ثورة جديدة في خوارزميات الأمثلية: كيف تستخدم نماذج اللغات الضخمة لتصميم حلول متعددة الأهداف

في عالم الذكاء الاصطناعي، تتطلب خوارزميات الأمثلية متعددة الأهداف (Multi-Objective Bayesian Optimization - MOBO) توازنًا دقيقًا بين العديد من الخيارات التصميمية المتداخلة، وهذا يتطلب عادة خبرة عميقة. ولكن ماذا لو تمكنت نماذج اللغات الضخمة (Large Language Models - LLMs) من تيسير هذه العملية؟

تقدم إطار العمل الجديد LLaMEA، الذي يستخدم نماذج اللغات الضخمة كعوامل طفرية وعوامل تقاطع ضمن استراتيجيات تطورية لتوليد تنفيذهات خوارزمية كاملة. من خلال دمج تحسين المعلمات SMAC ضمن الحلقة التطورية، تمكنا من إنتاج حوالي 900 خوارزمية عبر تسع جولات تطورية واختبارها على اثني عشر مشكلة صناعية وثلاث مشاكل هندسية واقعية.

عند الاختبار، حققت واحدة من أقوى الخوارزميات الناتجة أعلى حجم زمني عادي (0.971) مقابل 0.869 لـ qParEGO، مع توفير حوالي 60 مرة من الوقت اللازم. كما أظهرت تحليلات فرويدمان في التحسين، تفوق الخوارزميات الناتجة على qParEGO في 7 من أصل 12 مشكلة.

لكن الأمر لم يتوقف عند ذلك. فقد أكدت البيانات من ثلاث مشاكل هندسية غير مرئية أن إحدى الخوارزميات المحسّنة قد حققت أداءً مذهلاً، حيث وصلت إلى أعلى حجم عادي (0.985) بتكلفة زمنية أقل بنحو 3.4 مرة من qParEGO.

تظهر هذه النتائج المبهرة أن البحث القائم على نماذج اللغات الضخمة قادر على اكتشاف تصاميم خوارزمية تحقق توازنًا فعالًا بين الأهداف، وهو ما يصعب تحقيقه عبر التصميم اليدوي. كيف ترى تأثير هذه الابتكارات على مستقبل الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات.