في عالم سريع التطور من آليات الذكاء الاصطناعي والتعلم الآلي، تبرز MLEvolve كإطار عمل متطور يمهد الطريق لاكتشاف خوارزميات التعلم الآلي بطرق آلية وذكية. يعتمد MLEvolve على نماذج اللغات الضخمة (LLMs)، مما يجعله قادرًا على التعامل مع مهام طويلة الأمد، مثل الاكتشاف العلمي وهندسة التعلم الآلي (MLE).

أحد التحديات الكبرى التي تواجه عملاء MLE هو العزلة المعلوماتية بين الفروع، والبحث بدون ذاكرة، وغياب السيطرة الهرمية، مما يعيق تحسين الأداء على المدى الطويل. ومع ظهور MLEvolve، فإننا نشهد تحولًا جذريًا في طريقة عمل الوكلاء القائمين على التعلم الآلي.

يقدم MLEvolve نهجًا متقدمًا يُعرف باسم Progressive MCGS، والذي يتيح تدفق المعلومات بين الفروع من خلال استخدام جهات مرجعية قائمة على الرسوم البيانية. هذه الآلية لا تقتصر على استكشاف الحلول بشكل عشوائي، بل تركز البحث بشكل تدريجي مما يسهل استغلال الفرص المثلى.

لتمكين الوكيل من التطور مع اكتساب الخبرات، تم إدخال مفهوم الذاكرة الاستعادية (Retrospective Memory) التي تجمع بين قاعدة معرفية باردة وذاكرة عالمية ديناميكية لاسترجاع الخبرات الخاصة بالمهام.

كما تم تطوير استراتيجيات تخطيط مستقلة عن توليد الشيفرات باستخدام أوضاع برمجة مرنة، مما يضمن استمرارية العملية على المدى الطويل. أظهرت التقييمات باستخدام MLE-Bench أنه على الرغم من وجود ميزانية زمنية تبلغ 12 ساعة فقط، أثبت MLEvolve تفوقه في العديد من الأبعاد، بما في ذلك معدل الميداليات ومعدل الإرسال الصحيح، متفوقًا على الطرق التقليدية، بما في ذلك AlphaEvolve.

هل أنتم مستعدون لاستكشاف آفاق جديدة في عالم الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!