نموذج لغوي يعلّم المخطِّط الاكتفاء بذاكرة متعددة الحدود ويحل 1709 من 1890 مسألة
اقترح مؤلفو ورقة بحثية منشورة على arXiv قبل مراجعة الأقران البحث عن الخطط دون قائمة الحالات التي سبقت زيارتها، وهي قائمة تنمو أسّيًا في البحث الإرشادي. وبدلًا منها تعمل «سياسة فهرسية» تعلّمها نموذج لغوي، وتضم سجلات وقاعدة choose التي تضع نقطة رجوع. ويجري البحث بالعمق أولًا في ذاكرة متعددة الحدود. وبهذه السياسات حلّت الطريقة 1709 من 1890 مسألة في IPC 2023 Learning Track وAutoscale Agile، وهو عدد يفوق ما حلّته LAMA وBFWS وLevitron. • الذاكرة متعددة الحدود، والزمن أسّي بالنسبة إلى عمق الاختيار فقط. • حُلّت معظم المسائل في أقل من ثانية وضمن 100 ميبيبايت. • فئة المسائل تقع في NP، وفي P عندما يكون عمق الاختيار ثابتًا.
معالج بواسطة الذكاء الاصطناعي من arXiv cs.AI؛ بتحرير Hamidun News
تصطدم المخطِّطات الكلاسيكية بحدود الذاكرة قبل حدود الزمن. فالبحث الإرشادي يحتفظ بقائمة الحالات التي سبقت زيارتها، وتنمو هذه القائمة أسّيًا حتى عندما تكون الإرشادية شبه مثالية. ويقترح مؤلفو دراسة جديدة على arXiv الاستغناء عن هذه القائمة. فبالسياسات التي كتبها نموذج لغوي، حلّت إجراءاتهم 1709 من 1890 مسألة اختبار من IPC 2023 Learning Track ومجموعة Autoscale Agile. وهذا أكثر مما حلّته LAMA وBFWS وLevitron، علمًا بأن معظم المسائل أُنجز في ثانية واحدة وضمن 100 ميبيبايت.
سياسة ذات سجلات بدلًا من قائمة الحالات
بدلًا من البحث العام، يعلّم المؤلفون النظام كيف يدير البحث. تُكتب لكل مجال مواصفة واحدة على شكل «سياسة فهرسية». وهي سياسة معمّمة ذات سجلات تحتفظ بالكائنات، وأنماط تحدد ترتيب تطبيق القواعد. والإضافة الأساسية هي قاعدة choose. فهي تحمّل كائنًا في سجل وتضع نقطة رجوع، ويكفي لذلك مرشح مناسب واحد. أما سائر القواعد فيجب أن تعمل مهما كانت النتيجة، ولا تحتاج إلى بحث.
النتيجة الرئيسية للدراسة نظرية. فالإنهاء البنيوي يستبعد التنفيذات اللانهائية للسياسة. ويبيّن المؤلفون أنه يحصر أيضًا أي تنفيذ بحدٍّ هو كثير حدود في عدد الكائنات. ويترتب على ذلك أن البحث بالعمق أولًا يجد الخطة في ذاكرة متعددة الحدود أيًّا كان حجم فضاء الحالات، ولا حاجة إلى قائمة الحالات المزورة. والثمن يُدفع من الزمن. فهو أسّي بالنسبة إلى عمق الاختيار فقط، أي بالنسبة إلى عدد اختيارات choice الحقيقية على امتداد التنفيذ. ولذلك فإن أي فئة من المسائل تحلّها هذه السياسة تقع في NP، وتقع في P عندما يكون عمق الاختيار ثابتًا.
أين يأتي دور النموذج اللغوي
لا تُكتب السياسات يدويًا. إذ يولّدها نموذج لغوي ضمن حلقة تعتمد على الأمثلة المضادة. وفي كل دورة تصدّق الحلقة على الإنهاء، وتختبر السياسة على مسائل التدريب، وتراقب أن يبقى عمق الاختيار صغيرًا. وهذا الشرط الأخير مهم، لأن عمق الاختيار هو الذي يحدد مقدار الزمن الذي سيستهلكه البحث الشامل. ولم يذكر الملخص أي نموذج استُخدم تحديدًا.
