Молекулы-соседи повышают точность предсказаний экспресс

Оригинал: "Adapting Evidential Neural Networks to Test-Time Neighbor Fusion Improves Molecular Property Prediction"
arXiv:2607.11091 · 2026-07-13 · CC BY 4.0 · 1 мин
Программа улучшает предсказания свойств молекул, опираясь на данные о похожих веществах.

Предсказать свойства новой молекулы — как угадать вкус незнакомого блюда. Программа работает как опытный повар: она «пробует» похожие молекулы, чьи свойства уже известны, и на основе их «вкуса» уточняет свою догадку. Например, для воды или углекислого газа алгоритм находит изученные аналоги и корректирует температуру кипения или растворимость.

Повар не просто копирует соседей — он оценивает, насколько можно доверять собственному прогнозу. Для этого используется мера неопределённости, подобная энтропии в физике: чем выше неуверенность, тем больше программа полагается на проверенные данные похожих веществ. Удивительно, что метод может работать с противоречивой информацией: он сам решает, какому «соседу» верить больше, взвешивая надёжность источников.

В итоге ошибка падает почти на 20% — примерно как если бы прогноз погоды стал точнее на пятую часть. И всё это без долгой перенастройки: алгоритм встраивает новые данные на лету, ускоряя поиск лекарств и материалов.

Лабораторное измерение одного свойства молекулы может занимать часы, а компьютерное предсказание — доли секунды. Новый метод делает такие расчёты почти на 20% точнее, не требуя дополнительных экспериментов.

Фантастический универсальный анализатор веществ становится реальнее: алгоритм уточняет свойства молекул без лаборатории, опираясь на опыт «соседей».

Учёные
Erwin SchrödingerHugh Everett IIIChristian DopplerD. B. McLaughlinDidier QuelozMichel Mayor
Понятия
эвиденциальные нейронные сети предсказание молекулярных свойств параметр реконструкция данных с помощью нейронных сетей языковая модель белков обучение генеративно-состязательные сети обобщение нейронные сети прогностического обучения прогностическая модель