في عالم اكتشاف المواد، يعد التعلم من بيانات ضئيلة ومن بلورات غير مصنفة تحدياً جذرياً. ولكن الآن، بصدد الخروج من نطاق التقليدي، يظهر لنا ابتكار جديد في هذا المجال. يسرنا تقديم SemiMat، وهو معيار مُتحكم به لاختبار مواد الخصائص في سياق شبه مُراقب، إلى جانب MatRank، الذي يقدم هدف موثوق مبني على وزن الثقة في تقديرات الملصقات.

يأتي SemiMat ليحل العديد من التحديات من خلال تثبيت المدخلات من البلورات المصنفة وغير المصنفة، وإنشاء واجهات قائمة على الرسوم البيانية، واختيار نقاط التفتيش للتحقق فقط، والقيام بتقارير فحص مُحتفظ بها، بالإضافة إلى استخدام متوسط خطأ مطلق مُعادِل (NMAE) وملخصات ترتيب الأساليب عبر ست مهام ذات علامات نادرة وأربعة بنى رسومية.

أما MatRank، الذي يمثل نقلة نوعية، فيعمل على بناء أهداف مُزيفة من نقاط ربط مصنفة، ثم يزنها بناءً على موثوقيتها المحلية وتوافق التنبؤات الضعيفة. يقوم بتدريب وجهات نظر رسومية ضعيفة وقوية بشكل متناسق ويضيف إشارات تصنيف بحيث تؤثر البلورات غير المصفاة على القيم وترتيب المرشحين.

وعبر 24 كومة من المهام، أثبت هدف MatRank الثابت قدرته على تقليل متوسط خطأ الاختبار NMAE المحفوظ إلى 0.896، مما يجعله الأفضل في الترتيب العام بمتوسط ترتيب 2.208.

من الواضح أن هذه الأدوات تمثل تقدماً هائلاً في فهمنا لخصائص المواد وكيفية استغلال البيانات القليلة بكفاءة عالية. يمكن للمهتمين بمعرفة المزيد زيارة الكود المتاح على الرابط.

ما رأيكم في هذه الابتكارات؟ شاركونا آراءكم في التعليقات!