في عالم تقنيات الذكاء الاصطناعي، تسعى الحلول الحديثة دائمًا إلى رفع مستوى الكفاءة، وخاصة في مجالات مثل جدولة الوظائف المرنة (Flexible Job Shop Scheduling - FJSP). حيث تُعَدّ استراتيجيات التعلم العميق المعززة (Deep Reinforcement Learning - DRL) من أبرز النتائج في هذا المجال، ولكنها تواجه تحديات كبيرة نتيجة لزيادة عدد المعلمات وفترات الاستدلال المطولة مع زيادة حجم المشكلات.

ومع تقدم الأبحاث، ظهرت الشبكة المستلهمة من السوائل (Liquid Neural Networks - LNNs) كبديل واعد، تقدم نموذجًا فعالًا من حيث المعلمات لنمذجة التطورات التكيفية. ومع ذلك، فإن الديناميات المتتابعة الخاصة بها تعيق فعالية الحوسبة، مما يثير الحاجة إلى إيجاد حلول جديدة ترقى إلى مستوى التحديات.

📌 لذا، نقدم لكم PLAN (Parallel Liquid-inspired Approximation Network)، وهو إطار تعلم تمثيلي خفيف الوزن يقوم بإعادة صياغة ديناميات الحالة السائلة المستمرة في صورة مقسمة وقابلة للتوازي. يتيح هذا التصميم الفصل بين تطور الحالة وتجميع السياق، حيث تتولى التحديثات المستلهمة من السوائل معالجة تمثيل الحالة المتطور الرئيسي، بينما يقدم وحدة تجميع السياق الخفيفة سياقًا عالميًا تكميليًا.

✨ فضلاً عن ذلك، تتميز PLAN بكونها backbone متعدد الاستخدامات يمكنها التكيف مع أنواع FJSP المعقدة، حيث يمكن دمجها مع وحدة عشوائية مدمجة لتلبية احتياجات FJSP العشوائية، واستبدال المحولات المعقدة في FJSP الديناميكي المتعدد الوجوه.

تم إجراء تقييمات شاملة عبر مقاييس FJSP الحتمية والعشوائية والديناميكية المتعددة الوجوه، حيث أظهرت الخطة الجديدة تحسينات ملحوظة في الأداء. على سبيل المثال، أظهرت النتائج تقليل المتوسط العام للوقت المستغرق في المهام بنسبة 1.2%، 1.4%، و2.3% على التوالي مقارنة بالمعايير الحالية. بل وبلغ تحسين الأداء حدًا أقصى قدره 10.2% في بعض الحالات!

كذلك، ساهمت PLAN في تقليص فترة الاستدلال بمعدل 13.2%، 31.7%، و26.9%، مع أقصى تقليص يصل حتى 69.2% على أكبر الحالات، مع استخدام ما يقارب 22-47% من معلمات النظام الأساسي.

💡 إذا كنت مهتمًا بالابتكارات في مجالات الذكاء الاصطناعي والجدولة، فإن PLAN تمثل محورًا مهمًا يستحق المتابعة. فما رأيكم في هذا التطور؟ شاركونا في التعليقات.