في عالم التحكم في تدفقات السوائل، تمثل الديناميكيات غير الخطية والتفاعلات الجزئية تحديات كبيرة لمهندسي التحكم. ومع تعقيد التصاميم، قدم التعلم العميق القائم على التعزيز (Deep Reinforcement Learning - DRL) إطاراً قوياً لمواجهة هذه التحديات. ولكن، غالباً ما تحتاج هذه الطرق إلى عدد كبير من التفاعلات مع المحاكيات، مما يجعلها مكلفة وغير فعالة في بعض الأحيان.

في دراسة جديدة، يتجه العلماء نحو نموذج مختلف في معالجة هذا التحدي. بدلاً من تحسين معايير الشبكات العصبية، يعتمد الباحثون على "عملاء الترميز" (Coding Agents) للبحث عن قوانين تغذية راجعة تنفيذية واضحة. يتمثل الابتكار في بروتوكول تعلم تفاعلي مقيد، حيث يقوم العميل باقتراح وتقييم وتعديل تنفيذات التحكم بشكل تفاعلي عبر واجهة معيارية عامة.

أثبتت النتائج التي تم الحصول عليها من خلال تقييم الإطارات المقترحة على 13 مجموعة معيارية للتحكم في تدفق السوائل، أن هذه التقنية لا تعزز أداء التحكم فحسب، بل تقدم أيضاً آليات تغذية راجعة يمكن فهمها وتحليلها. تمكّن عملاء الترميز من تقديم أداء يعادل أو يتفوق على أفضل سياسات التعلم القائم على التعزيز في 10 من بين 13 بيئة اختبارية، في ظل ميزانيات محاكاة مماثلة.

ما يميز هذا النهج هو القدرة على نقل الآليات إلى تكوينات أكثر تحدياً، واستمرارية المنافسة تحت تأثير متغيرات مختلفة مثل أعداد المؤثرات وكثافة الملاحظات. توضح هذه النتائج أن التعلم التفاعلي باستخدام عملاء الترميز يمثل بديلاً فعالاً ومكملاً للتعلم القائم على التعزيز التقليدي، حيث يجمع بين الأداء العالي والهيكليات التفسيرية القابلة للفهم بسهولة.

للمزيد من المعلومات والشفرة المصدرية، يمكنكم زيارة الموقع: GitHub.