في ظل التطورات السريعة في مجال الذكاء الاصطناعي، تظهر دراسة جديدة تتناول موضوعاً مثيراً يجمع بين البرمجة الجينية (Genetic Programming) والتعلم متعدد الأنماط (Multi-Modal Learning). تسعى هذه الدراسة إلى فهم كيفية استخدام تقنيات البرمجة الجينية لاكتشاف تعبيرات رياضية من البيانات، وهي مهمة تقليدية تعتمد بشكل واسع على البحث التركيبي.

تتضمن هذه الدراسة تطبيق أساليب تحسين الفضاءات الكامنة (Latent Space Optimization - LSO) التي تستخدم مشفرات عصبية لتحويل التعبيرات الرمزية إلى فضاءات مستمرة، مما يحول البحث التركيبي إلى تحسين مستمر. على وجه الخصوص، تم تقديم نموذج اسمه SNIP (ميداني وآخرون، 2024) مستوحى من تقنية CLIP، والذي يهدف إلى تحسين LSO عن طريق تقديم نهج متعدد الأنماط، حيث يقوم بمواءمة مشفرات رمزية ورقمية في نفس الفضاء الكامن.

ومع ذلك، تعتمد فعالية هذا النهج على توافق دقيق بين الأنماط، بينما تشير الأدبيات السابقة عن نماذج مشابهة إلى أن هذا التوافق غالباً ما يكون خشناً. لذلك، قررت الدراسة استكشاف ما إذا كان SNIP يحقق وعده في تحسين البرمجة الجينية بشكل فعال.

أظهرت تجاربنا نتائج مثيرة للاهتمام، حيث تبين أن: (1) التوافق بين الأنماط لا يتحسن أثناء عملية التحسين، حتى مع زيادة اللياقة، و(2) أن التوافق الذي تعلمه SNIP كان خشناً جداً لاستخدامه في البحث المنهجي في الفضاء الرمزي.

تكشف هذه النتائج عن إمكانات كبيرة للتعلم متعدد الأنماط في تحسين البرمجة الجينية، ولكنها تشير إلى أن تحسين التوافق-guided الفعّال لا يزال خارج نطاق التحقيق في التطبيق العملي، مما يبرز أهمية التركيز على التوافق الدقيق كاتجاه ضروري للأبحاث المستقبلية.

ما رأيكم في هذه التطورات المثيرة في مجال الذكاء الاصطناعي؟ شاركونا في التعليقات!