چرا فیلترِ «اعتمادسنجی» در کشف مواد جدید، نرخ خطای هوش مصنوعی را کاهش داد؟

آیا هوش مصنوعی می‌تواند بدون اینکه توسط خطاهای خودش کور شود، سرعت کشف مواد جدید را افزایش دهد؟ محققان پروژه InvDesMobility معتقدند ارزش کشف در چرخه‌های بسته، نه به قدرت پیش‌بینی خام، بلکه به این بستگی دارد که نتایج گران‌قیمت محاسباتی پیش از بازگشت به مدل، به‌طور مستقل اعتبارسنجی شوند.

در جستجوی موادی با تحرک حامل بالا، یک مقدار عددی ساده اغلب شکست‌های بحرانی در همگرایی یا فرض‌های اشتباه در گردش کار را می‌پوشاند. به نقل از مقاله‌ای که در ۱۶ ژوئن ۲۰۲۶ در arxiv.org منتشر شد، تغذیه این نتایج تأییدنشده در مدل‌های هوش مصنوعی زاینده (Generative AI)، منجر به ایجاد یک حلقه «ورودی زباله، خروجی زباله» می‌شود که پیشرفت علمی را متوقف می‌کند. این رویکرد یادآور استراتژی‌های پیشرفته‌ای است که در کاهش خطای طراحی مولکولی با استفاده از بازخوردهای استدلالی به کار گرفته شده تا دقت پیش‌بینی‌ها را به شدت افزایش دهد. راهکار این تیم، ایجاد یک «قرارداد بازخورد» سخت‌گیرانه است که هر نقطه داده را بازرسی می‌کند.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت داده در مدل‌های علمی اشاره کردیم، کیفیت داده‌ها در محیط‌های تخصصی حیاتی‌تر از حجم آن‌هاست. چارچوب InvDesMobility از عامل‌های (Agents) خودکار برای نظریه تابعی چگالی (DFT)، لایه‌بندی شواهد و رتبه‌بندی اکتساب استفاده می‌کند. این بهره‌گیری از ساختارهای چندعاملی، مشابه ترکیب AI و FEA برای حذف گلوگاه‌های محاسباتی است که بهره‌وری عملیاتی را در طراحی‌های پیچیده ارتقا می‌دهد.

بر اساس مستندات این پژوهش، مقیاس عملیاتی این سیستم شامل موارد زیر است:

• غربالگری ۲.۴ میلیون ساختار در چندین تکرار.
• ارسال ۱۰۲ کاندید برای اعتبارسنجی DFT.
• حفظ ۸۶ کانال تولیدشده با گیتِ اعتماد در ۴۱ فرمول منحصربه‌فرد.
• پردازش ۵۱۶ کاندید اولیه از 2DMatPedia که منجر به شناسایی ۲۸۰ ماده با تاییدیه کنترل کیفیت شد.

این چرخش راهبردی، هدف را از «تولید لیست مواد» به «ایجاد مکانیسم بازخورد قابل حسابرسی» تغییر می‌دهد. با تفکیک بازخوردها به ساختارهای تسهیل‌شده (برای مدل زاینده) و کانال‌های تحرک (برای مدل اکتساب)، اطمینان حاصل می‌شود که تنها شواهد با اعتماد بالا، جستجوهای آینده را هدایت می‌کنند. در واقع، جایگزینی خروجی‌های احتمالی با گیت‌های قطعی، مشابه مدل MedSci Skills در شناسایی خطاهای پزشکی است که توهمات مدل را با سخت‌گیری در تایید داده‌ها به حداقل می‌رساند.

گام بعدی شما

• بررسی متدولوژی «لایه بندی شواهد» برای جلوگیری از رانش مدل (Model Drift) در یادگیری فعال.
• تحلیل نحوه اعمال گیت‌های اعتماد (Reliability Gating) در سایر ویژگی‌های ترکیبی مواد.
• مطالعه اثر تفکیک داده‌های بازخوردی بر نرخ همگرایی مدل‌های پیش‌بین.

اما چالش اصلی هنوز در هزینه محاسباتی این گیت‌های سخت‌گیرانه است؛ در گزارش بعدی بررسی خواهیم کرد که چگونه مدل‌های کوچک‌تر می‌توانند این هزینه را کاهش دهند.