في عصر تسارع تطورات الذكاء الاصطناعي، تبرز الحاجة لتقييم فعّال لتقنيات تعلم الرسوم البيانية (Graph Learning) التي أثبتت كفاءتها في مجالات متعددة مثل التنبؤ بخصائص الجزيئات وتصميم الرقائق. إلا أن ممارسات التقييم لا تزال متفرقة وتعتمد عادةً على مجموعات بيانات ضيقة وطرق تقييم غير متسقة، مما يعيق القدرة على إعادة إنتاج النتائج وتحقيق تقدم شامل.

مع تنامي أهمية نماذج الرسوم البيانية الأساسية (Graph Foundation Models)، أصبحت نقاط الضعف في الأساليب الحالية أكثر وضوحًا. ولمعالجة هذه التحديات، تم تقديم GraphBench، مجموعة تقييم شاملة تشمل مجموعة متنوعة من المجالات الواقعية وإعدادات المهام المختلفة.

توفر GraphBench بروتوكولات تقييم موحدة، بما في ذلك تقسيمات بيانات متسقة ومعايير لقياس التعميم خارج النطاق المحدد، فضلاً عن إطار موحد لضبط المعلمات (Hyperparameter Tuning). وبالإضافة إلى ذلك، تم تقييم GraphBench باستخدام الشبكات العصبية ذات تمرير الرسائل (Message-Passing Neural Networks) ونماذج المحولات الرسومية (Graph Transformer Models)، مما يساهم في وضع معايير علمية قوية للبحوث المستقبلية.

لمعرفة المزيد حول نظام GraphBench واكتشاف كيف يمكن أن يُحدث فرقًا في مجال تكنولوجيا الذكاء الاصطناعي، يمكنكم زيارة موقع www.graphbench.io.