نموذج لغوي ثوري: تحسين استدلال الرسوم البيانية المعرفية من خلال قواع قواعد داخلية هيكلية

في عالم الذكاء الاصطناعي، تأتي الاستنتاجات الجديدة كمفاجآت مثيرة، حيث تم الإعلان عن نموذج لغوي جديد يُطلق عليه اسم "نموذج القواعد الهيكلية الداخلية" (Structure-Internalized Rule Language Model) والذي يعد بتغيير قواعد اللعبة في استدلال الرسوم البيانية المعرفية (Knowledge Graph Reasoning). تهدف هذه التقنية المبتكرة إلى استخلاص الحقائق الخفية من خلال البنى المتاحة في الرسوم البيانية، لكن تلك العملية لطالما كانت تشكل تحديًا بسبب محدودية فهم النماذج للاستدلال الهيكلي.

أثبتت النماذج اللغوية الضخمة (Large Language Models) نجاحاً ملحوظاً في مهام استدلال الرسوم البيانية، لكن هناك مشكلة تعيق فعالية هذه النماذج تتمثل في تباين التمثيل بين السياق الهيكلي للرسوم البيانية ومعرفة النماذج المت Parametric، مما يؤثر بشكل مباشر على دقة وموثوقية الاستنتاج. حدد الباحثون هذه القضية باسم "تحول إدراك دليل الاستدلال" (Reasoning Evidence Perception Drift).

لمعالجة هذه المشكلة، تم تقديم نموذج القواعد الهيكلية الداخلية (SIRLM)، والذي يركز على توليد القواعد الهيكلية لتوحيد التعلم المعرفي الهيكلي مع تقييم مصداقية المنطق الاستدلالي، مما يمكّن النماذج اللغوية من التمسك بدقة الأدلة القائمة على الرسوم البيانية. يتضمن هذا النموذج أولاً "مولد القواعد الهيكلية الداخلية" (SIRG)، الذي يشتمل على كتلة تعلم سياقية معززة بذاكرة العلاقات الهيكلية، لضمان التنسيق بين المعرفة الهيكلية والمعرفة المقدرة.

علاوة على ذلك، تم تجهيز SIRG بمفكك رموز يحلل الرسوم البيانية بناءً على التعلم الهيكلي الثابت ومُفكِّر رمزي Neuro-symbolic Reasoner يعتمد على تمرير الرسائل لتعزيز أداء التفسير. هذه المكونات تتيح للمولد (SIRG) تميز التمثيلات الهيكلية القابلة للتعلم وتعزز فعالية ملاحظات تنفيذ القواعد. تُظهر التجارب المنفذة مقارنةً بـ 17 طريقة رائدة في استدلال الرسوم البيانية المعرفية على 36 مجموعة بيانات، تفوق SIRLM بشكل ملحوظ مما يعزز القطاع بأكمله.