في عالم الأبحاث العلمية، تعتبر التجارب المكلفة والموارد المحدودة من أكبر التحديات التي تواجه العلماء. لذلك، تكتسب تحسين بايزي (Bayesian Optimization) أهمية متزايدة كأداة لتحقيق توازن بين الاستكشاف والانتهاك. لكن على الرغم من اعتمادها بشكل واسع، تعاني هذه الطريقة من مشاكل في الأداء، خاصة في مراحل البدء الباردة وفي السياقات عالية الأبعاد.

لتجاوز هذه العقبات، تم تقديم إطار عمل جديد يسمى تحسين بايزي المدعوم بنماذج اللغات الضخمة (LLM-Guided Bayesian Optimization) (LGBO)، والذي يمثل أول توجيه تفضيلات يستخدم نماذج اللغات الضخمة في عملية التحسين.

ويتميز هذا الإطار بدمج reasoning الدلالي من نماذج اللغات الضخمة إلى كل حلقة من عملية التحسين، حيث يتم إدخال تفضيلات تدفعها LLMs في كل تكرار. وهذا يضمن تغيير المتوسط البديل بطريقة ثابتة وقابلة للتحكم، مما يمنح البحث العلمي دفعة نحو الأمام.

أثبتت التجارب أن LGBO يتفوق على طرق تحسين بايزي التقليدية، حيث يستغرق الأمر 6 دورات فقط لبلوغ {90%} من القيمة المثلى في تجارب المختبرات الرطبة بالتعاون مع موصلات إلكتروليت للبطاريات من نوع Fe-Cr، بينما تحتاج الطرق التقليدية لأكثر من 10 دورات.

تعد هذه النتائج خطوة واعدة نحو دمج نماذج اللغات الضخمة في سير العمل لتحسين الأعمال العلمية، مما يفتح آفاقاً جديدة في مجالات الفيزياء والكيمياء والبيولوجيا وعلوم المواد.