في عالم تطوير المواد، يتمثل التحدي الأكبر في توقع خواص المواد الجديدة بناءً على تركيبها الكيميائي وهياكلها. هنا يأتي دور معايير التقييم التي تم تقديمها على يد MatBench، الأداة المعترف بها على نطاق واسع لتقييم نماذج التوقعات. ولكن، على الرغم من فعاليتها في تقييم نماذج التوقعات على البيانات الموزعة، إلا أن MatBench لا تعكس الأداء على بيانات المواد الجديدة، مما يعيق اكتشاف مواد مبتكرة.

وفي خطوة مبتكرة، تم دمج أنظمة MatBench مع الأبحاث الحالية حول تقييم الأداء على البيانات غير الموزعة، مما يُتيح مجموعة واسعة من تكوينات التقييم التي تعكس بوضوح قدرات ونقاط ضعف نماذج الذكاء الاصطناعي. وأظهرت الأبحاث أن الفروق في الأداء عند تكوينات مختلفة كبيرة جداً، مما يجعل من الضروري مراعاة التأثيرات السببية لهذه التكوينات.

ومع ذلك، في حالة عدم إمكانية إجراء تقييم شامل لكل تكوين، يتم تقديم AutoMatBench، الأداة التلقائية المدعومة بالاستخدام الذكي للتقنيات البايزية. تشير التجارب مع AutoMatBench إلى أنه ومع اثني عشر خطوة من التحسين، يمكن الوصول إلى نتائج مشابهة لما هو متاح في MatBench مع توفير أكثر من نصف التكاليف. بالإضافة إلى ذلك، تساعد هذه الأداة في تقديم نتائج أساسية تسهم بشكل إيجابي في كفاءة تكاليف اكتشاف المواد الجديدة.

إذا كنت متحمسًا لتطورات الذكاء الاصطناعي في مجال تطوير المواد، فإن AutoMatBench تمثل خطوة كبيرة إلى الأمام. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!