Zatom‑1: базовая ИИ‑модель, которая одновременно генерирует и предсказывает свойства 3D‑молекул и материалов — VogueTech

Что появилось / что изменилось

Исследователи представили Zatom‑1 — базовую модель для 3D‑химии, которая работает сразу с двумя задачами:

генерирует новые молекулы и кристаллические материалы в 3D;
предсказывает их свойства, энергии и силы на атомах.

Главное отличие от большинства существующих подходов:

Zatom‑1 обучают одновременно на двух доменах — молекулах и материалах, а не на чём‑то одном;
она решает и генеративные, и предсказательные задачи, а не только «рисует» структуры или только считает свойства.

Zatom‑1 — это Transformer, который учится сразу на двух типах данных:

дискретные типы атомов (C, O, Si, металлы и так далее);
непрерывные 3D‑координаты этих атомов.

Модель тренируют с помощью цели под названием multimodal flow matching. За счёт этого:

качество масштабируется предсказуемо: чем больше модель, тем лучше результаты на задачах генерации и предсказания;
выборка новых структур идёт быстро и стабильно.

На бенчмарках Zatom‑1:

достигает или превосходит специализированные модели как в генерации, так и в предсказании свойств;
сокращает время генеративного вывода более чем на порядок по сравнению с существующими решениями.

Ещё один важный результат: если во время предобучения модель видит и материалы, и молекулы, то потом она лучше предсказывает молекулярные свойства. То есть материалы помогают «прокачать» предсказания для органики.

Как это работает

Под капотом у Zatom‑1 — Transformer, который одновременно моделирует два пространства:

дискретное пространство типов атомов;
непрерывное пространство 3D‑геометрии.

Для обучения используют multimodal flow matching. Идея в том, чтобы научить модель плавно «перетекать» от простого распределения к сложному, которое описывает реальные молекулы и материалы.

Что здесь важно технически:

один и тот же Transformer обрабатывает и химический состав, и координаты атомов;
модель учится по единой цели, где генерация и предсказание связаны между собой;
генеративное предобучение используют как универсальную инициализацию для дальнейшего обучения на задачах предсказания свойств, энергий и сил.

За счёт такой схемы Zatom‑1 можно дообучать под конкретные задачи:

многоцелевой регрессии свойств (band gap, растворимость, токсичность и так далее);
предсказания энергий конфигураций;
расчёта сил на атомах для динамики.

Что это значит для вас

Если вы работаете с химией или материалами, Zatom‑1 даёт несколько практических сценариев.

Где модель полезна:

Поиск новых молекул и материалов. Быстрая генерация 3D‑кандидатов с заданным составом или свойствами. Это ускоряет ранний этап скрининга.
Предсказание свойств. Многоцелевые модели на базе Zatom‑1 могут сразу выдавать набор характеристик для молекул и кристаллов. Подходит для задач в фармацевтике, каталитике, материаловедении.
Ускорение расчётов. Предсказания энергий и сил могут частично заменить дорогие DFT‑расчёты на этапе предварительного отбора структур.
Кросс‑доменные проекты. Если вы одновременно занимаетесь органикой и неорганическими материалами, одна и та же модель способна обслуживать оба стека задач.

Где лучше не рассчитывать только на Zatom‑1:

Регуляторно критичные решения. Для финальных выводов в медицине, токсикологии, безопасности нужна валидация квантовой химией и экспериментом.
Узкие ниши с редкими элементами или экзотическими условиями. Если таких данных мало в предобучении, качество предсказаний может просесть.
Простые QSAR‑модели. Для задач, где не нужна 3D‑геометрия, иногда дешевле и быстрее использовать классические 2D‑подходы.

Сам по себе arXiv — это только статья. Готового облачного сервиса «в один клик» авторы не дают. Чтобы реально использовать Zatom‑1, вам понадобится команда, которая умеет работать с PyTorch/JAX, HPC и химическими датасетами. Ограничений по странам у препринта нет, VPN не нужен, но готовых коммерческих API на момент публикации статьи авторы не заявляют.

Место на рынке

Zatom‑1 конкурирует не с GPT‑5 или Claude 4, а с узкоспециализированными моделями для 3D‑химии:

генеративные модели для молекул (diffusion‑подходы, flow‑модели);
графовые нейросети для предсказания свойств и сил (типа SchNet, DimeNet и их наследников);
отдельные модели для кристаллических материалов.

По данным авторов, Zatom‑1:

по качеству генерации и предсказаний как минимум не уступает специализированным моделям, а часто их превосходит на стандартных бенчмарках;
выигрывает по скорости генерации более чем в 10 раз по сравнению с существующими генеративными подходами.

Чего не хватает для полноценного сравнения:

авторы не приводят прямых цифр по размеру модели, объёму датасета и стоимости обучения;
нет head‑to‑head сравнения по цене вывода с конкретными промышленными системами.

Если вы уже используете отдельные модели для молекул и материалов, Zatom‑1 интересен как единый базовый слой, который можно дообучать под свои датасеты. Если вы только начинаете автоматизировать R&D, стоит смотреть, появится ли на базе Zatom‑1 коммерческий сервис или открытая реализация — без этого входной порог останется высоким.