في عالم الذكاء الاصطناعي، تمثل النمذجة الإنتاجية حجر الزاوية لفهم وتطوير الأنظمة الفيزيائية، مثل الجزيئات. تعتمد هذه النماذج على تعلم التوزيعات التي تتسم بالثبات تحت التناظرات العالمية، مثل التغيرات الدائرية في الفضاء ثلاثي الأبعاد. لقد أثبتت نماذج الانتشار المتناسق (Equivariant diffusion) ونماذج مطابقة التدفق (Flow matching models) قدرتها على دمج هذه الثبات بفعالية، حتى عند تدريبها على توزيعات غير متجانسة. ولكن، تتطلب هذه النماذج عادةً خطوات عينة متعددة مكلفة.

في هذا السياق، تظهر نماذج الانجراف (Drifting models) كبديل فعال، حيث تتاح إمكانية التوليد في خطوة واحدة، مما يحقق أداءً رائدًا في مهام النمذجة الإنتاجية. ومع ذلك، فإن نماذج الانجراف تواجه تحديً محددًا يتمثل في التناظر، حيث لا يُنتج المولد المتناسق (Equivariant generator) عادةً نفس حقل الانجراف كما هو الحال مع التوزيع المستهدف المتناظر.

للتغلب على هذه التحديات، تم اقتراح SymDrift كإطار عمل يجعل حقل الانجراف نفسه واعيًا بالتماثل. يقدم هذا الابتكار استراتيجيتين تكميليتين: الأولى هي انجراف متناظر في فضاء الإحداثيات يعتمد على المحاذاة المثلى، والثانية هي تضمين (Embedding) غير متحيز بالنسبة للتناظر يحذف الغموض في التناظر.

أظهرت التجارب أن SymDrift يتفوق على الأساليب التقليدية أحادية الخطوة في المعايير المعيارية الخاصة بتوليد حالات الكونفورمر (Conformer) وحالات الانتقال، بينما لا يزال يتفوق في الأداء مقارنةً بالطرق متعددة الخطوات الأكثر تكلفة. وبفضل تمكين الاستدلال في خطوة واحدة، تقلل SymDrift من تكاليف الحساب بمعدل يصل إلى 40 مرة مقارنةً بأساليب الأساس الموجودة، مما يجعلها واعدة لتطبيقات ذات إنتاجية عالية مثل البحث الافتراضي عن الأدوية واستكشاف شبكة التفاعلات على نطاق واسع.