Vad händer om artificiell intelligens äntligen kan förklara varför molekyler beter sig som de gör, snarare än att bara förutsäga vad som händer? Under decennier har AI inom vetenskapen fungerat som en svart låda, som levererar korrekta svar utan att visa sitt resonemang. Denna brist på transparens har hämmat förtroendet för AI i kritiska områden som läkemedelsutveckling och materialvetenskap. Nu har forskare presenterat en ny modell som behandlar strukturell data inte som abstrakta siffror, utan som granskbar bevisning som kan spåras och förstås.

Det nya systemet, som kallas SciReasoner, är en multimodal grundmodell designad för att resonera kring den fysiska strukturen hos proteiner, små molekyler och oorganiska kristaller. Istället för att lita på vaga korrelationer bryter den ner komplexa 3D-strukturer till ett enhetligt vokabulär av tokens. Dessa tokens fungerar som adressbara enheter av bevis, vilket gör att modellen kan tillämpa vetenskapliga principer som bindningar, symmetri och energikostnader direkt på sina förutsägelser. Genom att behandla strukturen som underlag för resonemang säkerställer modellen att varje förutsägelse vilar på verifierbara fysiska begränsningar snarare än statistisk gissning.

Resultaten är slående, särskilt inom områden där traditionella metoder har svårt att klara av utmaningarna. Inom proteinanalys förbättrade SciReasoner annoteringen av proteiner med låg homologi och så kallade "orphan-like" proteiner, och ökade prestandamåtten från 0,42 till 0,55. Inom kemin ökade den noggrannheten i retrosyntesplanering för enskilda steg från 0,63 till 0,72, samtidigt som den genererade detaljerade spår som visar exakt hur den kom fram till sina slutsatser. Över 86 olika benchmark-test uppnådde modellen state-of-the-art-prestanda på 67 uppgifter. Ännu viktigare är att dubbelblinda utvärderingar av experter visade att dess resonemangsspår föredrogs eller var jämförbara med de från en toppmodern stor språkmodell i 98 procent av fallen.

Denna forskning markerar ett skifte från ren förutsägelse till tolkbar inferens. Genom att göra resonemangsprocessen transparent kopplar SciReasoner ihop hög noggrannhet med vetenskaplig förståelse. För forskare innebär detta AI-verktyg som inte bara matar ut svar, utan också tillhandahåller de logiska, bevisbaserade vägarna dit. När vetenskapen kräver större rigor och reproducerbarhet kan modeller som kan förklara sin strukturella logik komma att bli den nya standarden för upptäckter.