في عالم الذكاء الاصطناعي، يمثل تعليم السياسات العامة نقطة انطلاق هامة لفهم كيفية التعامل مع مجموعة معقدة من التحديات. البحث الجديد الذي تم نشره مؤخرًا يسعى إلى تعزيز تلك السياسات بحيث تعمل بفاعلية عبر مجموعات كبيرة من الحالات باستخدام تقنيات متطورة.

يستند هذا البحث إلى استراتيجيات الشبكات العصبية الرسومية (Graph Neural Networks - GNNs) التي حققت نجاحات ملحوظة في عدة مجالات، حيث يمكنها تعلم سياسات شبه مثالية. التركيز هنا هو على تحسين مقاربة السياسات المعروفة تحت اسم "عرض متكرر" (Iterated Width - IW)، حيث يُتيح للسياسة توسيع نطاق اتصالاتها من خلال بحث متقدم يمكنه "القفز" فوق عدة انتقالات، مما يسهل الهيكلية المعقدة للمشكلات.

ومع ذلك، هذه الاستراتيجية تواجه تحديات بسبب التكاليف الحاسوبية المرتفعة وقيود القدرة على التعبير، حيث تتم تقييم كل انتقال بشكل فردي. على الرغم من أن IW(1) يظهر كحل مثير وجذاب إلا أنه يمكن أن يصبح غير فعال عند التعامل مع الآلاف من الكائنات، كما هو الحال في اختبارات المنافسة الدولية للتخطيط (IPC) لعام 2023.

للتغلب على هذه القيود، قدم الباحثون ترميزًا جماعيًا أكثر كفاءة لشجرة البحث بأكملها، بحيث يمثل الحالات القابلة للتوجيه ورديًا من خلال الفروقات العلائقية فقط للحالة الحالية. ذلك يمكّن الشبكات العصبية العلائقية (Relational GNNs - R-GNNs) من تقييم جميع الانتقالات في خطوة واحدة.

إضافةً إلى ذلك، تم تعريف مفهوم "IW(1) المجرد" (Abstracted IW(1)) لتحسين قابلية التوسع من خلال التجريد العلائقي خلال اختبارات الجدة. بدلًا من اختبار الكائنات المخصصة بالكامل، يتم تجريد كل كائن باستبدال جميع المعاملات باستثناء واحد بنوعه. إذا كان أي من صيغته المجردة جديدة، يُعتبر الكائن الأصلي جديدًا.

هذا الضغط الهيكلي ينقل نطاق البحث عن الجدة من الكائنات إلى العناصر، مع الحفاظ على هيكل الأهداف الفرعية المهمة. تم تقييم تلك المساهمات الجديدة على مقياس IPC 2023 الشامل وفي مجالات متنوعة، بما في ذلك المجالات التي تتطلب ميزات إضافية بخلاف الجزء $C_2$ من المنطق. ونتيجة لهذا، حققت السياسات الجديدة أداءً رائدًا يتجاوز الأداء السابق بشكل ملحوظ، بما في ذلك المخطط التقليدي LAMA.