趋向玻尔兹曼：基于力引导漂移实现玻尔兹曼抽样的百万级加速

从玻尔兹曼分布抽样分子构象是计算化学的必需任务，但迭代扩散方法速度 prohibitively慢。漂移模型 (Drifting Models) 虽能实现一步生成，但其平衡分布匹配的是\emph{训练}分布，可能因抽样偏差而偏离真实玻尔兹曼分布。我们首次将漂移模型引入分子构象生成，构建了通过\emph{漂移评分恒等式}（Drifting Score Identity）的理论桥梁：对于高斯核，漂移场的引力等于核加权的\emph{任何}分布评分函数的平均值。用分子力标签——直接编码玻尔兹曼评分——代替后，得到\emph{漂移力恒等式}（Drifting Force Identity），将场分解为标准漂移加上玻尔兹曼校正。我们进一步发现一种独特于分子系统的现象：力的有效性\emph{跨越表示方式反转。在坐标空间中，力插值漂移 (Force-Interpolated Drifting, FI) 通过融合物理力方向与数据位移实现主导优势。在距离特征空间中，力对齐核 (Force-Aligned Kernel, FK) 通过仅修改核权重来实现卓越精度，从而保持几何有效分子的流形。在 MD17 乙醇数据集上，两种方法均实现一步生成，相较于最新带玻尔兹曼引导的得分匹配方法实现1000倍以上加速，相较于传统分子动力学实现百万级以上加速，同时确保完美的结构有效性和与多步方法相当的分布精度。