في عالم الذكاء الاصطناعي، تعد تحسينات الشبكات العصبية التوافقية (Neural Combinatorial Optimization - NCO) أحد المجالات المثيرة التي لها تطبيقات هامة، لكن غموض طبيعتها السوداء يُعد عائقًا رئيسيًا أمام استخدامها وإجراء تشخيص علمي دقيق. بمعنى آخر، العديد من أدوات التفسير التقليدية، مثل نماذج عنق الزجاجة المفهومية (Concept Bottleneck Models - CBMs)، لا تستطيع التعاطي مع NCO بشكل مثالي.

لحل هذه المشكلة، تقدم الدراسة الجديدة إطار Evolving Programmatic Bottlenecks (EPB) كأول إطار عمل يُفسِّر سياسات NCO من خلال إعادة تقطير نماذج NCO المعتمدة على الغموض إلى محفظات برامج مفهومة للبشر. يعتمد EPB على نموذج لغوي كبير (Large Language Model - LLM) لتطوير بنك من البرامج بشكل تلقائي، حيث تعمل كل توزيع إجراء لكل خطوة كعنق زجاجة.

يعمل EPB من خلال إطار عمل تكراري، أولًا يتحدد فيه سعة بنك البرنامج ويتم تقديم نظام تدرج مختلط نصي رقمي يقوم بربط التدرجات الرقمية لتحديث مسارات الطلبة والتدرجات النصية لتعديل البرامج المعتمدة على LLM. في الخطوة الثانية، يتم تعديل سعة البنك بشكل ديناميكي من خلال توسيع موجه نحو الأخطاء والتقليم الزائد.

تظهر النتائج التجريبية الواسعة فعالية EPB وتطبيقاته المتعددة، حيث تطابق المحافظ المقطرة في الغالب الأداء الأصلي. بالإضافة إلى ذلك، يكشف EPB أن سلوك NCO يتغير عبر مراحل التحسين، ويمكن تقريبه كتركيب من نسخ كلاسيكية من خوارزميات التقدير.

هذا البحث يُعتبر خطوة متقدمة نحو تحسين فهم نماذج NCO القابلة للتفسير ويظهر كيف أن EPB يمكن أن يكون أداة واعدة لتفسير نماذج اتخاذ القرار التسلسلي.