في عالم الذكاء الاصطناعي، تعتبر نماذج اللغات الضخمة (Large Language Models) محورية في معالجة العديد من المشكلات الرياضية. ومع ذلك، فإن الأداء الحالي لهذه النماذج في مهام خوارزميات الرسوم البيانية لا يزال غير مُرضٍ، إذ تواجه الرسوم البيانية تعقيدات عميقة في الهيكل وتفرض الحاجة إلى تفكير منهجي متعدد الخطوات، خاصة عند التعامل مع الرسوم البيانية الكبيرة.

استجابة لهذه التحديات، نقدم نظام GraphDC، وهو إطار عمل يعتمد على مبدأ "التقسيم والتغلب" (Divide-and-Conquer) باستخدام وكالات متعددة. يقوم GraphDC بتقسيم الرسم البياني المدخل إلى رسوم فرعية أصغر، حيث يتم تخصيص كل رسم فرعي لوكيل متخصص يمارس التفكير المحلي. بعدها، يقوم وكيل رئيسي بدمج المخرجات المحلية مع المعلومات الناتجة عن الرسوم الفرعية لتقديم الحل النهائي.

يساهم هذا التصميم الهرمي في تخفيف عبء التفكير عن الوكلاء الفرديين، مما يحل مشكلات الحسابات المحتملة، ويزيد من قوة النظام في التعامل مع الرسوم البيانية الكبيرة.

أظهرت التجارب الموسعة أن نظام GraphDC يتفوق بشكل مستمر على الأساليب الحالية في معالجة خوارزميات الرسوم البيانية عبر مهام ومقاييس متنوعة، وخاصة في الحالات الأكبر حيث تكون عملية التفكير المباشر من طرف إلى طرف أقل موثوقية.

باختصار، يفتح GraphDC آفاق جديدة في عالم الذكاء الاصطناعي، مما يجعله حلاً مضمونًا لمشاكل الرسوم البيانية المعقدة.