في عالم التعلم الآلي، غالبًا ما تكون التقنيات المستخدمة ثنائية المستوى، حيث يختار خبراء المجال نوع الأساليب المناسبة، وتصبح عملية اختيار المكونات الرئيسية أمرًا حرجًا وغالبًا ما تكون يدوية. لكن دراسة جديدة تقدم حلاً مبتكرًا عبر نظام متعدد الوكلاء لنماذج اللغات الضخمة (Multi-Agent Large Language Model) لتحسين هذه المكونات.

يتضمن هذا النظام الأدوار الثلاث: المحلل، المبرمج، ومسجل التجارب، مع سجلات تجريبية وبيئة تنفيذ محددة. على عكس الأنظمة التي تسعى لتحسين البرنامج بالكامل أو البحث عن بنى معمارية في مساحة منفصلة، يعمل هذا الإطار ضمن مساحة مفتوحة لكنها ضيقة دلاليًا، حيث يقوم الوكيل بتوليد الشيفرة للمكونات المحددة فقط، دون تغيير الهيكل العام للشبكة.

تمت تجربة الطريقة على نموذج تصنيف شبكة عصبية جاذبية تعمل بأسلوب التعلم بالارتباط، وعلى حل معادلات تفاضلية عالية الرتبة باستخدام الشبكات العصبية المستندة إلى الفيزياء (Physics-Informed Neural Networks - PINN). في خمسة مهام متنوعة، بما في ذلك التصنيف على مجموعات بيانات MNIST وDigits، بالإضافة إلى مشاكل الحدود لمعادلة شرودنغر العامة (GNLSE) ومعادلات كوراموتو-سيفاشينسكي (KS)، أثبت الوكيل تفوقه على المستويات الأساسية: حيث كانت دقة التصنيف أعلى بنسبة 13 نقطة مئوية في MNIST و6 نقاط في Digits.

علاوةً على ذلك، تم تقليل الخطأ مقابل الحل الأحادي الشبيه بحل السوليتون بمقدار حوالي 2491 مرة، وانخفض خطأ الحفاظ على الثوابت بحوالي 325 مرة في الاختبار المحدد من GNLSE، مع تحسينات ملحوظة في انحراف الكتلة في مشكلة KS.

هذا النظام يثبت قدرته على تحسين المكونات الرئيسية في مهام متنوعة دون تغيير هيكله الداخلي، ما يفتح آفاق جديدة أمام استخدامات الذكاء الاصطناعي في مجالات متعددة.