في عالم يتسم بالحاجة الملحة لاكتشاف مواد جديدة ذات خصائص مرغوبة، يتطلب البحث التعامل مع مساحات كبيرة من المرشحين، مما يرفع من تكاليف التقييم التجريبي أو الحاسوبي. هنا يأتي دور التعلم النشط، الذي يهدف إلى مواجهة هذا التحدي من خلال استخدام الملاحظات السابقة لاختيار المرشحين الذين سيتم تقييمهم لاحقاً.

تتجه الأنظار الآن إلى نماذج اللغة الضخمة (LLMs) كأداة محتملة تلعب دوراً مهماً في هذا المجال. فقد بدأت دراسة جديدة بتحليل فعالية خمسة من هذه النماذج عبر أربعة مهام تحسين للمواد محدودة الموارد، متبّعة استراتيجيات عرض مختلفة للمرشحين.

تشير النتائج إلى أن السياسات المرتبطة بنماذج اللغة الضخمة تصل إلى الأمثل العالمي في عدد أقل من التكرارات مقارنة بالاختيار العشوائي، مما يعني أنها توفر إشارة اكتساب مفيدة دون الحاجة إلى تدريب محدد للمهام.

بينما كان الأداء مقارنةً بالطُرق التقليدية المستندة إلى العمليات الغاوسية مختلطاً: فقد أظهرت السياسات التقليدية أداءً أفضل في معظم المهام، إلا أن LLMs قد تمكّنت من مضاهاة أدائها أو حتى التفوق عليها في بعض السياقات.

تجدر الإشارة إلى أن الأداء يختلف اختلافًا كبيرًا بين المهام والنماذج والتهيئات وعروض المرشحين، حيث لم يظهر أي من نماذج اللغة الضخمة أداءً أفضل في جميع المهام.

بشكل عام، تظهر نماذج اللغة الضخمة المفتوحة الوزن إمكانيات كبيرة كسياسات اكتساب في البحث عن المواد المحدودة الموارد، ولكن موثوقيتها تبقى حساسة للسياق العلمي والطريقة التي يتم بها تقديم المرشحين.