Naukowcy zaproponowali Spectral Feedback - nowy algorytm do dostrajania modeli dyfuzyjnych białek, który pozwala im na iteracyjne korygowanie własnych generacji poprzez wielokrotne przeanalizowanie i przesamplowanie wybranych pozycji tokenów.
Dotychczasowe metody alignment dla modelów dyfuzji dyskretnych skupiały się głównie na kierowaniu procesem wstecznym poprzez wpływanie na logity tokenów lub selekcję korzystnych sekwencji w poszczególnych krokach. Problem stanowił jednak brak mechanizmów do powrotu do już dokonanych, niekorzystnych wyborów tokenów. Spectral Feedback zmienia to podejście, traktując problem alignment nie jako "jakie etykiety tokenów przypisać", lecz jako "które tokeny ponownie przeanalizować". Algorytm działa poprzez wybór pozycji do edycji w pętli sprzężenia zwrotnego, re-maskowanie i przesamplowanie tokenów - podobnie jak techniki edycji obrazów w modelach generatywnych.
Kluczowym wyzwaniem jest fakt, że efekty edycji poszczególnych tokenów są współzależne - zmiana jednego tokenu wpływa na wartość innych zmiennych jednocześnie. Naukowcy rozwiązali ten problem, odkrywając że funkcje wartości dla wyboru pozycji edycji w inverse folding białek dopuszczają rzadkie reprezentacje Fouriera. Ta struktura matematyczna umożliwia algorytmowi efektywne uczenie się i optymalizację, co stanowi przełom w dostrajaniu dyskretnych modeli dyfuzyjnych dla biologii molekularnej.