في عالم الذكاء الاصطناعي، يعتمد الكثير من النجاح على نموذج التعلم المسبق والنقل (pretrain-transfer paradigm)، الذي يمكن نماذج اللغة الكبيرة (LLMs) من التعلم من مجموعات بيانات ضخمة. ومع ذلك، يبقى التحدي الأكبر هو تطبيق هذا المفهوم على مشكلات البحث التشغيلي (Operations Research) التي تعتمد على هياكل الرسوم البيانية، بحيث هناك تناقض أساسي بين مرونة اللغة والإجراءات المحددة الرسوم البيانية.

لجسر هذه الفجوة، تقدم الباحثون مفهوم نموذج أساس الرسوم البيانية (Graph Foundation Model - GFM)، وهو الإطار الأول من نوعه الذي يمكنه حل جميع مشكلات التحسين المعتمدة على المسافات في الهياكل الرسومية. من خلال دمج نموذج التعلم الذاتي المتشابه للنماذج اللغوية في المسارات الناتجة عن المشي العشوائي في الرسم البياني، يجبر GFM على استيعاب القواعد الطوبولوجية والتركيبية المعقدة للرسم، حيث يمكن اعتبار ترابط الهيكل نفسه كإشارة إشرافية.

وعلى عكس الطرق العصبية الموجودة، التي تتعلم سياسات حل معقدة ومحددة للمهام، يعتمد نهجنا على استخدام GFM المدرب مسبقًا كنموذج أساسي للهيكل الداخلي للرسم البياني، مما يجعل من الممكن استخدام خوارزمية توليد بسيطة لمواجهة مجموعة متنوعة من التحديات في التحسين بفاعلية.

تظهر التجارب الشاملة على الشبكات التي تتراوح من 20 إلى 893 عقدة أن GFM يحقق أداءً تنافسياً مقارنة بالأدوات المتخصصة عبر مجموعة متنوعة من فئات مهام التحسين، مع الحفاظ أيضًا على أوقات استدلال أسرع بكثير. إن عملنا يؤسس لحقبة جديدة من تكيف إطار التعلم المسبق والنقل مع تحسين الرسوم البيانية، مما يفتح الأبواب أمام تطبيق ابتكارات نماذج الأساس في مجال البحث التشغيلي (OR).