Кожна точка на сфері — кандидат-структура (молекула, кристалічна ґратка чи конформація білка) з прихованою "справжньою" стабільністю, яку дорого обчислювати напряму (DFT, рентгенівська кристалографія, лабораторний синтез). AI-модель (ядро в центрі, як AlphaFold чи сурогатна модель матеріалознавства) підтримує оцінку μ та невизначеність σ для кожного кандидата й вирішує, який з них перевірити далі.
acquisition a(x) = μ(x) + κ·σ(x) κ = exploration bias
P(select x) ∝ e^(a(x)) (softmax over unevaluated candidates)
on evaluation: μ(x) += η·(q_true(x) − μ(x)); σ(x) *= 0.4 (confidence collapses locally)
between checks: σ(x) = min(1, σ(x) + decay·dt) (belief drifts back toward uncertain)
discovery confirmed when μ(x) > 0.8 and repeated checks agree
- Model learning rate (η) — наскільки сильно кожна нова перевірка зсуває оцінку сурогатної моделі до справжнього значення; колір променя (зелений/червоний) показує, чи кандидат виявився кращим чи гіршим за очікування.
- Exploration bias (κ) — наскільки агент віддає перевагу невизначеним ("σ") кандидатам порівняно з уже перевіреними перспективними ("μ") — компроміс дослідження/використання (exploration/exploitation), що лежить в основі баєсівської оптимізації.
- Re-validation decay — швидкість, з якою впевненість у неперевіреному кандидаті "вивітрюється", змушуючи модель періодично повертатися й переперевіряти.
- Screening rate — скільки кандидатів AI-агент оцінює за секунду.
Це відтворює механізм AI для наукових відкриттів: AlphaFold 2/3 передбачає структуру білка з оцінкою впевненості замість дорогої рентгенівської кристалографії; сурогатні моделі матеріалознавства прогнозують стабільність нового сплаву чи каталізатора без квантово-хімічних розрахунків для кожного кандидата; AI-асистент для гіпотез так само пропонує, який експеримент найбільше зменшить невизначеність. Активне навчання (active learning) з acquisition-функцією — те, що прискорює науку на порядки.