في مجالات العلم والهندسة، نجد أن تحسين الأنظمة يعتمد بشكل أساسي على تقييم الوظائف، مما يمكن أن يكون مكلفًا ويحد من ميزانية التقييم المتاحة. تقليديًا، تستنزف خوارزميات التطور وطرق تحسين الصندوق الأسود (Meta-BlackBox Optimization) الكثير من التقييمات على اختيار المرشحين، مما يؤدي غالبًا إلى إضاعتها على حلول غير فعالة.

ومع النهج التقليدي، حتى أساليب مثل التطور المدعوم بالنماذج البديلة (surrogate-assisted evolution) وتحسين بايزي (Bayesian optimization) تواجه تحديات عديدة، حيث يبقى بناء نموذج عالمي دقيق قائمًا على بيانات محدودة أمرًا معقدًا، ويمكّن التحيز النماذجي (model bias) من حصر البحث في الحدود المحلية.

للتغلب على هذه الصعوبات، نطرح إطار NeurGO، وهو إطار عمل مبتكر لتحسين الصندوق الأسود يقوم بشكل مباشر بتوليد مرشحين متميزين من حالات السكان التاريخية. يتم استخدام مشفر عابر للاهتمام (attention-based encoder) لالتقاط اتجاهات البحث على مستوى السكان، ليقوم بفك تشفير هذه التمثيلات لخلق مرشحين ذوي جودة عالية، متجنبًا التقييم المكلف لمجموعات ذرية كبيرة.

علاوة على ذلك، تم تصميم خسارة الجودة والتنوع (quality-diversity loss) للحفاظ على جودة الحلول وتنوع السكان طوال عملية البحث. ومن خلال اختبارات شاملة على مجموعات اختبار CEC 2008 وCOCO BBOB، أثبت أسلوبنا أداءً تحسينياً أفضل تحت نفس ميزانية التقييم، بالإضافة إلى سرعة أقرب في التقارب.

هل ترغب في معرفة المزيد حول كيفية تغيير NeurGO لممارسات تحسين الأنظمة في المستقبل؟ شاركونا آرائكم وتجاربكم في التعليقات!