في مجال الذكاء الاصطناعي، يمثل البحث في الشجرة باستخدام مونت كارلو (Monte Carlo Tree Search - MCTS) إطارًا قويًا لحل مشاكل اتخاذ القرار المعقدة. ومع ذلك، تعتمد هذه الطريقة غالبًا على فرضية تطابق المحاكيات مع الديناميكيات الواقعية، وهو ما يمثل تحديًا في السيناريوهات الحقيقية نظرًا للتباينات التي قد تحدث بسبب نقص الدقة في نماذج المحاكاة.

لاستيعاب هذه المشكلة، تقدم ورقتنا البحثية نوعًا جديدًا من MCTS يساعد في معالجة الغموض الديناميكي الذي قد يظهر عند الدمج بين التخطيط القائم على المحاكاة ونشره في العالم الحقيقي. هذا النموذج المبتكر يتجاوز القيود التقليدية من خلال معالجة تباينات الديناميكية والعوائد، مما يضمن تحقيق نتائج قوية حتى في ظل غموض كبير.

يتميز خوارزمنا الجديد بتضمين مشغل متوسط قوي مصمم بدقة ومكافآت استكشاف معدة بعناية، مما يضمن تقارب العينة المحدودة في كل نقطة في شجرة البحث. نقدم أدلة تجريبية تثبت أن أسلوبنا يحقق معدل تقارب يصل إلى O(n^{-1/2}) لتقدير القيم عند الجذر، وهو ما يعادل أداء MCTS القياسي.

أثبتت تجاربنا أن نموذج التعلم القوي هذا يوفر أداءً موثوقًا في مشاكل التخطيط، حتى تحت ظروف عدم اليقين في توزع المكافآت الديناميكية. إن ما نقدمه هو خطوة جديدة نحو تعزيز التقنيات الحالية واستغلال أبعاد جديدة في الذكاء الاصطناعي.