في عالم الذكاء الاصطناعي، يعد الحصول على تنبؤات دقيقة لقوى الطاقة في الأنظمة الجزيئية ثلاثية الأبعاد من أكبر التحديات المطروحة. حيث تلعب الشبكات العصبية القوية دورًا حاسمًا في التنبؤ بالطاقة والقوى من تكوينات ذرية واحدة، ولكن ثمة جانب حيوي في عملية توليد البيانات غالبًا ما يتم تجاهله: محاكاة الديناميكا الجزيئية (Molecular Dynamics - MD).

تقوم محاكاة MD بإنشاء مسارات زمنية مرتبة لمواقع الذرات، حيث تتقلب الطاقة وتستكشف مناطق سطح الطاقة المحتملة، على عكس الاسترخاء الهندسي الذي يسعى لتقليل الطاقة إلى الحد الأدنى. في هذا الإطار، تقدم دراسة جديدة استراتيجية تدريب مبتكرة تُسمى FRAMES، تستفيد من الروابط الزمنية داخل مسارات MD.

هذه الدراسة أظهرت بطريقة غير متوقعة أنه يمكن استخدام الحد الأدنى من المعلومات الزمنية، المستخرج من إطارين متتاليين، لتحقيق أداء عالٍ، في حين أن إضافة تسلسلات أطول قد تؤدي إلى تكرارية وتدهور الأداء. وعند اختبارها على مرجعيات MD17 وISO17 الشهيرة، أثبتت FRAMES تفوقًا ملحوظًا على قاعدة Equiformer، محققة نتائج تنافسية في كل من دقة الطاقة والقوة.

بدلاً من اعتماد الكمية الكبيرة من البيانات الزمنية، تقدم هذه الاستراتيجية دليلاً على أهمية استخدام المعلومات بكفاءة، مما يؤدي إلى تحسين دقة النماذج في التنبؤ بسلوك الأنظمة الذرية. إن هذا التوجه الجديد في مجال الذكاء الاصطناعي للعلوم قد يحدث ثورة في كيفية فهمنا ومعالجة الأنظمة الجزيئية.