في عالم أبحاث الذكاء الاصطناعي، تعتبر بدائل التكلفة الصفرية (Zero-cost proxies) خطوة تحولية في كيفية تقييم الشبكات العصبية دون الحاجة إلى عملية تدريب متكررة. ولكن، المشكلة التي تواجهها هذه التقنيات هي عدم التناسق في التصنيفات الناتجة عن استخدامها، حيث تختلف البدائل في القدرات وتؤدي إلى نتائج متفاوتة.

للتغلب على هذه التحديات، قدم الباحثون إطار Bi-EZP، الذي يُعتبر نصراً في هذا المجال. يعمل Bi-EZP على فصل قرارات اكتشاف البرامج عن عملية ضبط المعلمات، وهو ما يجعل حده الأقصى أكثر فاعلية. حيث يقوم نموذج لغة كبير (Large Language Model) بتوليد برامج تجميع قابلة للتنفيذ باستخدام أربعة بدائل أساسية، مما يمنح الباحثين قدرة أكبر على تحسين التصنيفات.

في المستوى السفلي، يتم استخدام استراتيجية تكيف مصفوفة التغاير (CMA-ES) لضبط المتغيرات المستمرة، مما يعزز كفاءة البرامج الثابتة. وبهذه الطريقة، يمكن تقييم هذه البرامج باستخدام معايير مختلفة للتأكد من أدائها الفعلي.

أظهرت التجارب أداءً مثيرًا للاهتمام على مجموعات بيانات متنوعة، مثل NATS-Bench وNetwork Design Spaces، حيث تبين أن الفجوة بين اكتشاف البرامج وضبط المعلمات تؤدي إلى تحسين كبير في نتائج البحث عن هياكل الشبكة.

باختصار، يقدم Bi-EZP نهجًا مبتكرًا وفعّالًا في مجال البحث عن هياكل الشبكات، مما يشكل خطوة مهمة نحو تطوير تقنيات أكثر كفاءة في الذكاء الاصطناعي. لمزيد من المعلومات، يمكنكم زيارة الرابط الخاص بالمشروع. ما رأيكم في هذه التطورات المثيرة؟ شاركونا في التعليقات!