In Context Learning and Reasoning for Symbolic Regression with Large Language Models
تُثبت هذه الورقة أن النماذج اللغوية الكبيرة، عندما يتم توجيهها عبر تسلسل استدلال استراتيجي (chain-of-thought)، وسياق علمي، وأدوات تحسين خارجية، يمكنها أداء الانحدار الرمزي بفعالية لإعادة اكتشاف القوانين الفيزيائية المعروفة واكتشاف معادلات جديدة من البيانات.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك محقق يحاول حل لغز ما. لديك كومة من الأدلة (البيانات) مبعثرة على طاولة، وأنت تعلم أن هناك قاعدة أو صيغة بسيطة تفسر كيف تتشابك كل هذه الأدلة معاً. مهمتك هي العثور على تلك القاعدة.
هذه الورقة البحثية تدور حول تعليم ذكاء اصطناعي فائق الذكاء (تحديداً نموذج لغوي كبير مثل GPT-4) ليعمل كمحقق. اللغز المحدد الذي يحاولون حله هو الانحدار الرمزي (Symbolic Regression).
المشكلة: "الصندوق الأسود" مقابل "المعادلة"
عادةً، عندما تحلل الحواسيب البيانات، فإنها تستخدم نماذج "الصندوق الأسود" (مثل الشبكات العصبية العميقة). هذه النماذج رائعة في التنبؤ بالمستقبل، لكنها تشبه "كرة 8 سحرية": تضع فيها بيانات، فتخرج لك إجابة، لكن ليس لديك أدنى فكرة عن لماذا أو ما هي القاعدة.
أما العلماء، فهم يريدون المعادلة. يريدون معرفة الصيغة الفعلية، مثل ، لأنها تشرح كيف يعمل الكون. إيجاد هذه الصيغ تلقائياً من البيانات أمر صعب؛ الأمر يشبه محاولة تخمين كلمة مرور سرية عبر كتابة حروف عشوائية حتى تصيبها.
الحل: المحقق الذكي مع "قبعة التفكير"
حاول المؤلفون نهجاً جديداً: بدلاً من مجرد طلب تخمين الصيغة من الذكاء الاصطناعي، قاموا بمنحه عملية تفكير.
إليك كيف فعلوا ذلك، باستخدام بعض التشبيهات من الحياة اليومية:
1. "دفتر الملاحظات" (قبعة التفكير)
في الأيام الخوالي، إذا سألت ذكاءً اصطناعياً لحل مسألة رياضية، فإنه سيخرج لك الإجابة مباشرة. وغالباً ما كان يخمن الإجابة بثقة ولكن بالأرقام الخاطئة (وهذا ما يسمى بـ "الهلوسة").
في هذه الدراسة، أخبر الباحثون الذكاء الاصطناعي: "لا تعطني الإجابة فحسب. أرني خطوات عملك أولاً."
لقد منحوا الذكاء الاصطناعي "دفتر ملاحظات" رقمي. قبل كتابة المعادلة النهائية، كان على الذكاء الاصطناعي تدوين أفكاره:
- "هممم، مع زيادة الضغط، ينخفض التحميل. يبدو أن هناك علاقة عكسية."
- "مهلاً، هذا يشبه نموذج لانجموير (Langmuir model) الذي رأيته من قبل، ولكن ربما يحتاج إلى جزئين."
هذا يشبه طلبك من طالب أن يوضح خطوات حله في اختبار الرياضيات. هذا يجبر الذكاء الاصطناعي على التمهل، والتفكير في أنماط البيانات، واكتشاف أخطائه بنفسه قبل الالتزام بإجابة نهائية.
2. "المدرب" (حلقة التغذية الراجعة)
الذكاء الاصطنا_ي لا يصيب الهدف من المرة الأولى. لذا، وضع الباحثون لعبة "ساخن وبارد" (Hot and Cold):
- التخمين: يقترح الذكاء الاصطناعي صيغة ما.
