El Material Discovery Bench es un marco de evaluación diseñado para medir el rendimiento de modelos de inteligencia artificial en tareas de descubrimiento de materiales cristalinos compatibles con procesos BEOL (Back End of Line) en la fabricación de semiconductores. El objetivo es proponer materiales dinámicamente estables y novedosos —nunca depositados antes como película fina en condiciones BEOL— que cumplan simultáneamente cuatro propiedades objetivo: conductividad térmica (κ), constante dieléctrica estática (ε), módulo de Young y módulo de cortadura. Cada candidato debe ir acompañado de una receta de síntesis que un experto humano considere viable de intentar.
Los modelos disponen de herramientas análogas a las de un científico computacional de materiales: búsqueda web (vía Exa), un entorno de código con Python y bash con bibliotecas como pymatgen, mp_api y ASE, y utilidades de aprendizaje automático para calcular estabilidad dinámica, conductividad térmica reticulada, constante dieléctrica estática y tensor de compliance. El cálculo se apoya en potenciales interatómicos machine-learned (MLIP), en particular PET-MAD, con miras a incorporar DFT en trabajos futuros. Las propiedades mecánicas se obtienen deformando la celda unitaria en 12 configuraciones.
La evaluación de las recetas de síntesis emplea rúbricas de penalización con castigos críticos y corregibles. Un juez LLM (GPT-5.6 con búsqueda web) aplica la rúbrica, emulando el juicio de expertos humanos. El texto incluye un ejemplo en el que Claude Opus 5 propone diamante hexagonal (lonsdaleita) mediante CVD por plasma de microondas: la propuesta recibió un castigo crítico y cinco corregibles, recibiendo el veredicto "no se intentaría". El benchmark se ejecuta sobre el framework Inspect del AI Security Institute, con un presupuesto total de 100 millones de tokens por modelo.