 的吞吐量自然就上来了。

正解高通量强调的是流水线整体吞吐量。单任务快但队列调度不均、等待时间长，整体依然低效。好比海选现场一个房间面得飞快，其他房间空着，总晋级人数上不去。要同时优化队列利用率 ρ=λ/μ 和任务并行度。

为何常见：单点性能是最直观的优化目标，而全局调度是系统性问题，容易被忽略。

误区计算筛选出来的候选材料肯定靠谱，直接放大生产就行。

正解计算预测基于理想结构，实验中有缺陷、杂质、相变、环境影响。筛选出来的只是“纸面入选”，必须经合成实验验证，验证数据还要回传模型形成主动学习闭环——就像海选入围后还要进组试镜，试镜不过照样淘汰。

为何常见：代理模型误差和理想晶体假设被低估，初学者容易把预测值当实测值。

误区筛得越多越可能挖到宝，所以把成千上万种结构全塞进候选库就对了。

正解候选库需要合理采样与去冗余。大量相似结构会浪费计算资源和队列带宽，好比海选现场一半选手都跳同一种舞，评委审美疲劳还挤占时间。用聚类或多样性采样控制候选库规模，才能在有限预算内覆盖更大的化学空间。

为何常见：直觉上“量变产生质变”，忽略了计算预算是有限资源。

误区代理模型预测不准，那误差控制就是调模型、换模型的事。

正解误差来源包括模型近似误差、训练集与候选库的分布偏差、粗筛阈值过严造成的系统性遗漏。残差学习、迁移学习校准、不确定度量化分别处理不同误差源，工程上要三管齐下，单换模型治标不治本。

为何常见：人们习惯把“预测不准”归因于模型，而数据分布和流程参数同样是误差的重要来源。

面试题

Q1. 关于“高通量”，下列理解最准确的是？

单选题 · easy

  • A.单次计算任务的速度最快
  • B.批量并发评估海量候选← 正确答案
  • C.使用超算才能运行
  • D.减少候选材料数量

答案：B。高通量指的是自动化流水线批量评估海量候选，把“一个一个试”变成“一批一批筛”，就像海选大会批量过简历。A 说的是单点速度，C 过度依赖硬件，D 与高通量方向正好相反。

Q2. AI 代理模型在 HTVS 中的主要作用是？

单选题 · mid

  • A.替代实验合成环节
  • B.消除所有预测误差
  • C.加速 DFT 粗筛瓶颈← 正确答案
  • D.无限扩大候选库

答案：C。代理模型用少量 DFT 数据训练后快速预测，把小时级的单点计算压到毫秒级，解决了 DFT 的计算瓶颈。A 中实验不可替代，B 中误差只能控制不能消除，D 中候选库需要合理设计而非无限扩大。

Q3. 三阶段漏斗保留率均为 0.3，最终入选比例是？

单选题 · mid

  • A.0.09
  • B.0.30
  • C.0.90
  • D.0.027← 正确答案

答案：D。漏斗每轮保留率 0.3，三级连乘为 0.3×0.3×0.3=0.027。就像海选三轮每轮只留三成，最终只有 2.7% 的选手晋级，这正是漏斗“越筛越精”的数学体现。

Q4. 队列利用率 ρ 接近 1 说明什么？

单选题 · mid

  • A.集群资源大量闲置
  • B.任务排队接近饱和← 正确答案
  • C.所有任务已成功完成
  • D.服务率远大于到达率

答案：B。ρ=λ/μ 接近 1 说明任务到达率约等于服务率，系统接近饱和，任务开始排队。A 的闲置对应 ρ 接近 0，C 与队列概念无关，D 说明服务能力远远过剩。

Q5. Delta Learning 误差校正的做法是？

单选题 · hard

  • A.用新模型完全重算全部性质
  • B.只学习高精度的 DFT 结果
  • C.学习代理预测与真实值的残差← 正确答案
  • D.用更大的数据继续训练一次

答案：C。Delta Learning 让代理模型先做基座预测，再让修正模型拟合“DFT 真值 − 代理预测”的残差。残差更平稳易学，相当于统计师只修正实习评委的系统性偏差，而不是让实习评委重学全部评分标准。

Q6. 下列哪一项是 HTVS 的误差来源？

单选题 · easy

  • A.队列调度策略选择
  • B.代理模型的近似误差← 正确答案
  • C.服务器数量不充足
  • D.候选材料的数量太少

答案：B。代理模型的近似误差是核心误差源之一。A 是调度问题，C 是资源问题，D 是规模问题；误差控制要针对模型近似、数据分布、流程阈值三方面下手。

Q7. 实验验证数据回传代理模型属于？

单选题 · mid

  • A.主动学习闭环迭代← 正确答案
  • B.无监督聚类分析
  • C.强化学习奖励设计
  • D.图神经网络的预训练

答案：A。实验数据回传再训练，是典型的主动学习闭环，让每一轮筛选都比上一轮更准，对应选秀导演用试镜结果优化下一届海选标准。B、C、D 都是无关的学习范式。

Q8. 以下哪些属于 HTVS 工作流设计的环节？

多选题 · easy

  • A.构建候选材料库← 正确答案
  • B.设计多阶段粗筛← 正确答案
  • C.编写计算调度策略← 正确答案
  • D.合成全部候选材料

答案：ABC。工作流设计涵盖候选库构建、多阶段粗筛策略与调度策略设计。D 把全部候选拿去合成，成本不可承受，筛选的意义恰恰在于避免盲目合成。

Q9. 关于 HTVS 误差控制，正确的有哪些？

多选题 · hard

  • A.用 Delta 学习修正预测残差← 正确答案
  • B.用迁移学习校准数据分布← 正确答案
  • C.量化代理模型不确定度← 正确答案
  • D.用更快的任务队列解决

答案：ABC。残差修正、迁移学习校准、不确定度量化分别针对模型偏差、数据分布偏差和低置信度候选，是误差控制三件套。D 的队列调度解决的是吞吐问题，不能消除预测误差。

Q10. HTVS 在气候科学中的典型应用包括？

多选题 · hard

  • A.筛选碳捕集吸附剂材料← 正确答案
  • B.筛选光伏电解水催化剂← 正确答案
  • C.替代全部实验室实验
  • D.结合气象条件联合筛选← 正确答案

答案：ABD。HTVS 可用于筛选碳捕集吸附剂、光伏与电解催化剂，并结合 GraphCast 气象预报约束服役环境。C 说替代全部实验，忽略了实验验证是必要闭环，计算永远取代不了现实。