أرقام من الملخص
- حُلّت 1709 من 1890 مسألة اختبار (نحو 90%)، وبقيت 181 مسألة دون حل.
- المعايير: IPC 2023 Learning Track وAutoscale Agile.
- حلّت المنافسات LAMA وBFWS وLevitron عددًا أقل.
- حُلّت معظم المسائل في أقل من ثانية وضمن 100 ميبيبايت.
- الذاكرة متعددة الحدود، دون قائمة للحالات التي سبقت زيارتها.
- الزمن أسّي بالنسبة إلى عمق الاختيار فقط.
- فئات المسائل التي تحلّها هذه السياسات تقع في NP، وفي P عندما يكون عمق الاختيار ثابتًا.
أين قد يكون هذا مفيدًا
يبدو النهج أقوى حيث تكون الذاكرة أغلى من زمن المعالج: في المخطِّطات المدمجة والروبوتات والأنظمة التي تحل مسائل من النوع نفسه على مدخلات مختلفة. وثمة أيضًا فائدة عملية في تقسيم العمل. فالنموذج اللغوي يكتب برنامج سياسة قابلًا للتحقق، وشهادة الإنهاء تمنح ضمانًا لا تملكه خطة يقدمها النموذج مباشرة. والقيود واضحة كذلك. فالسياسة مطلوبة لكل مجال، والتدريب يتطلب مجموعة من مسائل التدريب، والأرقام حصل عليها المؤلفون أنفسهم في ورقة منشورة قبل مراجعة الأقران ودون تحقق مستقل. ومع ذلك فإن هذا الهجين يحقق بالفعل وفرًا ملموسًا في الذاكرة على معايير التخطيط القياسية.
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول سياسة ذات سجلات بدلًا من قائمة الحالات؟
بدلًا من البحث العام، يعلّم المؤلفون النظام كيف يدير البحث. تُكتب لكل مجال مواصفة واحدة على شكل «سياسة فهرسية». وهي سياسة معمّمة ذات سجلات تحتفظ بالكائنات، وأنماط تحدد ترتيب تطبيق القواعد. والإضافة الأساسية هي قاعدة choose. فهي تحمّل كائنًا في سجل وتضع نقطة رجوع، ويكفي لذلك مرشح مناسب واحد. أما سائر القواعد فيجب أن تعمل مهما كانت النتيجة، ولا تحتاج إلى بحث. النتيجة الرئيسية للدراسة نظرية. فالإنهاء البنيوي يستبعد التنفيذات اللانهائية للسياسة. ويبيّن المؤلفون أنه يحصر أيضًا أي تنفيذ بحدٍّ هو كثير حدود في عدد الكائنات. ويترتب على ذلك أن البحث بالعمق أولًا يجد الخطة في ذاكرة مت
ما أبرز التفاصيل حول أين يأتي دور النموذج اللغوي؟
لا تُكتب السياسات يدويًا. إذ يولّدها نموذج لغوي ضمن حلقة تعتمد على الأمثلة المضادة. وفي كل دورة تصدّق الحلقة على الإنهاء، وتختبر السياسة على مسائل التدريب، وتراقب أن يبقى عمق الاختيار صغيرًا. وهذا الشرط الأخير مهم، لأن عمق الاختيار هو الذي يحدد مقدار الزمن الذي سيستهلكه البحث الشامل. ولم يذكر الملخص أي نموذج استُخدم تحديدًا.
ما أبرز التفاصيل حول أرقام من الملخص؟
حُلّت 1709 من 1890 مسألة اختبار (نحو 90%)، وبقيت 181 مسألة دون حل. المعايير: IPC 2023 Learning Track وAutoscale Agile. حلّت المنافسات LAMA وBFWS وLevitron عددًا أقل. حُلّت معظم المسائل في أقل من ثانية وضمن 100 ميبيبايت. الذاكرة متعددة الحدود، دون قائمة للحالات التي سبقت زيارتها. الزمن أسّي بالنسبة إلى عمق الاختيار فقط. فئات المسائل التي تحلّها هذه السياسات تقع في NP، وفي P عندما يكون عمق الاختيار ثابتًا.
Access Frontier LLMs & Multimodal AI in One Workspace
Discover NomadNet AI (nomadnet.ai) — unified access to frontier language models, research synthesis, and multimodal workflows.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.