Counterfactual Masking: Realistische chemische Erklärungen

In der Chemie spielt die Vorhersage molekularer Eigenschaften eine zentrale Rolle, wenn neue Medikamente oder Materialien entwickelt werden. Traditionelle Erklärungsansätze für KI‑Modelle maskieren oft einzelne Atome oder deren Merkmale und vergleichen die Ergebnisse mit einem unrealistischen „Null‑Baseline“. Dadurch entstehen Erklärungen, die nicht mit der tatsächlichen Verteilung chemischer Strukturen übereinstimmen.

Die neue Methode „Counterfactual Masking“ ersetzt die maskierten Teilstrukturen durch chemisch plausible Fragmente, die aus generativen Modellen gezogen werden, die komplette Molekülgraphen ergänzen. Anstatt die Vorhersagen gegen ein künstliches, unnatürliches Basismodell zu prüfen, werden sie mit Gegenbeispielen aus der realen Datenverteilung verglichen. Das Ergebnis sind Erklärungen, die sowohl die chemische Realität widerspiegeln als auch zeigen, wie strukturelle Änderungen die vorhergesagten Eigenschaften beeinflussen.

Durch diese realitätsnahe Herangehensweise liefert Counterfactual Masking robustere und nachvollziehbarere Einsichten. Die Technik eignet sich besonders gut, um verschiedene Erklärungswerkzeuge zu benchmarken, und bietet gleichzeitig wertvolle Hinweise für die gezielte Molekülgestaltung. Damit schafft die Arbeit einen wichtigen Schritt, der Erklärbarkeit und chemisches Design miteinander verbindet und die Entwicklung von KI‑gestützten Chemieanwendungen vorantreibt.