في عالم الذكاء الاصطناعي، تُعتبر نماذج اللغات الكبيرة (Large Language Models) من أهم التطورات التي شهدناها في العقد الأخير. ورغم تفوق هذه النماذج في معالجة الرياضيات سواء كانت شكلية أو غير شكلية، إلا أنها لا تزال تواجه تحديات كبيرة عند تحويل البيانات غير الرسمية إلى صياغات رياضية رسمية، وهي العملية المعروفة باسم "autoformalisation".

تعتمد فعالية النماذج الرياضية الحالية على البيانات الكبيرة، إلا أن توافر مجموعات البيانات اللازمة لتحسين الأداء كان محدوداً. لكن هنا يأتي الابتكار الثوري مع TopoAlign، الإطار الذي يقدم حلاً مبتكراً لاستغلال مستودعات الشيفرة البرمجية المتاحة بشكل واسع.

يعتمد TopoAlign على تحليل الشيفرة إلى مكوناتها الأساسية مثل docstrings والوظائف الرئيسية ووظائف التبعية، ثم يُعيد تجميع هذه المكونات على نحو يتوافق هيكليًا مع البيانات الرياضية الرسمية. وهذا التحليل يضمن إعداد نموذج متكامل يجمع بين الرياضيات والشيفرة البرمجية.

لقد تم تدريب ثلاثة نماذج متطورة، هي DeepSeek-Math وQwen-3 وHerald، وتم تقييمها باستخدام معايير موثوقة مثل MiniF2F وPutnam وProofNet. وقد أظهر TopoAlign تحسينات ملحوظة، حيث ارتفع أداء DeepSeek-Math بنسبة 17.77% على مقياس BEq@10 و68.82% على typecheck@10، مع تحسينات أيضاً لنموذج Herald، حتى بدون إضافة معارف رياضية جديدة.

ما رأيكم في الابتكارات الجديدة في مجال الذكاء الاصطناعي؟ هل تعتقدون أن هذه التطورات ستحسن من جودة النماذج الرياضية؟ شاركونا آرائكم في التعليقات!