في السنوات الأخيرة، ظهرت تقنيات تحسين المسارات القائمة على الشبكات العصبية (Neural Combinatorial Optimization - NCO) كبديل فعّال للاعتماد على الخوارزميات التقليدية لحل مشكلات التوجيه، مثل مشكلة البائع المتجول (Traveling Salesman Problem - TSP). لكن كانت تواجه هذه الأنظمة تحديات في قدرتها على تعميم الحلول أثناء التعامل مع حالات ذات أبعاد عالية. ومع ذلك، تمكّن الباحثون من تغيير قواعد اللعبة عبر تطبيق استراتيجية تدريب ذاتي مسبق.

إن هذه الاستراتيجية، التي أثبتت نجاحها في مجالات مثل رؤية الكمبيوتر (Computer Vision) ومعالجة اللغة الطبيعية (Natural Language Processing)، واجهت تحديات عند تطبيقها على الرسوم البيانية للتوجيه. ولذلك، قدم الباحثون إطار تدريب ذاتي هندسي مصمم خصيصًا لالتقاط التباينات المكانية وتوزيعات المسافات النسبية العالمية.

يعتمد هذا النموذج على تطبيق تحولات مستوية، مثل التدويرات (Rotations) والانعكاسات المحورية (Axial Reflections)، مما يعزز من قدرة النموذج على التعلم والكفاءة قبل مرحلة تحسين السياسات. أظهرت النتائج التجريبية أن هذه الاستراتيجية تتفوق بشكل ملحوظ على النماذج التي تم تدريبها من البداية، حيث حققت تحسنًا بنسبة 7.23% في طول الجولة في سيناريوهات استقراء صفرية ضخمة (TSP1,000).

يجدر بالذكر أن النموذج المقترح يتمتع بكفاءة حاسوبية خارقة، حيث يحقق تسريعًا يصل إلى مرتبتين من حيث السرعة مقارنةً بالخوارزمية الدقيقة المعروفة باسم Concorde عند التعامل مع الأحجام الضخمة.

لمزيد من التفاصيل حول الكود المصدري والنماذج المدربة مسبقًا، يمكنكم زيارة رابط GitHub.

ما رأيكم في هذا التطور الذي يعيد تشكيل مشهد الذكاء الاصطناعي؟ شاركونا في التعليقات.