تُعَد مشكلة الحقيبة السلة غير المنتظمة في حاويات دائرية واحدة من أبرز التحديات في مجال تحسين التجميعات، حيث يسعى المصنّعون إلى تعزيز الاستفادة القصوى من المواد. بينما تُظهر الحلول التقليدية لكفاءة التعبئة القدرة على إنتاج تصميمات متماسكة، إلا أنها غالباً ما تؤدي إلى تقسيم الفراغات المتبقية إلى جيوب صغيرة معزولة لا يمكن استخدام هذه الجيوب لاستيعاب الأشكال البوليغونية غير المُشغلة.

لإحداث تغيير في هذا السياق، تم تقديم إطار العمل الثوري المسمى GeoNest، الذي يتبنى نهج البحث في الجوار الكبير الواعي بالفشل (failure-aware large neighborhood search framework) والذي يعتمد على سياسة رسم بياني مدربة بواسطة التعلم المعزز (reinforcement learning). تم تصميم GeoNest لمعالجة العقبات التي تظهر في المرحلة النهائية من التعبئة، من خلال مراعاة التوجهات التفسيرية لتحديد الأشكال التي تعيق إدخال الأشكال الجديدة.

للقيام بذلك، يتم أولاً بناء الأحياء (neighborhoods) عن طريق اقتران الأشكال المستهدفة الفاشلة مع الجيوب المتبقية. وتسهم العلاجات المعينة في تحديد الأشكال التي تعيق الإدخالات المحتملة. تُعرّف هذه العلاقات العائقية مشاكل إصلاح فرعية ثابتة محدودة العناصر للحل الهندسي الأساسي. في النهاية، تقوم سياسة الرسم البياني باختيار المشكلة الفرعية الأكثر وعدًا للتنفيذ.

لتقييم فعالية GeoNest، تم تقديم CircleNest-Bench، وهو معيار يتكون من 2,391 حالة محملة معدلة من أربع مصادر واضحة، بما في ذلك مصدر تصميم CAD صناعي محجوز. أظهرت النتائج التجريبية أن GeoNest يحقق تحسنًا في متوسط الاستخدام بنسبة تصل إلى 0.9% مقارنةً بأفضل الحلول المستقلة الموجودة، مما يتيح تحسنًا ملحوظًا في الفعالية الإنتاجية.

لا تتردد في مشاركة أفكارك حول هذا الابتكار! ما رأيكم في تطبيق تقنيات الذكاء الاصطناعي في مشاكل الهندسة المعقدة؟