تعتبر عملية تحديد أماكن الأخطاء في البرمجيات من أهم الخطوات نحو إصلاحها بشكل آلي، حيث تسهم هذه العملية في تسريع تطوير البرمجيات وتحسين جودتها. في هذا السياق، ظهر مفهوم جديد يعرف بـ HyperFL، والذي يقدم إطار عمل مبتكر لتعلم التمثيلات المرنة للاستفسارات في مجال تحديد الأخطاء البرمجية.

تقوم الأساليب المستخدمة حالياً في تحديد الأخطاء بالاعتماد على تمثيلات ثابتة للإبلاغ عن المشكلات، مما يؤدي إلى تقييد فعالية التعرف على هذه الأخطاء، خاصة مع تنوع تقارير الأخطاء واختلافاتها في الطول والتركيب. يهدف HyperFL إلى معالجة هذه القيود من خلال استخدام شبكة هيفر (hypernetwork) خفيفة الوزن لتوليد معلمات خاصة بالاستفسار (LoRA parameters) خاصة بكل استفسار، مما يمكن من تكيف ديناميكي مع الاستفسارات مع الحفاظ على ثبات وفاعلية ترميز الشفرات.

أظهرت التجارب التي أجريت على مجموعة بيانات حقيقية لتحديد مواقع الأخطاء تحسيناً ملحوظاً في أداء الاسترجاع، حيث حقق HyperFL تحسناً نسبته 13.3% في متوسط استرجاع الدرجات (MRR@10) و16.7% في معدل النجاح الأول (Hit@1) مقارنة بأفضل الأساليب الحالية مثل SweRank.

تؤكد هذه النتائج على قدرة إطار العمل الجديد على تعلم أنماط تكيف متميزة وفقاً لخصائص المشكلة، مما يبرز فعالية التمثيلات التكيفية للاستفسارات في مجال تحديد الأخطاء البرمجية. مما لا شك فيه أن HyperFL يمثل خطوة هامة إلى الأمام في ريادة الذكاء الاصطناعي في مجال البرمجيات.