- التحقق: يقوم برنامج كمبيوتر منفصل ودقيق للغاية (Python/SciPy) باختبار الصيغة مقابل البيانات الحقيقية لمعرفة مدى قربها.
- المدرب: يخبر الكمبيوتر الذكاء الاصطناعي: "صيغتك قريبة، لكنها معقدة للغاية. حاول تبسيطها،" أو "لقد أغفلت متغيراً."
- إعادة المحاولة: يستخدم الذكاء الاصطنا_ي تلك التغذية الراجعة لكتابة صيغة أفضل.
يكررون هذه الحلقة، مثل مدرب يساعد رياضياً على تحسين تقنيته، حتى يجد الذكاء الاصطناعي المعادلة المثالية.
3. "دليل السياق" (المعلومات الخلفية)
أحياناً، لا تكون البيانات وحدها كافية. لذلك، أعطى الباحثون الذكاء الاصطنا_ي "ورقة غش" باللغة العادية.
- مثال: "هذه البيانات تتعلق بالتصاق النيتروجين بالميكا. الضغط هو المدخل، والتحميل هو المخرج."
- لماذا يساعد هذا: هذا يمنع الذكاء الاصطنا_ي من اقتراح أشياء سخيفة (مثل صيغة تقول إن التحميل ينخفض عندما يرتفع الضغط، وهو ما يخالف قوانين الفيزياء). إنه يوجه الذكاء الاصطنا_ي ليفكر كعالم، وليس مجرد باحث عن الأنماط.
النتائج: هل نجح الأمر؟
اختبر الفريق هذا النهج على ثلاثة "ألغاز" مختلفة:
- نموذج لانجموير (الامتزاز): هذه مشكلة كيميائية كلاسيكية. نجح الذكاء الاصطنا_ي في إعادة اكتشاف المعادلة الشهيرة، خاصة عندما استخدم دفتر الملاحظات والسياق الخلفي. كان الأمر كما لو أن الذكاء الاصطنا_ي يتذكر درساً في الفيزياء من المدرسة الثانوية ويطبقه بشكل مثالي.
- نموذج الموقع المزدوج (Dual-Site Model): كان هذا أصعب. الإجابة "الصحيحة" كانت معقدة، لكن كانت هناك العديد من الإجابات البسيطة "القريبة من الصواب". عانى الذكاء الاصطنا_ي قليلاً هنا، لكن دفتر الملاحظات ساعده على إدراك أن الإجابات البسيطة كانت مستحيلة فيزيائياً (مثل التنبؤ بكميات سالبة من الغاز).
- مجموعة بيانات نيكورادسي (Nikuradse Dataset - تدفق الأنابيب): كان هذا هو "المستوى الأخير" (Boss Level). إنها مجموعة بيانات ضخمة حول تدفق المياه عبر أنابيب خشنة، ولا أحد يعرف الصيغة المثالية الدقيقة بعد. لم يجد الذكاء الاصطنا_ي الإجابة "المثالية" (برنامج رياضي متخصص فعل ذلك)، لكنه وجد إجابة جيدة جداً بشكل أسرع وأرخص من البرنامج المتخصص. كان الأمر بمثابة محقق عام يحل قضية تتطلب عادةً متخصصاً، وذلك باستخدام بعض الحيل الذكية.
الخلاصة الكبرى
تظهر الورقة أننا لم نعد بحاجة لبناء برمجيات معقدة ومتخصصة لإيجاد الصيغ العلمية. يمكننا ببساطة التحدث إلى ذكاء اصطناعي ذكي، وإعطاؤه البيانات، وإخباره بالسياق العلمي بلغة بسيطة، وطلب أن "يفكر بصوت عالٍ" في دفتر ملاحظات.
باختصار: لقد حولوا الذكاء الاصطنا_ي من "آلة تخمين" إلى "عالم مفكر" عبر منحه دفتراً ليفكر فيه ومدرباً يوجهه. وهذا يجعل الاكتشاف العلمي أكثر سهولة، وأقل تكلفة، وأسهل في الفهم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.