في خطوة جريئة نحو تحسين أساليب بناء نماذج المحاكاة، طرحت دراسة جديدة مثيرة للاهتمام تركز على استخدام نماذج اللغات الضخمة (Large Language Models) لتحويل الرسومات البيانية للشبكات الانتظارية إلى نماذج محاكاة قابلة للتحقق. والمعروف أن استخدام هذه النماذج في الآونة الأخيرة قد أثار تحديات عديدة تتعلق بالتحقق من صحة النتائج وقابليتها للتكرار، بالأخص لدى المستخدمين الذين لا يمتلكون خبرة برمجية.

تم اقتراح منهجية جديدة تسمى Sketch2DES، والتي تتبع سلسلة من الخطوات لتنفيذ هذا التحويل بنجاح. يتضمن هذا العمل ثلاث مراحل رئيسية: الأولى تتمثل في ترجمة الرسم البياني إلى وصف نصي شبه منظم باستخدام نموذج لغوي متعدد الوسائط. ثم يتم تحويل الوصف إلى بيانات هيكلية معتمدة عبر استخدام نموذج لغوي مع حلقة تحقق مبنية على التفكير. وأخيراً، يتم تحويل البيانات إلى نموذج محاكاة تنفيذي باستخدام محول برمجي.

ما يثير الإعجاب في هذه المنهجية هو أنها تتيح للمستخدمين فحص العناصر الوسيطة والتحقق منها تلقائيًا قبل التنفيذ، مما يعزز من دقة البيانات ويقلل من الأخطاء المحتملة.

تم تقييم هذه المنهجية على ثمانية مخططات شبكية مختلفة التعقيد، وأظهرت النتائج موثوقية عالية عبر جميع المراحل، حيث كانت النتائج متطابقة إحصائيًا مع تلك التي تم إنتاجها من قبل مبرمجين بشريين.

تتيح هذه الطريقة لنا تحقيق مزيد من الشفافية والموثوقية، بل وتقلل من الحاجة للخبرة البرمجية، ولكن لا تخلو من بعض القيود مثل نطاق النموذج المحدود والاعتماد على التفسير البصري الدقيق.

في الختام، هذه النتائج تظهر جدوى توليد نماذج المحاكاة المعتمدة على بنية العمل كقاعدة قوية لنماذج المحاكاة المدعومة بالذكاء الاصطناعي. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.