في خطوة سباقة نحو تطوير تقنيات الذكاء الاصطناعي، تتناول هذه الدراسة الجديدة دمج نماذج اللغات الضخمة (Large Language Models) ضمن أطر تطورية، مما يسهم في خلق معايير جديدة لاكتشاف الخوارزميات بشكل آلي. برغم الوعد الذي تحمله هذه الطرق، فإنها غالبًا ما تعتمد على البحث في الفضاء المتقطع لكتابة البرامج، مما يجعلها تعتمد على عمليات عشوائية للتنقل عبر مشهد التحسين غير المحدب.

تقدم الدراسة الحالية إطار عمل لاكتشاف الخوارزميات الهيكلية المستمرة، مما ينقل التحسين إلى مانفولد مخفي مُتعلم. يتم ذلك من خلال استخدام مُرمز لتمثيل البرامج المتقطعة في تجسيدات مستمرة وتدريب نموذج تعويضي قابل للتفريق للتنبؤ بالأداء، مما يمكّن من البحث بناءً على التدرج.

لضبط مسار التحسين، يتم استخدام تدفق اعتيادي قابل للعكس لتحويل هذه التجسيدات إلى معيار غاوسي منظم، حيث يتم إجراء تصعيد التدرج. وتُسقط المتجهات المتزايدة المُحسّنة من خلال مُعدّل متعلم في سياقات ناعمة، مما يُشعر نموذج اللغة الضخمة المجمد لتوليد خوارزميات جديدة قابلة للتنفيذ.

تم تقييم الطريقة المقترحة على مجموعة من المشاكل الشهيرة، مثل مشكلة بائع السفر (Traveling Salesman Problem) ومشكلة توجيه المركبات ذات السعة المحدودة (Capacitated Vehicle Routing Problem) ومشكلة الحقيبة (Knapsack Problem) ومشكلة التعبئة المتصلة على الإنترنت (Online Bin Packing). وقد أظهرت النتائج التجريبية أن تحسين الفضاء الكامن المستمر يُحقق أداءً منافسًا مع الأساليب التطورية الحديثة، مقدماً بديلاً منهجياً مكملاً لتصميم الخوارزميات الآلي.

يمكن الاطلاع على كود التنفيذ المتاح عبر الرابط: [https://github.com/cheikh025/LHS].