في عالم الحوسبة، تُعتبر مشكلة أقصى عناقيد (Maximum Clique Problem) من التحديات الرئيسية، إذ تُصنف ضمن المسائل الصعبة (NP-hard) ولها تطبيقات واسعة في مجالات مثل علم الأحياء المعلوماتية وعلوم الشبكات والحوسبة الاجتماعية. على الرغم من التطورات الكبيرة في هذا المجال، لا يوجد خوارزمية واحدة تتفوق دائماً على غيرها في جميع حالات الرسوم البيانية المختلفة، مما يظهر الحاجة الملحة لاختيار خوارزمية تتناسب مع كل حالة.

للرد على هذا التحدي، تم تقديم إطار عمل جديد يعتمد على التعلم، يجمع بين التعلم الآلي التقليدي والشبكات العصبية الرسومية (Graph Neural Networks). يكمن جوهر هذا العمل في إنشاء مجموعة بيانات مرجعية عبر تنفيذ أربع خوارزميات حديثة لحل مشكلة أقصى عناقيد على مجموعة متنوعة من الرسوم البيانية، مما يساعد في استخراج الميزات الهيكلية.

أظهرت التقييمات أن طريقة الغابة العشوائية (Random Forest) تعتبر معياراً قوياً، حيث كشفت التحليلات عن أن الخصائص التوصيلية والتوبولوجية تلعب دوراً حاسماً في توقع الأداء.

بناءً على هذه الرؤى، طوّر الباحثون نموذج GAT-MLP، الذي يجمع بين شبكة الانتباه الرسومية (Graph Attention Network) لتشفير هيكل الرسم المحلي ومعالج متعدد الطبقات (Multilayer Perceptron) لتصوير الميزات العالمية.

أثبتت التجارب قدرة نموذج GAT-MLP على التفوق على جميع المعايير الأخرى، حيث حقق دقة 90.43% في اختيار أفضل حل، مما يدل على فاعلية الهيكل ثنائي القناة واستخدام الشبكات العصبية الرسومية لتحسين اختيار الخوارزميات. يمكن الاطلاع على الشيفرة والنماذج المتاحة عبر الإنترنت.