Amadeus：配体筛选

Amadeus 最初做的是 CsPbBr₃ 纳米晶配体筛选：给定一批候选和有限的测试名额，先推荐值得测的几个，再用历史数据看看选得怎样。比较的方法包括成对预测、直接评分和等权排名融合，评价它们在固定名额下推荐的配体表现。

评估使用相同的训练数据、候选池和测试名额。例如名额为三个时，各方法都只推荐三个候选。

1. 候选池、指标与测试名额

固定档案有90种完整配体，每种40个用量点。评估使用15个固定候选池，每池36种历史配体用于训练、18种作为候选，分别比较推荐1至5个时的表现。

训练时只用历史配体。生成候选预测时不带答案，预测封存以后才加载候选的历史实测做评价。这是一项基于公开历史档案的回顾性评估，预测与评价分步执行以检查候选标签泄漏。完整计算过程见原计算流程。

2. 双模型预测与排名融合

2.1 成对 ET 与直接评分 ET

成对 ET 沿用成对回归的思路预测用量响应，直接评分 ET 则预测配体得分。两路先各自排出候选名次，再把名次等权平均。融合后的值是候选排名。

源码的融合函数很短，来自evaluation.py：

def ranks(paired_q, direct_q):
    a, b = np.asarray(paired_q, dtype=float), np.asarray(direct_q, dtype=float)
    require(a.ndim == b.ndim == 1 and len(a) == len(b) and len(a) > 0, "Ranking input shape mismatch")
    require(np.isfinite(a).all() and np.isfinite(b).all(), "Non-finite ranking inputs")
    ra, rb = rankdata(-a, method="average"), rankdata(-b, method="average")
    return {"paired_ET": ra, "direct_Q_ET": rb, "equal_rank": (ra + rb) / 2}

rankdata(-a) 让较高预测分对应较靠前的名次，method="average" 给并列候选取平均名次，最后的 (ra + rb) / 2 就是固定等权融合。

2.2 分子特征与平局处理

特征使用原档案42维预计算表示，以及 Morgan 计数指纹。原42维描述符依赖上游工具，仓库保留了预计算特征及来源；目前尚不能从任意新 SMILES 完整复建相同的42维输入。

出现并列时，界面使用固定种子选出 B 个候选。正式评价计算均匀随机打破平局后的精确期望，各种结果都使用相同的 B 个测试名额。

3. 固定基准结果与比较范围

下面是固定基准结果。AUR 越低越好，后一列则单独看推荐三个时的期望最佳 Q。

融合相对固定预算成对 RF 的平均差距下降约72.2%，相对成对 ET 下降约12.4%。与 RF 的比较同时涉及分子表示和模型变化；与 ET 的比较可单独查看融合的差异。这里的 RF 按固定预算适配，原论文采用逐轮主动学习，两者流程不同。

推荐名额固定为3时，融合的期望最佳 Q 比成对 ET 略低约0.36%。报告列出了单模型与融合模型在全部15池、各测试名额下的结果。逐池数据与统一结果在固定基准报告里。

4. 复算入口与数据来源

本机入口既能缓存回放，也能按固定配置重新训练、保存权重、预测和核验。下面命令来自对应版本计算文档；默认运行15个固定候选池的缓存复算，新增拟合0次：

./run_project.sh

结果写入新的输出目录，保留逐池表、排名、配置、预测和文件哈希。比较时可用配置和文件哈希确认输入、产物是否一致。

数据与成对方法来自 ALLiS 固定提交，原研究 DOI 为 10.1021/acsnano.4c02094；本项目新增组合及资源归属见第三方说明。