في دراسة حديثة تناولت تحسين معلمات الخوارزميات الجينية (Genetic Algorithm)، تم تطوير إطار عمل متعدد الدقة يهدف إلى تحقيق نتائج مبهره. يعتمد هذا الإطار على دمج ثلاث مستويات من الدقة:

1. **الدقة العالية**: يستخدم التحويل السريع فورييه (Fast Fourier Transform - FFT) للتحقق من صحة النتائج.
2. **الدقة المتوسطة**: يتم الاعتماد على شبكة عصبية تلافيفية ثلاثية الأبعاد (3D Convolutional Neural Network) كوسيلة سريعة لتقييم الخصائص.
3. **الدقة المنخفضة**: يعتمد على عملية غاوسي (Gaussian Process - GP) ضمن إطار تحسين بايزي (Bayesian Optimization - BO) لتوجيه عملية البحث عن المعلمات.

وتم تقييم وظائف الاستحواذ المختلفة، حيث أثبتت وظيفة logNEI أنها الأكثر فعالية، إذ تأخذ بعين الاعتبار الضجيج المرتبط بتقييمات الخوارزمية الجينية.

تتيح الإعدادات المحسّنة للمعلمات إجراء أفضل للعمليات، حيث تسجل الدراسة إمكانية الحصول على قيم معامل المرونة الميكانيكية في 25 جيل مقارنةً بـ75 جيل في عمليات تحسين كاملة.

كما أن إدخال هدف Penalized BO يقلل بشكل كبير من عدد الأنظمة المطلوبة مع الحد الأدنى من الانخفاض في الأداء الميكانيكي، مما يكشف عن تبادل عملي بين الأداء وعدد الهياكل المراد تقييمها.

تؤكد التحليلات التي تم إجراؤها باستخدام FFT العالية الدقة على فعالية الاستراتيجية المدفوعة بالتقنيات المساعدة. وتعزز النتائج المحسّنة إمكانية وصول خوارزميات الذكاء الاصطناعي إلى تكاليف حسابية إجمالية أقل بنسبة 24%، مما يعني انخفاض الوقت اللازم من 225 ساعة إلى 171 ساعة دون التأثير السلبي على الأداء.

بالتالي، تظهر هذه النتائج حجم الإمكانيات الهائلة لإطارات العمل متعددة الدقة في تحسين خوارزميات الجينات والتطبيقات المستقبلية في تصميم اللاتيس (Lattice) التجريبي.