شهدت السنوات الأخيرة اهتمامًا متزايدًا لفهم قدرة الشبكات العصبية على تعلم تنفيذ الخوارزميات المنفصلة، وهو ما يعرف باسم التفكير الخوارزمي العصبي (neural algorithmic reasoning). تهدف هذه الأبحاث إلى دمج قدرات التفكير الخوارزمي ضمن عمليات شبكات طاقة الأعصاب الكبرى (neural pipelines) الموزعة. تُعتبر الشبكات العصبية الرسومية (Graph Neural Networks) خيارًا مثاليًا لمثل هذه التطبيقات نظرًا لقدرتها على التعامل مع المدخلات المتغيرة الحجم وكفاءتها في مواجهة الأمور المتناثرة.

ومع ذلك، فإن معظم الدراسات السابقة كانت إمبريقية وتفتقر إلى الضمانات الرسمية، أو كانت تركز حصريًا على القدرة التعبيرية، مما يترك تساؤلات حول طريقة وكيفية تعميم تلك الأنظمة على مجموعات بيانات تدريبية محدودة.

في هذا العمل، نقترح إطارًا نظريًا عامًا يحدد الشروط الكافية التي تحتاجها الشبكات العصبية الرسومية لتعلم خوارزمية من مجموعة بيانات تدريبية تحتوي على حالات بسيطة ويُثبت قدرتها على تقريبات سليمة فيما يتعلق بمخرجات بحجم غير محدود. ينطبق هذا الإطار على مجموعة واسعة من الخوارزميات، بما في ذلك مسارات الأقصر من نقطة واحدة، والأشجار الشاملة الحد الأدنى، ومشاكل البرمجة الديناميكية العامة مثل مشكلة حقيبة الظهر 0-1.

علاوة على ذلك، نعرض نتائج عدم إمكانية النجاح (impossibility results) لعدد كبير من المهام الخوارزمية، مما يُظهر أن الشبكات العصبية الرسومية القياسية لا تستطيع تعلمها. كما نستخلص عمارة جديدة للمشاريع العصبية الرسومية تتمتع بقدرة تعبيرية أعلى تستطيع التغلب على هذه القيود.

وأخيرًا، قمنا بتحليل مُعدل لخوارزمية بيلمان-فورد، مما يُجدي بفائدة تقليل مجموعة التدريب المطلوبة بشكل كبير وتوسيع العمل الجديد الذي قام به Nerem et al. [2025] من خلال تمكين فقدان تنظيم تمييزي. تدعم النتائج التجريبية بشكل كبير استنتاجاتنا النظرية.