في عالم التصميم الهندسي، يعد الدقة أمرًا بالغ الأهمية، وتتطلب الحلول المطروحة الالتزام بمجموعة من القيود الهندسية الصارمة. اليوم، نفخر بطرح نتائج دراسة جديدة تعكس كيف يمكن لنماذج اللغات الضخمة (Large Language Models) تجنب الأخطاء وتحقيق نتائج أفضل في هذا المجال الهام.

قامت مجموعة من الباحثين بتطوير أداة جديدة تُعرف باسم PyGeoX، وهي لغة تصميم هندسي برمجية (DSL) تهدف إلى تحويل الأوصاف الطبيعية إلى إنشائات دقيقة. هذه الأداة تجعل من الممكن التعامل مع العشرات من القيود المتفاعلة في وقت واحد، مما يعزز دقة التصميم بشكل ملحوظ.

لكن ما هو التحدي الأكبر؟
قد يواجه الذكاء الاصطناعي ظاهرة تُعرف بـ "Outlier Gradient Masking"، حيث تؤدي قيود غير مناسبة إلى تشويش الإشارات التعليمية، مما يجعل التعلم صعبًا. للتغلب على هذه المشكلة، اقترح الباحثون نظامًا جديدًا يُعرف بالمكافآت المضافة المشبعة (Saturating Additive Rewards)، الذي يقوم بتفكيك المكافأة إلى عناصر محدودة لكل قيد، مما يحسن من نتائج التعلم حتى في حالات الأخطاء الكبيرة.

أظهرت التجارب أن هذا النظام الجديد يحسن معدل الحلول في المهام الصعبة بمعدل 2.3 مرة مقارنة بالأساليب التقليدية القائمة على متطلبات أخطاء مربع متوسط (MSE).

لذا، إذا كنت مهتمًا بتطورات الذكاء الاصطناعي في المجالات الهندسية، فقم بزيارة الرابط https://github.com/Huawei-AI4Math/PyGeoX للاستفادة من هذه التقنية الثورية.