تتجه أنظار الباحثين في مجال تصميم المواد نحو ثورة جديدة في استخدام الذكاء الاصطناعي التوليدي (Generative AI)، والذي يتيح إمكانية استكشاف مجالات كيميائية هائلة بطرق لم يكن من الممكن تصورها في السابق. بينما أدت هذه التقنية إلى إنشاء تركيبات جديدة، إلا أنه لوحظ أن نسبة كبيرة من هذه التركيبات تفتقر إلى الموثوقية، حيث تنتهك مبادئ كيميائية معروفة، مما يحد من إمكانية الاعتماد على نتائج تصميم المواد.

في هذا السياق، تم تقديم مشغل كيميائي (Chemical Validity Operator) يعدُّ ابتكارًا حقيقيًا، حيث يُعيد صياغة القواعد الكيميائية التقليدية في شكل خوارزميات قابلة للتكوين، تساعد في تقييم وإرشاد اكتشاف المواد الجديدة. يعتمد هذا الأسلوب على حزمة SMACT مفتوحة المصدر، والتي تسمح للمستخدمين بالتنقل بين قيود كيميائية مرنة وأخرى صارمة، مما يدعم اتخاذ قرارات تصميم موجهة بشكل استكشافي أو محافِظ.

عند إجراء اختبارات على ستة نماذج توليدية متقدمة للبلورات غير العضوية، أظهرت النتائج أن معظمها يستطيع إعادة إنتاج النسبة الكيميائية الصحيحة ولكنه يفتقر إلى تمثيل مجموعة الأكسدة بشكل واقعي. ومع تطور الفلاتر الكيميائية، يمكن تجاهل التركيبات التي تعتمد على حالات أكسدة نادرة، مع الحفاظ على المركبات ذات الطاقة المنخفضة القريبة من سطح الشكل المحدب.

إضافة إلى ما سبق، يمكن للمشغل نفسه أن يعمل كمكافأة في تعلم التعزيز، حيث يساعد نموذج الانتشار الكامن (Latent Diffusion Model) في توجيه عملية الانتاج نحو التركيبات المستندة إلى قواعد كيميائية، مما يعزز مصداقية النتائج ويؤسس لأسس نماذج توليدية تدرك حالات الأكسدة.

باختصار، يعد هذا البحث خطوة محورية نحو تصنيع مواد جديدة بصورة فعّالة وبموثوقية أعلى.