离散状态空间上的生成流：实现多模态流及其在蛋白质协同设计中的应用

基于摘要分析。本文研究如何在流式生成模型中联合处理离散与连续数据，提出 Discrete Flow Models（DFMs），并构建多模态流式建模框架，用于联合生成蛋白质结构与序列。主要研究对象是混合数据类型的生成建模及蛋白质协同设计，而非 EEG 或 BCI。 核心机制是利用 Continuous Time Markov Chains（连续时间马尔可夫链）实现连续空间 flow matching 在离散状态空间中的对应形式。作者指出，该推导将离散扩散模型包含为特例，从而为离散生成与连续生成的组合提供统一建模路径。摘要未给出具体训练目标、转移率参数化、采样算法或连续与离散部分的耦合细节，这些内容尚未验证。 在蛋白质协同设计任务中，连续结构与离散序列构成联合生成对象。作者报告，其方法优于已有基于扩散的方法，并达到当时最先进的协同设计表现；作者还报告，同一个多模态模型可以灵活用于序列或结构生成。摘要未提供数据集、划分、评价指标、对照配置及数值，因此无法核对优势幅度或不同生成设置下的表现。 阅读全文时应重点核对混合状态空间的建模假设、条件生成方式、采样成本，以及协同设计评价协议、消融及统计信息。现有材料没有建立该机制与 EEG/BCI 任务之间的具体对应关系，不据此推断神经信号生成或解码收益。