تعتبر قدرة التنبؤ بدقة للطاقة والقوى في الأنظمة الجزيئية ثلاثية الأبعاد (3D) من أبرز التحديات في مجال الذكاء الاصطناعي للعلوم. رغم جودتنا في استثمار الشبكات العصبية القوية لتحسين هذه التنبؤات بناءً على تكوينات ذرية فردية، إلا أن هناك جانبًا مهمًا في عملية توليد البيانات غالبًا ما يتم تجاهله: محاكاة الديناميكا الجزيئية (Molecular Dynamics - MD).

تقوم محاكاة الديناميكا الجزيئية بإنشاء مسارات مرتبة زمنيًا لمواقع الذرات، مما يؤدي إلى تقلبات في الطاقة واستكشاف مناطق متعددة على سطح الطاقة المحتملة. في هذا السياق، استعرضت دراسة جديدة طريقة مبتكرة للاستفادة من بيانات الديناميكا الجزيئية المتاحة لتحسين أداء هذه النماذج من خلال مقاربة جديدة تسمى FRAMES.

تستخدم FRAMES دالة فقد اقترانية تعزز العلاقات الزمنية داخل المسارات الناتجة عن محاكاة الديناميكا الجزيئية. ومن اللافت للانتباه، أن الدراسة توضح أن المعلومات الزمنية البسيطة، التي يتمثل صَدَراها في إطارين متتاليين، قد تكون كافية لتحقيق أفضل أداء. بل، تشير النتائج إلى أن إضافة تسلسلات زمنية أطول قد تؤدي إلى زيادة الزخم البيِّن والتأثير السلبي على الأداء.

تجاوزت FRAMES، كأداة تدريب، معايير نموذج Equiformer بشكل ملحوظ، إذ حققت نتائج تنافسية عالية في دقة التنبؤ بكل من الطاقة والقوة، مستندة إلى تقييم واسع باستخدام معايير MD17 وISO17.

تقدم هذه الدراسة ليس فقط استراتيجية تدريب جديدة تعزز دقة النماذج، ولكنها أيضًا تُظهر أننا لا نحتاج دائمًا إلى المزيد من البيانات الزمنية لاستنتاج الخواص الفيزيائية للأنظمة الذرية.

هذا الابتكار يفتح أمامنا آفاقًا متعددة لتطوير أدوات الذكاء الاصطناعي والتحسين المستمر في كيفية معالجة المعلومات الجزيئية.