概要: フローマッチング（flow-matching）生成モデルは、生物学的摂動に対する細胞応答をシミュレートするために、ますます広く用いられるようになっています。しかし、そうしたモデルを構築するための設計空間は広大であり、十分に探究されていません。私たちは、細胞-顕微鏡画像向けのフローマッチングモデルの設計空間を体系的に解析し、多くの一般的な手法が不要であるばかりか、性能を損なうことさえあることを見いだします。私たちは基盤モデルを訓練するために用いる、単純で安定かつスケーラブルなレシピを開発します。このレシピにより、先行手法よりも2桁大きい規模へモデルをスケールし、先行手法に対してFIDを2倍、KIDを10倍改善します。さらに、事前学習済みの分子埋め込み（molecular embeddings）を用いてモデルをファインチューニングし、未知の分子に対する応答をシミュレートするという点で、最先端の性能を達成します。
コードは https://github.com/valence-labs/microscopy-flow-matching で利用可能です
細胞顕微鏡におけるフローマッチングの設計空間を解明する
arXiv cs.CV / 2026/3/31
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、細胞顕微鏡画像のシミュレーションに特化したフローマッチング生成モデルについて、これまで十分に検討されていなかった設計空間を調査し、地図化する。
- フローマッチングで一般的に用いられているいくつかの手法は不要であり、性能を低下させ得ることを見出し、モデル構築において何を省くべきか、何を変更すべきかについて指針を提示する。
- 著者らは「シンプルで安定、かつスケーラブル」な学習レシピを提案し、それを用いて細胞応答シミュレーションのための基盤モデルを学習する。
- 先行研究よりも約2桁大きい規模へと拡張することで、画像品質指標が大幅に改善される（FIDが2倍、KIDが10倍の改善）。
- 事前学習済みの分子埋め込みで微調整することで、これまで見たことのない分子に対する応答をシミュレーションする領域で、最先端の性能を達成する。
