SciReasoner: мультимодальная модель ИИ для анализа структуры и свойств в науке

Представьте себе искусственный интеллект, который не просто выдает результат, но и объясняет, почему он пришел к такому выводу. Именно это предлагает SciReasoner — новая мультимодальная фундаментальная модель, созданная для анализа структуры и свойств в биологии, химии и материаловедении. В отличие от традиционных «черных ящиков», SciReasoner делает процесс рассуждения прозрачным, что критически важно для научной достоверности и повторяемости. Модель преобразует координаты, топологию и периодические связи в единый словарь структурных токенов, которые служат адресуемыми единицами доказательств при рассуждениях.

Как работает SciReasoner

SciReasoner использует уникальный подход к представлению структурных данных. Вместо того чтобы полагаться на неинтерпретируемые векторы признаков, модель кодирует атомы, связи и их пространственное расположение в виде токенов — подобно тому, как языковые модели работают со словами. Эти токены затем обрабатываются архитектурой трансформера, которая учится выявлять закономерности между структурой и свойствами. Ключевое отличие SciReasoner в том, что каждый токен остается адресуемым: модель может указать, какой именно атом или связь повлияли на предсказание. Это достигается за счет встроенного механизма внимания, который отслеживает вклад каждого структурного элемента в итоговый вывод.

Почему SciReasoner важен для науки

Традиционные модели машинного обучения, особенно глубокие нейронные сети, часто критикуют за непрозрачность. Ученый, получивший предсказание от такой модели, не может проверить его обоснованность, что снижает доверие к результатам. SciReasoner решает эту проблему, предоставляя трассировку рассуждений — последовательность шагов, показывающую, как структурные данные приводят к конкретному выводу. Например, при предсказании функции белка модель может указать на определенные аминокислотные остатки, которые, по ее мнению, отвечают за каталитическую активность. Это не только повышает доверие, но и помогает ученым генерировать новые гипотезы для экспериментальной проверки.

Какие результаты показал SciReasoner в тестах

Разработчики протестировали SciReasoner на 86 бенчмарках, охватывающих задачи биологии, химии и материаловедения. Модель достигла лучших результатов в 67 из них, что говорит о ее универсальности и высокой производительности. В предсказании клеточных компонентов для белков с низкой гомологией метрика Fmax выросла с 0,42 до 0,55 — значительный прирост для сложной задачи. В одношаговом ретросинтезе точность повысилась с 0,63 до 0,72, причем модель генерирует полную трассировку разрыва связей и проверки предшественников. В материаловедении SciReasoner успешно разделяет элементарные и соединенные фазы, а также различает области с высокой и низкой шириной запрещенной зоны. Двойное слепое экспертное оценивание показало, что трассировки рассуждений SciReasoner предпочтительнее или сопоставимы с трассировками ведущих больших языковых моделей в 98% случаев.

Какие задачи решает SciReasoner в биологии

В биологии SciReasoner может анализировать структуры белков, предсказывать их функции и клеточную локализацию. Особенно ценна способность модели работать с белками, имеющими низкую гомологию с известными последовательностями. Традиционные методы часто терпят неудачу в таких случаях, но SciReasoner использует структурные токены, чтобы уловить тонкие закономерности, невидимые при простом сравнении последовательностей. Кроме того, модель может объяснить, какие именно участки белка ответственны за связывание с другими молекулами, что помогает в дизайне лекарств.

Как SciReasoner помогает в химии

В химии SciReasoner применяется для ретросинтеза — задачи поиска возможных путей синтеза целевого соединения. Модель не только предлагает последовательность реакций, но и указывает, какие связи нужно разорвать и какие предшественники использовать. Это делает процесс более прозрачным и позволяет химикам проверять логику модели. В тестах точность ретросинтеза достигла 0,72, что на 9 процентных пунктов выше, чем у предыдущих методов. Кроме того, SciReasoner может предсказывать свойства молекул, такие как растворимость или токсичность, с объяснением вклада отдельных функциональных групп.

Что SciReasoner делает в материаловедении

В материаловедении модель анализирует кристаллические структуры и предсказывает их свойства, например, ширину запрещенной зоны. SciReasoner способен различать элементарные и соединенные фазы, что важно для поиска новых полупроводниковых материалов. Модель также может объяснить, какие атомные конфигурации приводят к высокой или низкой ширине запрещенной зоны, помогая исследователям целенаправленно модифицировать структуры для достижения нужных свойств.

Каковы перспективы и ограничения SciReasoner

Несмотря на впечатляющие результаты, SciReasoner пока не доступен широкой аудитории. Разработчики не раскрыли конкретные лицензии и планы по открытию кода или веб-интерфейса. Это ограничивает его использование в академических и промышленных лабораториях. Кроме того, модель требует значительных вычислительных ресурсов для обучения и инференса, что может быть барьером для небольших исследовательских групп. Однако, если SciReasoner станет открытым, он может стать стандартным инструментом для интерпретируемого анализа структурных данных в науке.

Кому будет полезен SciReasoner

SciReasoner предназначен для биологов, химиков и материаловедов, которые работают со структурными данными и нуждаются в интерпретируемых предсказаниях. Разработчики ИИ, стремящиеся к созданию прозрачных моделей, также найдут в нем ценный пример. Особенно полезен SciReasoner для исследователей, изучающих белки с низкой гомологией, новые химические соединения или перспективные материалы, где понимание структуры-свойства критически важно.

Что пока неизвестно о SciReasoner

Остается неясным, когда и в каком виде SciReasoner станет доступен. Планируется ли выпуск API, веб-интерфейса или открытого исходного кода? Будут ли предоставлены предобученные модели для различных доменов? Эти вопросы пока остаются без ответа. Также неизвестно, как модель будет масштабироваться на более крупные структуры, такие как целые вирусные капсиды или сложные наноматериалы. Возможно, в будущем появятся версии SciReasoner, адаптированные для конкретных задач, например, для предсказания свойств металлоорганических каркасов или 2D-материалов.