توقع خصائص المواد لا يزال يعتبر تحديًا كبيرًا، خاصةً في البيئات التي تتسم بنقص البيانات، حيث تدعم العديد من الخصائص المستهدفة عددًا محدودًا فقط من العينات المعنونة. تقليديًا، تعمد النماذج التي تتمتع بأعلى دقة تنبؤية على الهياكل البلورية، مما يقيّد استخدامها في مراحل الفحص المبكر عندما تكون المعلومات الهيكلية محدودة أو غير متاحة.

ولكن ما الحل؟ هنا يأتي دور نموذج DISTAL، وهو إطار عمل ثنائي الأولويات يمثل ثورة في توقع خصائص المواد بشكل مستقل عن الهيكل. يجمع هذا النموذج المبتكر بين التدريب الذاتي على التركيب وتقطير المعرفة المعتمدة على الهيكل.

يبدأ نموذج DISTAL بتعلم تمثيلات تركيبية قابلة للنقل من مساحة تركيب افتراضية كبيرة باستخدام 145 موصِفًا مشتقًا من التركيب. بعد ذلك، يتم تلقيح المعرفة الهيكلية من معلم مُدرَّب مسبقًا يُعرف باسم ALIGNN إلى نموذج تلميذ يعتمده التركيب. تُتيح هذه الإعدادات استخدام الأولويات الهيكلية أثناء التدريب دون الحاجة للإدخالات الهيكلية أثناء الاستدلال.

من خلال دمج موصِفات تركيبية واضحة، وميزات كامنة مُدربة مسبقًا، وميزات هيكلية مُقطَّرة ضمن أنبوب تنبؤ موحد، يستطيع DISTAL التقاط إشارات مكمّلة يصعب استعادتها من أي تمثيل واحد بمفرده. في 39 مهمة مرجعية، كانت أفضل تكوينات النماذج تؤدي إلى تحسين الأداء المرجعي في 37 منها. يظهر DISTAL أداءً قويًا بالمقارنة مع جميع التركيبات المدروسة.

تشير هذه النتائج إلى أن التدريب على التركيب وتقطير المعرفة الهيكلية يوفران أولويات مكملة ويقدمون مسارًا عمليًا للتنبؤ القوي القائم على التركيب فقط في المعلوماتية المواد منخفضة البيانات.

لتحميل الشيفرة المصدرية والنماذج المُدربة مسبقًا، يمكنكم زيارة الرابط [https://osf.io/eq96d/overview?view_only=451617f42f7849e08750bd1852b48980]. ما رأيكم في هذه التطورات الرائعة في مجال علم المواد؟ شاركونا في التعليقات.