في عالم الهندسة الرياضية والتحليل البيانات، يبرز مفهوم الانحدار الرمزي (Symbolic Regression) كأداة قوية تهدف إلى اكتشاف المعادلات المغلقة من البيانات. ومع ذلك، الاعتماد على الأساليب التقليدية المدعومة بواسطة نماذج اللغات الضخمة (Large Language Models) أدى إلى نتائج محدودة، حيث كانت تلك الأساليب تتمحور حول حلقة موحدة تضغط الفشل في البحث المتنوع إلى درجة واحدة وتقوم بإدراج اقتراح واحد فقط.

اليوم، نقدم لكم إطار العمل A-SR، الذي يمثل ثورة في هذا المجال، حيث يعتمد على تطور ذاتي ويحول وحدة التحكم من التعديلات على التعبير إلى وجهات نظر مبنية على دور الأدلة. يعمل A-SR على تنسيق اكتشاف المعادلات من خلال توجيه بين بروتوكولات التنسيق والسياسات المستندة إلى التقييم والمكافأة، بالإضافة إلى ذاكرة عمليات مقرونة بحالة.

خلال عملية البحث، يتيح نظام التقييم التغذية الراجعة التي تحدد موثوقية النتائج وإنتاجيتها، مما يؤدي إلى تحديث المزايا لكل دور وتوجيه الأنماط النخبوية وبيانات الفشل وعمليات التشخيص إلى وكلاء مختلفين. يتميز A-SR أيضًا بتطوره الذاتي على مقياسين زمنيّين؛ حيث يتكيف البحث أثناء التشغيل دون الحاجة إلى تحديث معلمات نماذج اللغات الضخمة، كما يمكن تصفيح المسارات المسجلة خلال الجلسات المختلفة إلى نماذج مفتوحة المصدر كنماذج اقتراح مشروطة بالوظيفة.

عند الاختبار عبر المجالات العلمية الأربعة في LLM-SRBench، حقق A-SR تحسينًا ملحوظًا في دقة النتائج من 25.79% إلى 48.30% باستخدام نموذج Llama3.1-8B، بينما عزز نموذج A-SR-LoRA النتائج المقابلة لنموذج Qwen3-4B من 24.58% إلى 38.29%. كما حصل A-SR على أفضل متوسط معدل خطأ متباين من الإطار أو حتى خارج الإطار في 7 من أصل 8 معايير تقارير متداولة في المهام العلمية الحقيقية.

تُظهر هذه التطورات كيفية تكيف الذكاء الاصطناعي مع متطلبات البحث العلمي، مما يفتح آفاقًا جديدة للتطبيقات المستقبلية.

ما رأيكم في هذا التطور المذهل؟ كيف تعتقدون أنه سيؤثر على مجالات البحث العلمي المختلفة؟ شاركونا في التعليقات.