شهدت السنوات الأخيرة تقدمًا ملحوظًا في ميدان الذكاء الاصطناعي، وبالأخص في استخدام الشبكات العصبية الرسومية (Graph Neural Networks) وما يمكن أن تتعلمه قريبًا. يبقى السؤال الأهم: إلى أي مدى تستطيع هذه الشبكات تعلم تنفيذ الخوارزميات بدقة وفاعلية؟!

في دراسة حديثة منشورة على منصة arXiv، تم تقديم نتائج مذهلة تُظهر القدرة ليس فقط على تعلم الخوارزميات، بل تنفيذها بدقة عالية. تم اتباع نهج ثنائي المراحل لتحقيق ذلك: الأول، تدرب نموذج جديد مؤلف من مجموعة من الشبكات العصبية متعددة الطبقات (Multi-Layer Perceptrons - MLPs) لتنفيذ التعليمات المحلية لعقدة واحدة. وفي المرحلة الثانية، يتم استخدام هذا النموذج المدرب كوظيفة تحديث داخل الشبكة العصبية الرسومية.

تستند هذه الدراسات على نظرية نواة فحص الشبكة العصبية (Neural Tangent Kernel - NTK)، حيث يمكن تعليم التعليمات المحلية من مجموعة تدريب صغيرة، مما يمكّن من تنفيذ الخوارزمية الكاملة بدقة عالية ودون أخطاء أثناء مرحلة الاستدلال.

لإظهار القوى التعليمية لهذا الإعداد، تم إثبات نتائج تعلم صارمة لنموذج LOCAL الخاص بالحوسبة الموزعة. كما تم التوصل إلى نتائج إيجابية لتعلم الخوارزميات الشائعة مثل خوارزمية غمر الرسائل، البحث بالعرض (Breadth-First Search)، البحث بالعمق (Depth-First Search)، وخوارزمية بيلمان-فورد (Bellman-Ford).

بات هذا البحث مرجعًا يتوجب على كل مختص ومهتم بعالم الذكاء الاصطناعي متابعته، فهو يقدم لنا نافذة جديدة نحو الإمكانيات المذهلة لأساليب التعلم العميق.