2026-09-04 13:03:41 中华网
现代药物研发的核心挑战，在于如何从天文量级的潜在化合物中精准锁定能开发成药物的分子。近日，中山大学杨跃东教授团队给出了破局之道：构建虚拟筛选框架GLARE-Exa，以强化学习驱动自进化模式，并通过HPC-AI异步实时调度机制，在"灵晟"超算上实现千万核线性扩展——仅用22.6小时即完成10万亿级化合物空间的完整遍历，效率较传统HPC方法提升1000倍，为新药研发确立了全新范式。
HPC物理反馈驱动AI筛选
现代药物研发正处于一个“大海捞针”式的困境：理论上存在的“成药化合物”数量高达10的60次方，堪比可观测宇宙中的原子总数，即便将搜索范围严格限定于目前实验室里能做出来的分子，其规模仍高达10万亿(10的13次方)级，而当前基于HPC方法的筛选能力为10的10次方相差3个数量级。同时，现有生成式AI模型产出的分子要么物理上不可行，要么依赖极其复杂的未知反应路径，难以落地。
针对这一双重瓶颈，杨跃东团队构建虚拟筛选框架GLARE-Exa，实现了AI与HPC方法的高效协同。该框架通过创新性地引入了AI策略网络，从反应空间中高速采样合成砌块，按反应模版生成可合成候选分子，并做初步筛选。随后交由HPC进行精细的物理分子对接，实时返回对接分数。这个分数充当了"物理真实标尺"——系统将其作为奖励信号，通过GRPO强化学习算法持续更新AI策略，使模型逐步聚焦于更具合成潜力的化学区域。
经过这一"候选生成→AI初筛→物理对接→奖励反馈→策略更新"的闭环迭代，GLARE-Exa能够从海量组合中快速锁定高潜力候选分子，并同步输出可执行的合成路径，为后续精细计算和生物实验验证大幅缩小搜索空间。
异步结构释放“灵晟”极致算力
然而，GLARE-Exa要真正在Exascale规模下跑起来，还面临一个工程挑战：AI推理只需毫秒级，而HPC分子对接耗时较长，两者节奏完全不同，极易造成负载不均衡。 "灵晟"超智融合E级算力为GLARE-Exa的HPC-AI混合负载提供了理想的运行底座，但要让算力高效发挥，必须解决计算粒度不匹配的问题。
为此，团队面向"灵晟"设计了RTAI异步实时调度机制，通过多层次软硬件协同优化，让AI生成、HPC物理对接、策略训练三者高效并行，互不阻塞。主要优化分为两方面：
一是内存访问优化。 针对"灵晟"LX2 CPU的层次化内存架构，采用NUMA感知的核心绑定与连续计算核心划分策略，提升内存访问局部性，减少操作系统抖动和上下文切换开销。
二是网络拓扑适配。 将GRPO局部组级归一化与"灵晟"超算多级网络拓扑结合，构建三级层次化异步调度架构，实现候选分子生成、分子对接和奖励聚合的高效分发。
最终，该框架在20,480个节点上展现出优异的扩展能力，弱扩展效率达80.9%，强扩展效率达65.8%，充分释放了"灵晟"的极致算力。
从海量盲搜走向精准新药发现
依托算法、调度与算力的协同优化，GLARE-Exa仅用22.6小时便完成了10万亿级可合成化合物空间的筛选。在面向RET和TRK激酶的双靶点盲测中，系统无需人工干预即可自主搜索高潜力化学空间，筛选出具有较高活性的双靶点候选抑制剂，并同步给出有限步骤、可实际执行的化学合成路径，使筛选结果能够直接衔接后续精细计算与湿实验验证。
这一突破将虚拟筛选的规模和速度同时推至新的量级。从“算得准”到“造得出”，GLARE-Exa依托“灵晟”算力刷新虚拟筛选的世界纪录，让更多靶点、更多疾病领域有望以天而非以年为单位锁定候选分子——新药研发的起跑线，正在被大幅前移。
