في عالم الذكاء الاصطناعي والتعلم الآلي، تُعتبر مهمة حساب النماذج بوزن معين (Weighted First-Order Model Counting) من التحديات المركزية في الاستدلال الاحتمالي المرفع. يتعلق الأمر بالحصول على المجموع الوزني لجميع النماذج لجملة منطقية ذات ترتيب أول على مجال محدود. على مدار سنوات، تم تحديد أجزاء منطقية قابلة للرفع، والتي يمكن حلها في زمن متعدد الحدود في حجم المجال.

من بين هذه الأجزاء، يُعتبر الجزء ثنائي المتغيرات مع العوامل العدديّة، والذي يُرمز له بـ (C²)، أحد أكثر الأجزاء المرفوعة تعبيرًا. ومع ذلك، كانت الخوارزميات الحالية تعتمد على تقنيات تقليص متعددة المراحل للتخلص من العوامل العدديّة من خلال قيود الكاردينالتي، مما يجلب عبئًا كبيرًا مع زيادة حجم المجال.

في ورقتنا الجديدة، نقدم خوارزمية IncrementalWFOMC3، والتي تمثل تحسينًا حقيقيًا لحساب النماذج في (C²) والامتداد العددي الخاص به (C²_mod). بدلاً من الاعتماد على تقنيات التقليص، تعمل هذه الخوارزمية مباشرة على شكل سكوت العادي الذي يحتفظ بالعوامل العدديّة طوال عملية الاستدلال.

تُظهر نتائجنا الرئيسية أمرين مهمين: أولاً، تمكنا من تقليل حد التعقيد البياني لـ WFOMC في (C²)، حيث انخفضت درجة البولنوميال من تربيعية إلى خطية بالنسبة للمعاملات العدديّة. ثانيًا، أثبتنا أن (C²_mod) قابل للرفع، مما يوسع القدرة على المعالجة إلى فئة أغنى تمتد للدعم العددي الأصلي.

أخيرًا، تظهر تقييماتنا التجريبية أن IncrementalWFOMC3 تحقق تحسينات ضخمة في أوقات التشغيل وقابلية التوسع مقارنة بالخوارزميات الحالية لحساب WFOMC وأفضل عدّادات النماذج العادية.

دعونا نتساءل معاً: كيف يمكن أن تؤثر هذه التطورات على المستقبل في مجال الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات.