Zatom-1: Das erste multimodale Flow-Model für 3D-Moleküle und Materialien

Ein neues, universelles KI-Modell namens Zatom-1 wurde vorgestellt, das sowohl die Generierung als auch die Vorhersage von 3D-Strukturen in der Chemie und Materialwissenschaft vereint. Durch die Kombination von atomaren Typen und kontinuierlichen Geometrien in einem Transformer-Architekturrahmen kann Zatom-1 komplexe molekulare und materialwissenschaftliche Aufgaben gleichzeitig bearbeiten.

Die Trainingsmethode basiert auf einem multimodalen Flow-Matching-Ansatz, der es ermöglicht, große Datenmengen effizient zu verarbeiten und gleichzeitig stabile, schnelle Sampling-Prozesse zu gewährleisten. Durch das gemeinsame Generative Pretraining erhält das Modell eine robuste Basis, die anschließend für verschiedene Vorhersageaufgaben wie Eigenschaften, Energien und Kräfte adaptiert werden kann.

In experimentellen Tests übertrifft Zatom-1 spezialisierte Modelle sowohl bei generativen als auch bei prädiktiven Benchmarks. Besonders bemerkenswert ist die Reduktion der Inferenzzeit um mehr als ein Zehnfach, was die praktische Anwendbarkeit erheblich steigert. Darüber hinaus zeigt das Modell eine positive Transferwirkung zwischen den chemischen Domänen: Die Einbindung von Materialdaten im Pretraining verbessert die Genauigkeit der molekularen Eigenschaftenvorhersagen.