في عالم الذكاء الاصطناعي، يعد التنبؤ بخصائص الجزيئات من أكثر التحديات تعقيداً، حيث يتطلب توازناً دقيقاً بين الموثوقية الإحصائية والمنطق الكيميائي. ولعل أبرز الابتكارات الحالية هو نظام CoMPASS (نموذج التعاون في خواص الجزيئات) الذي يعكس تطوراً ملحوظاً في هذا المجال.

تقوم فكرة CoMPASS على استغلال "شبكات الجراف العصبية" (Graph Neural Networks) التي تمثل العمود الفقري للنموذج. حيث يمكن لهذه الشبكات أن تتوافق مباشرة مع البيانات المعنونة، لكنها تعاني من محدودية التغطية التي توفرها بيانات التدريب. ومن جهة أخرى، تتفوق نماذج اللغة الكبيرة (Large Language Models) في مقارنة الأدلة الجزيئية وتحليلها، لكنها تفتقر للموثوقية عندما يكون استخدامها بشكل منفصل.

التحدي الرئيسي هنا هو تحديد متى يجب أن تؤثر النموذج الكبير على النموذج المصحح ومقدار تلك التأثيرات. يضع CoMPASS حلاً مبتكراً حيث يحتفظ بشبكة جراف انتباه (Graph Attention Network) كنقطة ارتكاز في عمليات التنبؤ. من خلال استرجاع جزيئات تدريب محلية ذات صلة، يقوم النظام بتزويد نموذج اللغة الكبير بأدلة مدعومة بمنطق.

تَظهر النتائج الأولية في ستة معايير تصنيفية واثنين من اختبار الانحدار، حيث يقوم CoMPASS بتحسين صورة التأثير في مناطق الشك القابلة للتصحيح، ويحد من تدخل النموذج الكبير في المناطق ذات الثقة العالية.

ولعله من المثير أن الأبحاث تشير إلى أن المكاسب ليست نتيجة مباشرة للتوجيه فقط، بل تعود أيضاً إلى الاسترجاع القائم على التحقق والاندماج المحدود. هذه النتائج توحي بأن التفكير التوليدي يجب أن يدعم التنبؤات المصححة من خلال تصحيحات خاضعة للرقابة بدلًا من استبدال المخرجات المباشرة.

إذا كنت مهتماً بالتعرف على الشيفرة المصدرية للنموذج، يمكنك الوصول إليها عبر GitHub. ما رأيكم في هذا التحول الملحوظ في مجال الكيمياء الذكية؟ شاركونا آرائكم في التعليقات.