في عالم الذكاء الاصطناعي وتعلم الآلة، تعد مشكلة توافق التدفق (flow matching) مهمة للغاية، إذ تتعلق بربط الضجيج بالنقاط البيانية. ومع ذلك، فقد تم تجاهل الإمكانيات العميقة لهذا الربط. في دراسة جديدة، يطرح الباحثون مفهوم "نقل المكافآت" (Reward Transport) كمفهوم ثوري يمكن أن يحدث تغييرًا جذريًا في طريقة تعلم الخوارزميات.

المشكلة الأساسية التي تناولتها هذه الدراسة هي كيفية استخدام الزوجية في توافق التدفق ليس فقط كخيار حسابي، بل كواجهة للتنسيق (alignment interface). من خلال مطابقة الضوضاء والبيانات وفقًا لخصائص جزيئية مستهدفة، يتيح هذا الأسلوب إدراج بنية قابلة للتحكم مباشرة في حقل التدفق المتعلم.

يستخدم نموذج نقل المكافآت طريقة النقل المثلى (optimal transport) عند مرحلة التدريب، ليتماشى مع إحداثيات الضوضاء وفقًا لمكافآت جزيئية معينة. أثناء مرحلة الاستدلال، يتيح تعديل هذه الإحداثيات تشكيل توزيع النتائج الناتجة دون الحاجة إلى نماذج توجيه مكافآت معقدة أو إرشادات تدرجية.

توفر الدراسة تجارب مثيرة تم إجراؤها على مجموعتي بيانات ZINC-250K و GuacaMol، حيث تمكن العارضون من التحكم في خصائص مثل logP وQED. تقدم هذه النتائج دليلًا قويًا على عدم وجود تحيز في الحجم، حيث تؤدي نفس المعلمات إلى استجابات هيكلية معاكسة للخصائص المستهدفة - مما يؤدي إلى نمو الجزيئات ل logP وتقليصها لـ QED.

هذا الابتكار يمثل خطوة كبيرة نحو استخدام تقنيات بدون تصنيف، ويعزز من فعالية توافق التدفق الشرطي. مما لا شك فيه، أن نقل المكافآت سيؤسس لطريقة جديدة في فهم وتطوير الخوارزميات في مجال الكيمياء الحاسوبية وعلوم المواد.