في خطوة رائدة نحو تحسين تكنولوجيا الذكاء الاصطناعي، قدمت دراسة حديثة إطار عمل للتمهيد الذاتي (Self-Supervised Pretraining) خاص بتحسين مشاكل التوجيه عبر الرسوم البيانية (Graph Combinatorial Optimization). يركز هذا الإطار بشكل خاص على معالجة مشكلات معروفة مثل مشكلة البائع المتجول (Traveling Salesman Problem).

استفادت هذه الدراسة من تقنية التعلم التبايني (Contrastive Learning) مع زيادة تجريبية هندسية (Geometric Augmentations) تتضمن التحولات والتأملات المحورية. الهدف من هذا النهج هو دفع النموذج لتعلم تمثيلات هيكلية ثابتة وتوزيعات مسافات نسبية عالمية.

تظهر النتائج أن استراتيجية التمهيد هذه تتجاوز أداء النماذج غير المدربة في مقاييس مختلفة للمشكلات. وعلاوة على ذلك، حقق الجمع بين التحولات والتأملات (Hybrid Strategy) تحسناً بنسبة 6.57% في طول الجولة لمشكلة TSP1000، مما يؤكد أن التمهيد الهندسي يمثل تحيزاً استقرائياً مهماً لتوسيع نطاق الحلول العصبية (Neural Solvers) لمواجهة حالات عالية الأبعاد.

هذا التطور يفتح أبواباً جديدة للابتكار في مجال الذكاء الاصطناعي ويعد بتسريع الحلول لمشكلات معقدة في مختلف المجالات.