В зале с сотней инструментов звучит симфония, но дирижёр скрыт за ширмой. Учёный слышит только ноты, которые играют инструменты, и хочет понять, кто задаёт ритм. Научные данные похожи на такой оркестр: мы записываем показания приборов, но не видим скрытых механизмов, которые ими управляют. MOSAIC учится по этим записям находить дирижёров и объяснять, на какие инструменты они влияют.

Раньше было неясно, как перенести интерпретируемость наблюдаемых переменных на скрытые факторы без потери идентифицируемости. MOSAIC решает эту задачу в два этапа. Сначала вариационный автоэнкодер сжимает данные и выделяет скрытые факторы, гарантируя, что они восстанавливаются однозначно. Затем плотный декодер заменяется аддитивным разреженным: для каждого скрытого фактора модель находит небольшой набор наблюдаемых переменных, на которые он влияет. Это как если бы после прослушивания симфонии мы могли сказать: «Дирижёр взмахивает палочкой, и флейты вступают, а скрипки молчат».

Метод проверен на разных системах. В молекулярной динамике РНК MOSAIC нашёл фактор, связанный с петлёй тетрапетли, что совпадает с известным механизмом сворачивания. На солнечном ветре, климатических данных, химическом процессе и токамаке метод правильно определил ожидаемые группы переменных в 12 из 12 запусков. Это значит, что MOSAIC не просто находит скрытые факторы, но и объясняет их через понятные физические величины.

Сегодня MOSAIC может применяться в космической погоде, диагностике термоядерного синтеза, климатическом мониторинге и безопасности химических процессов. Там, где ручная разметка невозможна, метод автоматически обнаруживает механизмы. В будущем его планируют расширить на многоклассовые режимы и интегрировать с методами причинного обнаружения внутри модулей. Симфония сложных систем становится слышнее, когда мы знаем, кто дирижирует.