Журнал · Rit.work

MOSAIC использует каждое измерение и как вход, и как цель

Одна модель генерирует структуры молекул и спектры в разных направлениях, а случайная смена входов и целей повышает точность основной задачи.

Rit.work
Студия разработки
18 ноября 2026 г.3 мин чтения

Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.

Одну модель научили восстанавливать молекулярную структуру и три вида спектров в любом направлении, используя каждое измерение и как вход, и как цель. В нерецензированном препринте Lila Sciences, где все числа получили сами авторы, MOSAIC восстановила граф молекулы в 88,8% случаев на QM9S. Командам с несколькими измерениями одного объекта стоит проверить единую задачу со сменой входов и целей, прежде чем собирать отдельную модель для каждого направления.

Случайная маска превращает один образец в несколько задач

Каждый обучающий образец MOSAIC связывает структуру молекулы с UV-, IR- и Raman-спектрами. Обычная модель заранее фиксирует направление: например, принимает спектры и предсказывает структуру. Тогда обратная связь и переходы между отдельными спектрами не участвуют в обучении.

MOSAIC на каждом шаге случайно выбирает, какие данные оставить условием, а какие сделать целью. В одном случае IR и Raman помогают восстановить структуру и UV, в другом структура задаёт все спектры, в третьем один спектр дополняет другой. Условия остаются чистыми, а цели зашумляют; модель учится преобразовывать шум в нужную структуру или спектр через согласование потоков (flow matching).

Так один физический эксперимент создаёт несколько обучающих задач без искусственного размножения объектов. Модель видит не новые молекулы, а больше связей внутри уже имеющихся данных. Это шире схемы «один вход — любые выходы»: входом и результатом может стать любое непересекающееся сочетание доступных модальностей.

Перед генеративным обучением общий кодировщик учится восстанавливать скрытые фрагменты и сближать представления одной молекулы из разных измерений. Затем единый трансформер совместно обрабатывает чистые условия и зашумлённые цели. На этапе применения тот же набор весов восстанавливает структуру, строит спектры, заполняет пропущенное измерение или генерирует несколько связанных результатов сразу.

Предсказание спектров помогло восстановлению структуры

По сравнению с лучшим из рассмотренных специализированных методов MOSAIC улучшила восстановление структуры на 23,2%. Одновременно она обошла отдельную модель, обученную только переходу от структуры к спектрам. Смысл результата не только в объединении функций: дополнительная цель улучшила основное направление, ради которого строили сравнение.

В прямом сравнении с вариантом, который генерировал только структуру и использовал спектры лишь как условия, совместное обучение давало преимущество примерно в 5% при разных размерах модели. Кроме того, специализированный вариант начинал ухудшаться к концу обучения, тогда как модель со спектральными целями сохраняла или повышала качество.

Эффект не исчез при увеличении набора данных. Разрыв между совместным и односторонним обучением вырос с 2,7% на меньшей выборке до 5,7% на полной. Проверки внутренних представлений также показали, что совместная модель лучше кодирует исследованные молекулярные свойства: спектры работают как дополнительный физический сигнал, а не только как ещё один формат результата.

Основные опыты прошли на QM9S, где молекулярные структуры связаны с рассчитанными спектрами. Главный протокол заранее получал правильное число атомов; отдельный вариант определял его сам. Экспериментальные данные использовали в более узкой проверке: модель сопоставляла сгенерированные IR-спектры с библиотекой из 99 реальных измерений, а не восстанавливала по ним структуру в основном тесте.

Планы меняются, если измерения относятся к одному объекту

Работа предлагает менять прежде всего постановку обучения, а не выбирать новую архитектуру ради самой архитектуры. Если для каждого объекта уже собраны несколько связанных измерений, фиксированное направление оставляет часть доступного сигнала неиспользованной. Случайный выбор условий и целей позволяет задействовать его в одном цикле обучения.

Практический первый шаг — описать все допустимые сочетания входов и результатов и проверить, можно ли представить каждую модальность как последовательность, которую модель восстанавливает из шума. Затем нужен контрольный вариант с той же моделью, но одной целевой модальностью. Именно такое сравнение отделяет пользу общей архитектуры от пользы двустороннего обучения.

Единый набор весов особенно уместен, когда продукт должен работать с неполными наблюдениями: сегодня доступны все спектры, завтра только один, а иногда известна структура и требуется рассчитать измерения. MOSAIC не требует отдельной модели для каждой такой комбинации.

Переносить результат на произвольные мультимодальные данные рано: в работе модальности описывают одну молекулу и связаны общей физикой. Но для химических и других научных систем с дорогими парными измерениями план эксперимента стоит расширить: сравнивать не только архитектуры и объём данных, но и число направлений, в которых модель учится использовать один образец.

Источники

Пауза в чтении

Похоже на вашу задачу?

Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.

Rit.work

Студия разработки

Собираем мобильные приложения и помогаем командам получать от AI реальную пользу. Основатель и команда, работаем удалённо — с клиентами в России и за рубежом.

← Ко всем материалам
Понравилось? Обсудим вашу задачу