شهد مجال تصميم المواد العكسية (Inverse Design) تقدمًا ملحوظًا في تحسين الصياغة المستهدفة، إلا أن المراجع الحالية لتقييم ذكاء الآلات المتعلقة بالمواد تقتصر على التنبؤ بالخصائص الأمامية (Forward Property Prediction)، مما يضعف تقييم خوارزميات تحسين الصياغة العكسية. هنا يأتي دور MatFormBench، الإطار الجديد الذي تم تطويره لتوفير تقويم شامل وتوجيه استراتيجيات توليد المواد المستهدفة.

يتضمن MatFormBench نظامًا لتوليد الصياغات مبنيًا على الفيزياء يتيح توليد عينات اصطناعية تعكس بدقة العلاقات بين البنية والخصائص الحقيقية للمواد. تم تصميم هذا الإطار لتنويع مستوى الصعوبة عبر خمس مراحل متزايدة، مما يقيّم تعقيد تلك العلاقات بشكل فعّال.

ولضمان تقييم أداء الخوارزميات بشكل دقيق، تم تقديم MatFormScore، وهو مقياس متعدد الأبعاد يقيس الأداء عبر خمسة محاور رئيسية: النجاح المستهدف، كفاءة البحث، القدرة الإستكشافية، المتانة، والاستقرار. من خلال تقييم 39 خوارزمية تصميم عكسي مختلفة، بما في ذلك أنماط بحث تقليدية وبعض النماذج الجذرية العميقة، تم تحقيق نتائج مثيرة. أظهرت النماذج المستندة إلى الانتشار (Diffusion-based Models) الأداء الأقوى بشكل عام، بينما أظهرت الأنظمة المستندة إلى المحولات (Variational Autoencoder) والخوارزميات الجينية (Genetic Algorithms) مزايا خاصة في سيناريوهات معينة.

بتقديم معيار موحد لتقييم صياغة المواد المستهدفة، يُمكن لمتخصصي التصميم العكسي استخدام MatFormBench كأداة أساسية لتعزيز ابتكاراتهم وتحسين استراتيجياتهم. سيعيد هذا الإطار تعريف كيفية تقييم المواد المستهدفة، مما يمهد الطريق أمام فهم أعمق واستراتيجيات أكثر ذكاءً في هذا المجال المتطور.