في عالم تحسين الروبوتات، تعتبر عملية التحسين القوي بخطوتين (Two-Stage Robust Optimization - 2RO) من بين أبرز التقنيات المستخدمة لمواجهة عدم اليقين. ومع ذلك، تعاني هذه العمليات من صعوبات كبيرة عندما يتعلق الأمر بحساب الحلول الدقيقة بسبب تعقيد السيناريوهات. هنا يأتي دور تخفيض السيناريوهات، الذي يسهم في اختيار مجموعة صغيرة وممثلة من السيناريوهات لتسهيل الحسابات.

ومع ذلك، تفتقر الأساليب الحالية إلى التخصيص، حيث تعمل فقط على مجموعة عدم اليقين دون النظر إلى المنطقة القابلة للتطبيق أو هيكل إعادة الموارد. لتجاوز هذه العقبة، تم تقديم NeurPRISE، وهو نموذج مبني على شبكة عصبية يستخدم بنية GNN-Transformer، من خلاله يتم تشفير هيكل كل سيناريو عبر التحويل البياني واستيعاب التفاعلات بين السيناريوهات عبر الانتباه.

يتم تدريب NeurPRISE باستخدام تقنية التعلم بالتقليد (Imitation Learning)، ما يضمن استخراج معلومات مكاسب السيناريوهات بطريقة مدروسة، ويعمل على تحقيق تصنيف وتحديد شاملين للسيناريوهات.

أظهرت النتائج الواسعة على ثلاثة من مشكلات 2RO أن NeurPRISE يحقق نتائج تنافسية مقارنة بالأساليب الشاملة، مع الحفاظ على مستويات قوية من القدرة على التوسع، وتقديم تسريع يتراوح من 7 إلى 200 مرة بالمقارنة مع PRISE. كما يتمتع NeurPRISE بقدرة قوية على التعميم، مما يجعله قادرًا على التعامل مع حالات أكبر ومزيد من السيناريوهات دون الحاجة إلى تدريب إضافي.