في عالم معالجة المشاكل التنافسية (Combinatorial Optimization Problems - COPs)، يعتمد الحل الناجع على مجموعة من الأمور المعقدة. بينما تزايد الاعتماد على نماذج اللغات الضخمة (Large Language Models - LLMs) في الفترة الأخيرة، يعتمد معظم الأطر الحالية على نماذج البرمجة الخطية المختلطة (Mixed-Integer Linear Programming - MILP) التي قد لا تكون الأنسب لكل المشاكل.

تُظهر ورقة بحثية جديدة كيف يمكن للباحثين التغلب على قيود نمذجة MILP من خلال اقتراح إطار OptiDSL. يتجنب هذا الإطار الفرضيات الصارمة التي تأتي مع MILP من خلال تحويل النمذجة إلى تمثيلات بلغة مخصصة (Domain-Specific Language - DSL).

تعتمد العملية على الاستفادة من LLMs لوضع اللغة الطبيعية ضمن الهياكل القياسية المعترف بها في المجال، مما يتيح لفريق العمل فصل صياغة المشكلة عن التنفيذ. يدعم هذا النموذج تكاملاً سلسًا مع مكتبة متنوعة من الحلول المتخصصة، بدءًا من الطرق التقليدية حتى الأساليب المعتمدة على التعلم.

النتائج التجريبية المتاحة تُظهر تفوق OptiDSL على نماذج MILP بشكل ملحوظ، إذ سجلت زيادة تصل إلى 51.66% في دقة النموذج وتقليلاً يصل إلى 91.71% في وقت النمذجة. كما حققت OptiDSL دقة أعلى بنسبة 23.09% مقارنةً بالأنظمة القائمة على MILP في الاختبارات الحالية. لمزيد من التفاصيل، يمكنكم الاطلاع على الشيفرة المتاحة هنا.

هذا النهج الجديد يعد بفتح آفاق جديدة لمجالات التطبيقات المختلفة. كيف ترىوا تأثير هذه التطورات على مستقبل الذكاء الاصطناعي والنمذجة؟ شاركونا آراءكم في التعليقات!