پژوهشگران دانشگاه ماساچوست امهرست در پژوهش ZeoBench گزارش می‌دهند که یادگیری شکل بلورهای متخلخل، پیش از آموزش با برچسب‌های جذب، می‌تواند دقت پیش‌بینی را افزایش دهد. پیش‌چاپ آن‌ها که در 6 نوامبر 2026 در arXiv منتشر شد، یادگیری خودنظارتی را برای زئولیت‌های تمام‌سیلیسی ارزیابی می‌کند. داوری همتای این پژوهش تأیید نشده و یافته‌ها گزارش نویسندگان هستند؛ تکرار مستقلی نیز ارائه نشده است.
زئولیت‌ها در جداسازی، ذخیره‌سازی گاز و کاتالیز کاربرد دارند. حفره‌های آن‌ها بر نوع مولکول‌های جذب‌شده اثر می‌گذارند، اما تولید برچسب خواص از طریق شبیه‌سازی، هزینه محاسباتی بالایی دارد. ZeoBench بررسی می‌کند که آیا مدل‌ها می‌توانند ابتدا ویژگی‌های هندسی مفیدی را از مجموعه بزرگی از ساختارهای بدون برچسب بیاموزند و سپس با ساختارهای برچسب‌دار کمتر، برای وظایف پیش‌بینی جذب سازگار شوند.
این مجموعه شامل 402 ساختار سنتزشده در آزمایشگاه و 331,172 ساختار فرضی است. نویسندگان حدود 301,000 ساختار را برای پیش‌آموزش، 20,000 ساختار را برای اعتبارسنجی و 10,000 ساختار را برای آزمون در نظر گرفته‌اند؛ ساختارهای اعتبارسنجی و آزمون در هیچ مرحله‌ای وارد آموزش نشده‌اند. ساختارها به‌صورت شبکه‌های فاصله علامت‌دار با ابعاد 64 × 64 × 64 نمایش داده می‌شوند که فاصله تا سطح چارچوب را رمزگذاری می‌کنند. چهار هدف یادگیری خودنظارتی، شامل BYOL، DINOv1، MoCov2+ و SimCLR، با یک شبکه پایه مشترک سه‌بعدی ResNet-18 و افزایش داده از طریق انتقال، چرخش و تغییر مقیاس مقایسه شدند.
ارزیابی شش هیدروکربن را پوشش داد: آلکان‌های خطی C18، C24 و C30 و سه ایزومر شاخه‌دار C18. مدل‌ها لگاریتم ثابت هنریِ حاصل از شبیه‌سازی را، که معیاری مرتبط با قدرت جذب است، معمولاً با استفاده از 100 تا 10,000 ساختار برچسب‌دار برای هر وظیفه پیش‌بینی کردند. پژوهشگران یا ویژگی‌های آموخته‌شده را ثابت نگه داشتند و یک پیش‌بین خطی آموزش دادند، یا شبکه را تنظیم دقیق کردند. معیار ارزیابی، میانگین مربعات خطا یا MSE روی مجموعه آزمون بود؛ مقدار کمتر به معنای پیش‌بینی بهتر است.
با 10,000 برچسب برای هر وظیفه، تنظیم دقیق SimCLR در شش وظیفه به میانگین MSE برابر با 11.8 ± 0.4 رسید؛ در مقابل، همین ResNet با آموزش از ابتدا امتیاز 13.5 ± 0.5 داشت؛ یعنی حدود 12.6 درصد MSE کمتر. با مجموعه کامل آموزش C18، شامل حدود 70,000 برچسب، MoCo امتیاز 3.1 ± 0.2 را در برابر 3.7 ± 0.2 برای ZeoNet ثبت کرد؛ یعنی حدود 16.2 درصد MSE کمتر. این درصدها بیانگر کاهش خطای پیش‌بینی هستند، نه افزایش ظرفیت جذب.
در ارزیابی ویژگی‌های ثابت با 10,000 برچسب برای هر وظیفه، میانگین MSE برای MoCo برابر با 27.4 ± 0.8 و برای SimCLR برابر با 28.5 ± 0.8 بود. این مقدار برای ویژگی‌های اقتباس‌شده از ImageNet برابر با 48.7 ± 1.1، برای توصیفگرهای دستی 56.9 ± 1.7 و برای پیش‌آموزش روی داده‌های حجمی پزشکی 60.8 ± 1.2 بود. افزایش داده با تغییر مقیاس به یادگیری بازنمایی کمک کرد. مدل‌های ResNet آزمایش‌شده همچنین از مدل‌های ViT و Swin آزمایش‌شده بهتر عمل کردند، هرچند این نتیجه برتری همیشگی یک معماری را ثابت نمی‌کند. یک آزمایش اکتشافی انتقال یادگیری روی چارچوب‌های فلزی–آلی نیز مزایایی را برای پیش‌آموزش روی زئولیت‌ها گزارش کرد.
دامنه شواهد همچنان به برچسب‌های شبیه‌سازی، چارچوب‌هایی با ترکیب شیمیایی ثابت و شش هیدروکربن با ثابت هنری مثبت محدود است. این پژوهش نه سنتز موفق و نه بهبود جذب آزمایشگاهی یا عملکرد صنعتی را نشان می‌دهد. عدم‌قطعیت با 1,000 نوبت بوت‌استرپ از نمونه‌های آزمون برآورد شد، اما متن ارائه‌شده مشخص نمی‌کند بازه‌های ± دقیقاً چه معنایی دارند و تغییرپذیری میان اجراهای مستقل آموزش را نیز روشن نمی‌کند. وظایف، ساختارهای مشترک دارند و زیرمجموعه‌های برچسب‌دار تودرتو هستند؛ بنابراین نتایج آن‌ها تأییدهای مستقل محسوب نمی‌شوند. گزارش نشده که آیا خانواده‌های چارچوبی بسیار نزدیک در بخش‌های متفاوت داده حضور دارند یا خیر؛ همچنین برای مقایسه‌های متعدد، تحلیلی درباره اثر تعدد مقایسه‌ها ارائه نشده است. پیوست‌های تفصیلی نیز در متن ارائه‌شده در دسترس نیستند. در نتیجه، ZeoBench معیاری امیدبخش برای پیش‌بینی با برچسب‌های محدود ارائه می‌کند، اما تعمیم گسترده‌تر شیمیایی و عملی آن همچنان روشن نیست.
تصویر جلد با هوش مصنوعی تولید شده و تصویرسازی مفهومی است؛ مدرک پژوهش نیست.