في عالم تعلم الآلة، ما زال تصميم المحسّنات (Optimizers) يمثل تحديًا علميًا معقدًا، حيث يتطلب الأمر مراعاة العديد من العوامل مثل الهندسة التمهيدية (Optimization Geometry) وديناميكيات الحالة (State Dynamics) والاستقرار العددي (Numerical Stability). تلعب طرق اكتشاف المحسّنات الآلية دورًا محوريًا في هذا السياق، ولكن التعقيد يكمن في طبيعة البحث عن المحسّنات.

هنا يأتي دور OPTScientist، الإطار المبتكر الذي تم تصميمه بطريقة متعددة الوكلاء لاكتشاف المحسّنات في لغة برمجة مخصصة. يعتمد OPTScientist على البحث العلمي المنظم والموجه، حيث تتم التعبير عن التحديثات المحتملة من خلال مجموعة من العناصر مثل الاتجاه (Direction) والتوسيع (Scaling) والتأهيل المسبق (Preconditioning) والانتظام (Regularization) وغيرها.

يعمل ضمن هذا الإطار أربعة وكلاء: الباحث (Theorist)، المصمم (Designer)، المهندس (Engineer)، والمراجع (Reviewer). هؤلاء الوكلاء يتعاونون في حلقة واحدة مقننة لاقتراح الفرضيات، وتجميع المقترحات، وتقييم المحسّنات بشكل منهجي. للتغلب على قيود البحث الثابت، يتم دمج البحث التطوري (Evolutionary Search) مع آلية ثانية تقترح تحسينات طفيفة في لغة البرمجة عند ظهور مشكلات عند التقييم.

من خلال استخدام هذا الإطار، تم اكتشاف محسن جديد يُعرف باسم RS-MR، وهو مصمم لتحسين أداء نماذج Transformers في التدريب المسبق. توضح النتائج التي توصلنا إليها مسارًا نحو عِلم المحسّنات الآلي المستند إلى النظرية، مع برامج الطباعة المحددة والتحقق من المترجم والتجريب المغلق.

كيف ترى تأثير OPTScientist على مجال الذكاء الاصطناعي؟ شاركنا برأيك في التعليقات!