في قاعة تضم مئة آلة موسيقية تعزف سيمفونية، لكن قائد الأوركسترا مختبئ خلف ستار. العالم يسمع فقط النغمات التي تعزفها الآلات، ويريد أن يفهم من يضبط الإيقاع. البيانات العلمية تشبه هذه الأوركسترا: نسجل قراءات الأجهزة، لكننا لا نرى الآليات الخفية التي تتحكم فيها. تتعلم MOSAIC من هذه التسجيلات أن تجد القادة وتشرح أي الآلات يتأثرون بهم.

في السابق، لم يكن واضحًا كيف ننقل قابلية تفسير المتغيرات المرصودة إلى العوامل الخفية دون فقدان قابلية التعريف. تحل MOSAIC هذه المشكلة على مرحلتين. أولاً، يقوم التشفير الذاتي التبايني (variational autoencoder) بضغط البيانات واستخراج العوامل الخفية، مما يضمن استعادتها بشكل فريد. ثم يُستبدل مفكك الترميز الكثيف بمفكك ترميز إضافي متناثر: لكل عامل خفي، يجد النموذج مجموعة صغيرة من المتغيرات المرصودة التي يؤثر عليها. هذا يشبه أنه بعد الاستماع إلى السيمفونية، يمكننا أن نقول: «قائد الأوركسترا يلوح بعصاه، فتدخل المزامير، بينما تصمت الكمانات».

اختُبرت الطريقة على أنظمة مختلفة. في الديناميكا الجزيئية للحمض النووي الريبوزي، وجدت MOSAIC عاملًا مرتبطًا بحلقة رباعية (tetraloop)، وهو ما يتوافق مع آلية التفاف معروفة. وفي الرياح الشمسية، والبيانات المناخية، والعملية الكيميائية، والتوكاماك (tokamak)، حددت الطريقة بشكل صحيح المجموعات المتوقعة من المتغيرات في 12 من أصل 12 تشغيلًا. هذا يعني أن MOSAIC لا يكتشف العوامل الخفية فحسب، بل يفسرها أيضًا من خلال كميات فيزيائية مفهومة.

اليوم، يمكن تطبيق MOSAIC في طقس الفضاء، وتشخيص الاندماج النووي الحراري، ورصد المناخ، وسلامة العمليات الكيميائية. حيثما يكون وضع العلامات اليدوية مستحيلًا، تكتشف الطريقة الآليات تلقائيًا. في المستقبل، يُخطط لتوسيعها لتشمل أنماطًا متعددة الفئات ودمجها مع طرق الاكتشاف السببي داخل الوحدات. تصبح سيمفونية الأنظمة المعقدة أكثر وضوحًا عندما نعرف من يقود.