arXiv · 30.07.2026 ·Исследования и наука

Метод APO для предсказания 3D-структур атомных систем без разметки

Исследователи представили APO (Atomic Policy Optimization) — новый метод обучения моделей для предсказания 3D-структур в материаловедении и фармакологии. В отличие от существующих подходов, требующих эталонных данных, APO использует обучение без учителя. Это позволяет эффективно моделировать новые кристаллические фазы и белки, для которых экспериментальные координаты атомов пока недоступны или слишком сложны для получения.

Традиционные модели, такие как FlowDPO, сильно зависят от контролируемого обучения на размеченных наборах данных. В условиях дефицита экспериментальных меток для инновационных материалов и de novo белков, эффективность таких систем существенно падает. Метод APO решает эту проблему, оптимизируя атомные политики напрямую через внутренние закономерности физических систем, что значительно расширяет возможности генеративного моделирования в химии и биологии.

Разработка позволяет обходить ограничения, связанные с необходимостью дорогостоящей лабораторной верификации на ранних этапах проектирования молекул. Алгоритм фокусируется на поиске энергетически выгодных конфигураций, что делает его перспективным инструментом для ускорения поиска новых лекарственных препаратов и создания материалов с заданными свойствами.

Ключевые факты

APO (Atomic Policy Optimization) исключает необходимость в размеченных данных (ground-truth coordinates) при обучении моделей предсказания 3D-структур.
Метод ориентирован на применение в материаловедении и разработке лекарств, где получение экспериментальных меток для новых соединений затруднено.
Алгоритм оптимизирует атомные политики без учителя, что позволяет работать с де novo белками и редкими кристаллическими фазами.
Новый подход преодолевает ограничения существующих моделей типа FlowDPO, зависящих от supervised preference learning.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Машинное обучение Новый метод обучения моделей с использованием потоковых карт для онлайн-поиска Исследователи представили метод Sequentially-Controlled Interactive Multi-Particle Flow-Maps (SCIM-Flow), предназначенный для оптимизации моделей в условиях неизвестных предпочтений. В отличие от стандартных подходов, которые ограничены локальным поиском, новый алгоритм использует динамические потоковые карты частиц для эффективного исследования пространства распределений, что позволяет модели адаптироваться к обратной связи в режиме реального времени и находить области с высокой полезностью. arXiv · Исследования и наука Новый метод машинного обучения для моделирования белков и лекарств Исследователи представили новый подход к созданию потенциалов межмолекулярного взаимодействия на основе машинного обучения, который позволяет моделировать сложные биомолекулярные системы с точностью методов ab initio. Разработка решает проблему низкой скорости вычислений, характерную для существующих моделей, открывая возможности для проведения симуляций микросекундного масштаба, критически важных для фармацевтических исследований и дизайна новых лекарственных препаратов. arXiv · Исследования и наука DBMol: новый подход к генеративному дизайну лекарственных препаратов Исследователи представили DBMol — метод генерации малых молекул с высокой аффинностью к заданным белковым мишеням. Используя архитектуры предсказания структур, такие как AlphaFold-3 и Boltz-2, модель оптимизирует процесс поиска терапевтических соединений. Система позволяет значительно сократить время на разработку новых лекарств, обеспечивая высокую точность связывания молекул с целевыми карманами белков. arXiv · Машинное обучение Новый метод полуавтоматического обучения для молекулярных графов Исследователи представили метод полуавтоматического обучения (semi-supervised learning) для анализа молекулярных графов, основанный на ансамблевом консенсусе. Подход позволяет эффективно использовать обширные массивы неразмеченных данных для предсказания свойств молекул, решая проблему высокой стоимости и сложности получения экспертной разметки в химических исследованиях. Технология ускоряет процесс разработки новых материалов и поиск перспективных соединений в фармацевтике и химии. arXiv · Машинное обучение Оптимизация обучения ML-потенциалов: переход от Adam к SOAP и Muon Исследователи проанализировали эффективность оптимизаторов при обучении межатомных потенциалов на базе машинного обучения (MLIPs). Традиционно в этой области доминирует алгоритм Adam, однако внедрение методов второго порядка, таких как SOAP и Muon, позволяет значительно ускорить сходимость моделей и повысить их точность при меньшем объеме обучающих данных, что критически важно для научных симуляций. arXiv · ИИ в бизнесе Новый метод обучения ИИ для оптимизации 3D-упаковки в логистике Исследователи представили метод Operationally Guided Placement-Aware Learning (OGPAL), повышающий эффективность автоматизированной 3D-упаковки грузов. Алгоритм учитывает физические ограничения, такие как стабильность, компактность и баланс, что критически важно для промышленного паллетирования. Новый подход позволяет ИИ-моделям принимать более точные решения в режиме реального времени, минимизируя пустоты и риск повреждения товаров при транспортировке. arXiv · Исследования и наука Новый метод глубокого структурного рассуждения для материаловедения и химии Исследователи представили метод глубокого нативного структурного рассуждения (Deep Native Structural Reasoning), позволяющий ИИ-моделям анализировать взаимосвязи между структурой и свойствами материалов. Подход объединяет принципы химии, биологии и физики, обеспечивая прозрачную интерпретацию пространственной организации молекул. Это позволяет автоматизировать предсказание физических и химических характеристик веществ с высокой точностью, опираясь на фундаментальные научные ограничения и симметрию. arXiv · Машинное обучение Ускорение конформного предсказания через аппроксимацию Leave-One-Out Исследователи представили новый метод оптимизации конформного предсказания, который значительно снижает вычислительные затраты при оценке неопределенности моделей. За счет использования аппроксимации метода Leave-One-Out (LOO) удалось избежать необходимости полного переобучения модели для каждого примера, сохраняя при этом высокую точность и статистическую надежность прогнозов, что критически важно для внедрения ИИ в высоконагруженные системы. Hacker News · Обучение и дообучение Путь от академического исследования до Frontier LLM через DPO Метод Direct Preference Optimization (DPO) стал стандартом для настройки поведения современных языковых моделей. В отличие от традиционного обучения с подкреплением на основе отзывов людей (RLHF), DPO позволяет оптимизировать модель напрямую через пары предпочтений, исключая необходимость в обучении отдельной модели вознаграждения. Это значительно упрощает пайплайн дообучения и повышает стабильность итоговых результатов. arXiv · Машинное обучение Новый метод Predictive Divergence Masks для стабилизации обучения LLM с подкреплением Исследователи представили метод Predictive Divergence Masks, оптимизирующий процесс обучения LLM с подкреплением (RL). Новый подход заменяет стандартные маски доверительной области, используемые в PPO, более точными критериями близости и направления. Это позволяет эффективнее контролировать обновления политики, предотвращая деградацию модели при работе с off-policy данными и повышая общую стабильность обучения.

← Все материалы