📊 statistics

Branching Flows: Discrete, Continuous, and Manifold Flow Matching with Splits and Deletions

Il paper propone "Branching Flows", un nuovo framework generativo basato su alberi binari che permette di modellare sequenze di lunghezza variabile attraverso processi di ramificazione e cancellazione, applicabile a spazi discreti, continui o misti.

Autori originali: Lukas Billera, Hedwig Nora Nordlinder, Jack Collier Ryder, Anton Oresten, Aron Stålmarck, Theodor Mosetti Björk, Ben Murrell

Pubblicato 2026-04-28

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Lukas Billera, Hedwig Nora Nordlinder, Jack Collier Ryder, Anton Oresten, Aron Stålmarck, Theodor Mosetti Björk, Ben Murrell

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

🧬 Il Problema: Il "Puzzle" che cambia forma

Immaginate di avere un robot che deve comporre dei puzzle. Finora, i robot più bravi (le IA attuali come quelle che creano immagini) sono bravissimi a comporre puzzle che hanno sempre lo stesso numero di pezzi: un'immagine 1024x1024 pixel, o una sequenza di proteine di una lunghezza fissa.

Ma la realtà è molto più disordinata. Se chiedete a un'IA di scrivere una storia, non sapete in anticipo se sarà lunga due pagine o dieci. Se chiedete di progettare una proteina o una molecola, non sapete quanti atomi serviranno. È come chiedere a un cuoco di preparare una ricetta senza dirgli se deve cucinare per una persona o per un intero banchetto: la dimensione del piatto cambia continuamente.

Le IA attuali vanno in crisi quando la "lunghezza" dell'oggetto da creare non è nota all'inizio.

🌳 La Soluzione: I "Flussi Ramificati" (Branching Flows)

Gli autori di questo studio hanno inventato un nuovo modo di far "pensare" all'IA, chiamato Branching Flows.

Invece di far partire l'IA con un numero fisso di pezzi, la immaginano come un albero che cresce in una foresta.

La metafora del "Ramo che si divide" (Splitting)

Immaginate di iniziare con un unico piccolo seme al centro di un campo. Mentre il tempo passa (il processo di generazione), questo seme non si limita a crescere, ma si divide. Un ramo diventa due, due diventano quattro, e così via.

Cosa succede? L'IA non deve decidere subito "quanti pezzi servono". Inizia con poco e, man mano che "scorre" il tempo, decide autonomamente quando è il momento di creare un nuovo elemento (un nuovo atomo, una nuova parola, un nuovo pezzo di proteina) facendo "ramificare" il processo.

La metafora della "Foglia che cade" (Deletion)

A volte, durante la crescita, l'IA si accorge che un ramo è inutile o sbagliato. In questo caso, usa la "cancellazione": un ramo può semplicemente appassire e sparire prima di arrivare alla fine. È come se, mentre stai scrivendo una frase, ti rendessi conto che una parola è di troppo e la cancellassi istantaneamente per far scorrere meglio il discorso.

🛠️ Come funziona in pratica? (Il "Direttore d'Orchestra")

Il segreto è che l'IA non lancia rami a caso. C'è un "direttore d'orchestra" (il modello matematico) che impara a gestire tre cose contemporaneamente:

Il movimento: Come ogni singolo pezzo si sposta o cambia forma (es. la posizione di un atomo).
La divisione: Quando è il momento perfetto per far nascere un nuovo pezzo.
L'eliminazione: Quando è meglio eliminare qualcosa per non creare confusione.

🚀 A cosa serve? (Esempi reali)

Il paper dimostra che questa tecnica funziona in tre mondi diversi:

Chimica (Molecole): L'IA può progettare piccole molecole partendo da un singolo punto, creando atomi di carbonio, ossigeno o azoto e decidendo quanti ce ne vogliono per formare una medicina efficace.
Biologia (Anticorpi): Gli anticorpi sono come "serrature" biologiche che devono adattarsi a chiavi (virus) di forme diverse. L'IA può ora progettare la parte centrale dell'anticorpo (la CDR3) decidendo da sola quanto deve essere lunga per incastrarsi perfettamente nel virus.
Proteine (Architettura della vita): Può progettare strutture proteiche complesse, decidendo se una proteina deve essere una singola catena o composta da più catene separate, proprio come avviene in natura.

💡 In sintesi

Se le IA tradizionali sono come dei stampanti 3D (che stampano esattamente ciò che hai programmato con dimensioni fisse), i Branching Flows sono come delle piante che crescono: partono da un seme e, seguendo le leggi della natura, decidono da sole quanto devono diventare grandi, quanti rami devono avere e dove devono dividersi per raggiungere la forma perfetta.

