MILP-Evo: LLM сам проектирует и ускоряет логику MILP-солверов оптимизации

قدّم باحثون نظام MILP-Evo، وهو نظام يقوم فيه نموذج لغوي كبير (LLM)، ضمن حلقة مغلقة، بكتابة وتشغيل وتحسين منطق محلّلات البرمجة الخطية المختلطة الأعداد الصحيحة (MILP) بنفسه. نُشرت الورقة الأولية (preprint) على arXiv في يوليو 2026: تُولّد الطريقة مكوّنات محلّل شفافة يمكن للمهندس قراءتها والتحقق منها ودمجها في سير عمل قياسي.

كيف تعمل الحلقة المغلقة

يُولّد MILP-Evo بشكل تكراري برامج مرشّحة، ويحمّلها في المحلّل مفتوح المصدر SCIP عبر مكتبة PySCIPOpt، ويقيّمها بناءً على السلوك الفعلي على مسائل MILP. تتحوّل نتيجة كل تشغيل إلى تغذية راجعة توجّه التطوّر اللاحق للكود — دون تدخّل بشري في الحلقة.

في الورقة البحثية، اختُبرت الطريقة على التصميم المشترك لمكوّنين من مكوّنات المحلّل في آنٍ واحد: مُنتقي القطوع (cut selector) وقاعدة التفرّع (branching rule). وهذان العنصران هما اللذان يحدّدان إلى حدّ كبير مدى سرعة إيجاد المحلّل لحلٍّ صحيح الأعداد.

• يُصمَّم عنصران معًا: مُنتقي القطوع (cut selector) وقاعدة التفرّع (branching rule)
• تُنفَّذ المرشّحات مباشرةً داخل SCIP عبر PySCIPOpt — ويتم التقييم بناءً على السلوك الشامل للمحلّل من البداية إلى النهاية، لا بناءً على مقياس بديل (proxy)
• أربع آليات للتطوّر: الانتقاء وفق النتيجة، والإصلاح الموضعي للكود، والتأمل التشخيصي، والحفاظ على تنوّع مجموعة الحلول
• أُجري الاختبار على أربع عائلات من معايير القياس (benchmarks)
• النتيجة النهائية كود شفاف يمكن قراءته (white-box)، وليس متنبّئًا خارجيًا من نوع "الصندوق الأسود"

لماذا هذا أفضل من التعلّم الآلي التقليدي للمحلّلات

يُنتج MILP-Evo كودًا صريحًا وقابلًا للقراءة بدلًا من متنبّئ خارجي، وهذا هو الفرق الرئيسي عن مناهج data-driven السابقة. وبحسب صياغة الباحثين، عادةً ما تُمثَّل سياسات التعلّم الآلي المدرَّبة كنموذج غير شفاف يصعب فحصه وتكييفه ونشره. أما المنطق اليدوي للمحلّل، فهو على النقيض مفهوم وسهل الدمج، لكنه يُكتب يدويًا بدلًا من أن يُستخلص من التغذية الراجعة للمحلّل نفسه.

يحاول MILP-Evo الجمع بين أفضل ما في الجانبين: يظل المنطق قابلًا للقراءة بالعين المجردة، لكن الذي يُركّبه ليس إنسانًا، بل حلقة بحث موجّهة بنموذج لغوي كبير.

«ندرس ما إذا كان من الممكن صياغة التصميم الآلي لمنطق محلّل MILP كبحث

في حلقة مغلقة موجَّه بنموذج لغوي كبير عبر مكوّنات قابلة للتنفيذ من نوع white-box، تُقيَّم مباشرةً وفق السلوك الشامل للمحلّل من البداية إلى النهاية»، بحسب ما جاء في ملخّص الورقة الأولية لـ MILP-Evo على arXiv.

إلى أي مدى تنجح هذه الطريقة

على أربع عائلات من معايير القياس، يجد التطوّر البرمجي الموجَّه بنموذج لغوي كبير، في عدد من الحالات، سياسات تنافسية مخصّصة لفئة محدّدة من المسائل. ويصوغ الباحثون استنتاجهم بحذر: تقدّم الطريقة نتيجة تنافسية «في عدة إعدادات»، لا تفوّقًا شاملًا على الاستدلالات اليدوية (heuristics).

والأهم من ذلك هو الآلية نفسها: فالمكوّنات الناتجة هي كود عادي لـ SCIP يمكن فحصه وتحسينه يدويًا ونشره في سير العمل القياسي للمحلّل. وهذا يزيل العيب الرئيسي في المُسرِّعات العصبية — وهو استحالة فهم ما تعلّمه النموذج وتعديله بأمان.

ماذا يعني هذا

يُعدّ MILP-Evo مثالًا آخر على كيف تتحوّل النماذج اللغوية الكبيرة من مولّدات نصوص إلى محرّكات بحث آلي عن الكود: فالنموذج لا يكتفي بالتنبؤ، بل يكتب مكوّنات قابلة للتنفيذ ويحسّنها بناءً على التغذية الراجعة من عمليات تشغيل فعلية. وبالنسبة للتحسين (optimization)، فإن هذا يمثّل وسيلة للحصول على استدلالات سريعة وشفافة في آنٍ واحد، دون الحاجة إلى ضبط يدوي لكل فئة من المسائل.

الأسئلة الشائعة

ما هو MILP، ولماذا نُسرّع محلّلاته؟

MILP (البرمجة الخطية المختلطة الأعداد الصحيحة) هي فئة من مسائل التحسين ذات المتغيرات الصحيحة: اللوجستيات، والتخطيط، وتوزيع الموارد. تُحل هذه المسائل بواسطة محلّلات مثل SCIP، وتعتمد سرعة الحل بشكل كبير على استدلالات اختيار القطوع والتفرّع — وهي بالضبط ما يصمّمه MILP-Evo.

بمَ يختلف MILP-Evo عن المُسرِّعات العصبية للمحلّلات؟

تُمثّل مناهج التعلّم الآلي السابقة السياسة المتعلَّمة كمتنبّئ خارجي غير شفاف يصعب فحصه ونشره. أما MILP-Evo فيُنتج بدلًا من ذلك كودًا شفافًا صريحًا (white-box) بلغة PySCIPOpt يمكن لأي شخص قراءته وتعديله ودمجه في سير العمل القياسي لـ SCIP.