في عالم الذكاء الاصطناعي، وجدت النماذج اللغوية الضخمة (Large Language Models - LLMs) نفسها تواجه تحديات كبيرة في القدرة على التفكير بشكل موثوق بشأن الأنظمة الفيزيائية. ورغم محاولات تعزيز هذه النماذج بالمعرفة الفيزيائية الضرورية، إلا أن قضايا التفسير والتحقق لا تزال تُشكل عائقًا. ومع ذلك، ظهر بديل واعد يتمثل في أدوات جديدة، حيث تُمكن النماذج اللغوية من استجواب المحاكيات الفيزيائية واستخدام آثار المحاكاة الناتجة كسياق للتحقق.

تواجه هذه الطريقة تحدي قابلية التوسع، إذ تحتوي آثار المحاكاة على كميات كبيرة من البيانات الرقمية والتابعة بنحو دقيق. ولكن، تكشف الأبحاث الجديدة أن تحويل آثار المحاكاة إلى تمثيل نادر للأنماط الهيكلية "العالية المستوى" يُسهم في تحسين تفسير النماذج اللغوية. نعرض في هذه الدراسة آلية تعلم غير مشروطة لتنفيذ هذا التحويل، والتي تُعرف بتوليف البرامج.

هذه النتائج تنشئ مكتبة من البرامج التي تعمل ككواشف للأنماط يمكن أن تقوم بترجمة آثار المحاكاة إلى تسلسلات نمطية مُعلمة نادرة. يمكن أن تكون الأنماط المكتشفة موجهة بوساطة خبراء بشريين عبر تسميات نصية (مثل تصادم صارم، أو زنبرك ممدود، وغيرها). وأظهرنا، من خلال معايير الفيزياء الحديثة، أن هذه التمثيلات المعنونة هي أكثر ملاءمة للتفكير باللغة الطبيعية حول الأنظمة الفيزيائية المحددة.

تعمل البرامج المُركبة كوظائف شفافة وقابلة للتفسير تربط بين حالات النظام ومساحة ترتيب نادرة وفعالة. كمثال على التطبيق، نوضح كيف يمكن تحويل الأهداف داخل الأنظمة الفيزيائية، المحددة باللغة الطبيعية، إلى برامج مكافآت يتم تعظيمها للعثور على الحلول المطلوبة.