في عالم الذكاء الاصطناعي، تبرز نماذج الأساس الرسومية (Graph Foundation Models - GFMs) كلما كان الحديث عن التعلم من الرسوم البيانية متعددة المجالات والتكيف مع السيناريوهات غير المرئية. كان التوجه الرئيسي لفهم هذه النماذج هو دراسة القدرة على نقل المعرفة من الأنماط الطوبولوجية. ومع ذلك، لطالما شاب هذه الدراسات اهتمام محدود بالأنماط الهيكلية المحلية، التي تتنوع عبر الرسوم البيانية وحتى بين العقد داخل نفس الرسم البياني.

إحدى التحديات الكبرى التي تواجه نماذج GFMs هي اعتمادها على مخططات نقل معلومات مصممة يدويًا، والتي قد لا تناسب الأنماط الهيكلية المتنوعة لعقد مختلفة. هنا يطرح السؤال: هل يمكن لكل عقدة أن تحدد بشكل مستقل كيف يجب أن يتم نقل المعلومات عبر الرسم البياني؟ لهذه القدرة، أطلقنا تسمية "التحكم في تدفق المعلومات".

استلهم باحثو فريق AgentGFM من التطورات الحديثة في تكنولوجيا العملاء (agent technology)، حيث تم صياغة هذه الإشكالية كعملية اتخاذ قرار تعتمد على العملاء (agents)، بحيث تعتبر كل عقدة في الرسم البياني وكأنها عميل مستقل. يتم تدريب نموذج AgentGFM بحيث تعمل جميع عقد العملاء ضمن سياسة مشتركة قابلة للتدريب، على عكس اعتمادها على نماذج مستقلة.

تطبق كل عقدة في نموذج AgentGFM عملية predict-act-observe-correct، حيث تتفاعل مع الرسم البياني لتحديد قرارات ثلاث: استقبال المصدر، اختيار قناة الإشارة، وتحديد حالة الإيقاف الواعية. من خلال هذه العملية، يمكن للعقدة تحسين أدائها استنادًا إلى مقارنات بين الملاحظات والتوقعات السابقة، مما يقود إلى تصحيحات مستمرة.

أظهرت التجارب الواسعة التي تم إجراؤها على مستويات العقد والرسوم البيانية والمشاهدات واسعة النطاق فعالية نموذج AgentGFM عبر طوبولوجيات رسومية متنوعة، مما يفتح آفاق جديدة في استخدام تقنيات الذكاء الاصطناعي لتعزيز التحول في فهم الرسوم البيانية.