مقدمة في خوارزمية ADMM
تعتبر خوارزمية الاتجاه المتناوب لطرق المضاعفات (ADMM) من أهم الخوارزميات المستخدمة في مجالات متعددة، بما فيها علم البيانات والتعلم الآلي. وقد جذبت انتباه العديد من الباحثين في العقدين الماضيين.
مشكلة الفشل في التقارب
رغم أن ADMM الثنائية تتمتع ب guarantees نظرية معترف بها، فإن امتدادها لثلاث كتل قد يفشل في التقارب، كما أثبتت أمثلة سابقة. ومع ذلك، كانت حالة الكتلة الثالثة التي تمثل المصفوفة الهوية بحاجة إلى مزيد من البحث، حيث لم يقدم الأدبيات الحالية إثباتاً عاماً للتقارب أو مثالاً مضاداً لهذه الحالة.
نتيجة جديدة بمساعدة الذكاء الاصطناعي
في هذا السياق، تم استخدام Codex مع نموذج GPT-5.6 لصياغة مثال مضاد صريح، تم التحقق منه على طول مسار تخفيض متقطع. وقد أظهرت الفحوصات أن ADMM الثلاثية تنتج مساراً غير متقارب ضمن فترة زمنية قدرها 66.
تحقيقات إضافية
عبر نفس سير العمل مع Codex، تم استكشاف تخفيف المضاعفات، وسلط البحث الضوء على كيفية استعادة التقارب عند مستويات ثابتة وصفية. كما تم تطبيق نموذج Kimi K3 مع عدم وجود مرشد خاص بالمشروع، مما أسفر عن شهادة جذب محلية في فترة 23.
استنتاجات
تشير المقارنات إلى أن تكوينات البحث المختلفة قد تؤثر على الكائنات الرياضية المستكشفة والشهادات المطلوبة، مما يفتح آفاقاً جديدة في مجال دراسات ADMM.