في عالم الذكاء الاصطناعي، تعتبر وسائل التقدير المقبولة (Admissible Heuristics) من العناصر الأساسية لضمان التخطيط الأمثل. هذه الأساليب، رغم أهميتها، تمثل تحدياً حقيقياً في التعلم نتيجة للمخاطر المرتبطة بالتقديرات المفرطة. للتغلب على هذه المشكلة، تم تطوير مفهوم تقسيم التكاليف (Cost Partitioning) الذي يجمع بين عدة وسائل تقدير تجريدية مع الحفاظ على القبول، لكن حساب الأقسام المثلى في الوقت الفعلي يعد أمرًا مكلفًا للغاية.

في أحدث الدراسات، تم تقديم إطار عمل ذكي يتعلم استنتاج تقسيمات التكاليف المقبولة من خلال الاستفادة من المعادلة المزدوجة لاغرانج بين تقسيم التكاليف وتوقع العوامل. يتم تمثيل حالات التخطيط ونماذجها على شكل رسومات بيانية موصوفة، حيث يعمل تنويع خوارزمية وايزفيلر-ليمان (Weisfeiler-Leman) على استخراج متجهات السمات الهيكلية.

تعتمد البنية العميقة المعتمدة في هذا البحث على الاهتمام الذاتي المحوري (Axial Self-Attention) وطبقة إخراج ناعمة (Softmax) تربط هذه السمات بأوزان التكاليف التي تلبي قيود التقسيم، مما يضمن القبول. تظهر التجارب انخفاضاً ملحوظاً في عدد توسعات العقد مقارنةً بأساليب التقسيم غير المثلى، مع الحفاظ على المستوى الصارم من القبول.

لأول مرة، نجد أن هذه الطريقة المعتمدة على تعلم الآلة تضمن تحقيق الوسائل المقبولة، مما يعكس تقدمًا كبيرًا في مجال تخطيط الذكاء الاصطناعي.