Monroe: A Molecular Foundation Model for In-Context Probabilistic Inference
تقدم هذه الورقة البحثية "مونرو" (Monroe)، وهو نموذج تأسيسي جزيئي قابل للتوسع تم تدريبه على 81 مليون جزيء مع تمثيلات كيميائية فراغية محسنة وأهداف تدريب مبتكرة، والذي يحقق أداءً هو الأفضل في فئته في التنبؤ بنشاط الاختبار الحيوي من خلال الاستفادة من نموذج ملائم للبيانات المسبقة (TabPFN) للاستدلال الاحتمالي في السياق، ويُظهر أن استراتيجية التكيف اللاحقة هذه تعمل أيضاً على تحسين النماذج الحالية بشكل كبير مثل "ميني مول" (MiniMol) و"كيميليون" (CheMeleon).