Uni-Bond: Kuinka kahden viikon kesäkouluprojekti kehittyi ICML 2026 -workshop-paperiksi
Uni-Bond on molekyylisidosten graafien ennustusmalli, joka suoriutuu noin 20 kertaa paremmin täsmällisen osuman virhesuhteessa verrattuna aiempaan huippumalliin (YuelBond). Se kehitettiin kesäkouluprojektissa AIRI:ssa ja jalostettiin myöhemmin hyväksytyksi työpaperiksi Graph Foundation Models -workshopissa ICML 2026 -konferenssissa. Malli käyttää jäädytettyä Uni-Mol-enkooderia kevyen MLP-pään kanssa atomiparien esityksille.
Projekti aloitettiin AIRI-kesäkoulussa Tomskin valtionyliopistossa vuonna 2025. Tiimi (Stepan Pavlenko, Pavel Maslov, Ivan Burov) pyrki aluksi tuottamaan SMILES-merkkijonoja 3D-atomikoordinaateista käyttäen suuria kielimalleja vahvistusoppimisen hienosäädöllä, mutta vaihtoi kolmen päivän jälkeen sidostopologian ennustamiseen. Käyttämällä esikoulutettua geometristä kooderia Uni-Molia (noin 47 miljoonaa parametria) ja kevyttä MLP-päätä (noin 74 tuhatta opetettavaa parametria) he saavuttivat makro-F1-arvon 0,9997 ja tarkan osuman 99,53 prosenttia GEOM-vertailuaineistossa (runkojakomalli), kun YuelBondin vastaavat arvot olivat 0,975 F1 ja 83,2 prosenttia tarkka osuma — noin 20-kertainen virhesuhteen pieneneminen. Malli välttää myös vääriä sidoksia dimeereissä toisin kuin YuelBond. Rinnakkaisena lähestymistapana käytettiin LoRA-hienosäädettyä Galactica-1.3B-mallia koordinaattitokenisoinnilla (kuten BindGPT) suoraa SMILES-tuotantoa varten, saavuttaen yli 99,7 prosentin validiteetin jakaumansisäisellä datalla, mutta lähes nolla tarkkaa osumaa jakauman ulkopuolisilla peptideillä. Työ hyväksyttiin Graph Foundation Models -työpajaan ICML 2026 -konferenssissa Soulissa.
Lähde: Habr — хаб ИИ —
Alkuperäinen