Riassunto Tecnico: Branching Flows

1. Il Problema: Generazione a Lunghezza Variabile

I modelli generativi basati su Diffusion Models e Flow Matching hanno ottenuto successi straordinari in domini con dimensioni fisse (come le immagini). Tuttavia, incontrano difficoltà strutturali quando devono generare sequenze la cui lunghezza non è nota a priori, come:

Sequenze di token discreti (es. linguaggio naturale o sequenze di anticorpi).
Strutture molecolari (es. numero di atomi in una piccola molecola).
Catene proteiche (es. numero di aminoacidi).

I modelli autoregressivi (AR) gestiscono la lunghezza tramite "stop tokens", ma faticano con stati continui o su varietà (manifolds). Esistono approcci come Edit Flows (per sequenze discrete) o Transdimensional Jumps (per spazi continui), ma mancano di una soluzione unificata che possa gestire simultaneamente componenti discrete, euclidee e su varietà (es. rotazioni SO(3)), e che risolva il problema dell'"unknown-length infix sampling" (inserire un segmento di lunghezza ignota tra due regioni già note).

2. Metodologia: Branching Flows

Gli autori propongono i Branching Flows, un framework di Generator Matching in cui gli elementi dello stato evolvono attraverso una foresta di alberi binari.

Meccanismo Core:

Struttura ad Albero: Il processo parte da una distribuzione semplice ( $x_0$ ) e termina in una distribuzione di dati ( $x_1$ ). Gli elementi non si muovono solo lungo una linea temporale, ma possono "ramificarsi" (splitting) o "morire" (deletion) seguendo una struttura ad albero pre-campionata.
Splitting (Ramificazione): Un elemento può duplicarsi in-place, dando origine a due rami indipendenti. Questo permette di aumentare il numero di elementi durante il flusso.
Deletion (Eliminazione): Gli elementi possono essere rimossi stocasticamente, permettendo di ridurre il numero di elementi.
Anchors (Ancore): Per guidare il processo, viene introdotto un sistema di "ancore" lungo i rami. Le ancore fungono da target intermedi per il generatore di base, garantendo che il processo sia guidato verso la configurazione finale dei dati.
Generator Matching: Il modello impara a minimizzare una perdita basata sulla divergenza di Bregman, ottimizzando tre componenti: il generatore del processo di base (drift/diffusione), il tasso di splitting e il tasso di eliminazione.

Versatilità degli Stati: Il framework è composibile con qualsiasi processo di base, permettendo di gestire stati che sono combinazioni di:

Discreti (es. tipi di atomi o aminoacidi).
Euclidei (es. coordinate spaziali).
Manifold/Varietà (es. orientamenti rotazionali SO(3)).

3. Contributi Chiave

Unificazione: È il primo framework che integra in modo coerente la variazione di lunghezza con stati multimodali (discreti + continui + varietà).
Risoluzione dell'Infix Sampling: Introduce la capacità di progettare segmenti (es. CDR di un anticorpo) di lunghezza variabile condizionati a regioni fiancheggianti fisse.
Efficienza Computazionale: Nonostante la complessità della struttura ad albero, il campionamento e l'addestramento rimangono efficienti (scalabili linearmente con il numero di elementi).
Flessibilità di Fine-tuning: Il modello può essere applicato come estensione di modelli pre-esistenti (es. ChainStorm per le proteine).

4. Risultati Sperimentali

Il paper valida il modello su tre domini critici:

Molecole Piccole (QM9): Il modello genera con successo coordinate atomiche e tipi di atomi. Ha superato i modelli di Transdimensional Jump Diffusion nel match delle proprietà chimiche (peso molecolare, LogP, ecc.) e nella distribuzione dei tipi di atomi.
Sequenze di Anticorpi: I Branching Flows hanno dimostrato di poter apprendere la distribuzione della lunghezza delle sequenze e la frequenza degli aminoacidi in posizioni specifiche, con prestazioni comparabili a un modello "Oracle" (che conosce già la lunghezza corretta).
Strutture Proteiche (BranchChain & BranchSegment):
- BranchChain: Genera catene proteiche con lunghezze variabili e geometrie plausibili (validate tramite modelli di folding come Boltz2).
- BranchSegment: Dimostra la capacità di eseguire l'infix sampling, progettando segmenti di CDR in un complesso proteico senza causare collisioni atomiche con il partner di legame, anche quando la lunghezza del segmento non era nota.

5. Significato e Impatto

La ricerca segna un passo fondamentale verso la generazione biologica e chimica "open-ended". Mentre i modelli attuali sono spesso vincolati a dimensioni predefinite, i Branching Flows permettono di modellare la natura stessa della materia e della biologia, dove la complessità (numero di atomi o residui) è una variabile dinamica e non un parametro fisso. Questo apre la strada a strumenti di design proteico e farmaceutico molto più realistici e flessibili.