في إنجاز مثير في مجال الذكاء الاصطناعي، تم تقديم نموذج لغوي ضخم مستقل يهدف إلى تطوير نظرية المواد بشكل يعتمد على البيانات. هذا النموذج ليس مجرد أداة، بل هو وكيل قادر على اتخاذ قرارات تنقله عبر مراحل متعددية، ليختار الشكل الرياضي المناسب، وينتج ويشغل برمجه الخاصة، بل ويختبر تطابق النظرية مع البيانات المتاحة دون الحاجة لتدخل بشري.

يجمع هذا الإطار بين التفكير خطوة بخطوة ومجموعة من الأدوات المتخصصة من خبراء، مما يمكّن الوكيل من ضبط منهجه وفقًا للاحتياجات، مع الحفاظ على سجل واضح لقراراته. ولقد أظهرت النتائج أن الوكيل ينجح بشكل كبير في تحديد المعادلات الحاكمة لعلاقات المواد المعروفة، مثل معادلة هول-بيتش (Hall-Petch equation) وقانون باريس (Paris law)، ويحقق توقعات موثوقة بشأن مجموعة بيانات جديدة.

أما بالنسبة للعلاقات الأكثر تخصصاً، مثل معادلة كوهين (Kuhn's equation) لثغرات HOMO-LUMO في الجزيئات المترافقة كدالة للطول، فإن الأداء يعتمد بشكل أكبر على نموذجه الأساسي. وقد أظهر نموذج GPT-5 قدرة أفضل على استعادة المعادلة الصحيحة.

لكن النتائج لم تكن خالية من التحديات، إذ تُظهر أهمية التحقق الجيد، لأنه قد يعود الوكيل أحيانًا بمعادلات غير صحيحة أو غير مكتملة، حتى عند ظهور توافق عددي قوي. هذه النتائج تبرز كيف أن هناك إمكانيات كبيرة لنماذج اللغات الضخمة المستقلة في دعم النمذجة العلمية والاكتشاف، لكنها في نفس الوقت تطرح تحديات تحتاج إلى اهتمام خاص.