في عالم تصميم المواد، تُعتبر عملية اكتشاف المواد مغلقةً بين اقتراح هياكل جديدة وتقييم خصائصها، حيث تهيمن تكلفة تقييم الخصائص على العملية بالكامل. ومع ذلك، قدم الباحثون خطوة جديدة من خلال اعتماد سلوك مولدات تم تدريبها مسبقًا، مثل MatterGen وCrystalFlow وADiT، لتقديم اقتراحات لهياكل جديدة، وتقييمها باستخدام عمليتي تعلم الآلة.

تقوم الفكرة الجديدة بإدخال بوابة الفرضية البايزية (Gaussian process acquisition gate) بين عملية توليد الهياكل والتقييم بواسطة ما يُعرف بــ"الاوراكل"، ضمن دورة عمل موجهة بتعلم التعزيز (RL). مجموعة من التجارب أظهرت أن هذه البوابة تستطيع أن تحقق نتائج تعادل أو تفوق نتائج تفريع النموذج الجيل، بينما تقلل من الإنفاق على تقييم الأوراكل، مما يجعل العملية أكثر كفاءة.

عبر اختبار دقيق للخصائص مثل سعة الحرارة عند درجة حرارة الغرفة ومدى الصلابة، أثبتت هذه المنهجية دقة نتائجها حيث كان الفارق بنسبة 2.5% فقط بين تقييماتها ونتائج دالة الطاقة الكثيفة (Density Functional Theory).

البحث أظهر أيضًا أن اختيار النماذج بناءً على الأداء يمكن أن يزيد من فعالية التكلفة للتصميم. على سبيل المثال، تم التصديق على أن أداء نموذج ORB المدرب مسبقًا مع استخدام بوابة الفرضية قد أدى إلى نتائج موثوقة في تقييم الخصائص الميكانيكية والكهربائية والاهتزازية.

الأهم من ذلك، تم إصدار الخطوات الكاملة لهذه المنهجية كبرنامج مفتوح المصدر، مما يتيح للباحثين والمهتمين بالعلوم التفاعل مع هذه التقنيات المبتكرة وتطبيقها في مشاريعهم.