پژوهش
MOF-Verify برای سنجش قابل‌اعتمادتر فرضیه‌های مواد چارچوبی معرفی شد
این چارچوب با بررسی ساختار، شرایط سنتز، کفایت شواهد و محاسبات، گلوگاه‌های خطای مدل‌های زبانی را در ارزیابی MOFها هدف می‌گیرد.
پژوهشگران در پیش‌چاپی در arXiv، MOF-Verify را معرفی کرده‌اند؛ چارچوبی عامل‌محور برای راستی‌آزمایی فرضیه‌های مربوط به چارچوب‌های فلزی-آلی (MOF). این مواد در شناسه‌های متفاوت ثبت می‌شوند، نتیجهٔ سنتز آن‌ها به‌شدت به شرایط آزمایش وابسته است و شواهد مربوط به آن‌ها در منابع گوناگون پراکنده است؛ برخی فرضیه‌ها نیز به محاسبه نیاز دارند و با مرور منابع به‌تنهایی قابل‌سنجش نیستند.
پژوهشگران برای ارزیابی این چالش‌ها بنچمارکی با چهار دستهٔ وظیفه ساخته‌اند: تثبیت هویت ساختار، بررسی شرایط سنتز، سنجش کفایت شواهد و راستی‌آزمایی محاسباتی با استفاده از MLIP. سه دستهٔ نخست در حالت‌های بدون دسترسی به اطلاعات بیرونی، همراه با بازیابی اطلاعات و با شواهد مرجع ارزیابی می‌شوند تا سهم دسترسی به دانش، گردآوری شواهد و استدلال در خطاها مشخص شود. دستهٔ چهارم جداگانه راستی‌آزمایی محاسباتی را می‌سنجد.
به‌گفتهٔ مقاله، MOF-Verify با پرداختن به گلوگاه‌های ساختاری، پژوهشی، کفایت شواهد و محاسباتی، در این بنچمارک میانگین گزارش‌شدهٔ عملکرد چند مدل زبانی را در مقایسه با استنتاج مستقیم و روش‌های مبتنی بر بازیابی اطلاعات بهبود داده است. این بهبود بیشتر در تثبیت ساختار و سنجش کفایت شواهد دیده شده است. مقاله در کارگاه‌های NeurIPS 2026 پذیرفته شده است.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده