💻 computer science

Towards Solving the Gilbert-Pollak Conjecture via Large Language Models

تقدم هذه الورقة نظاماً للذكاء الاصطناعي يستفيد من النماذج اللغوية الكبيرة لتوليد وتحسين لِمات هندسية قابلة للتنفيذ، محققاً حداً أدنى معتمداً جديداً قدره 0.8559 لنسبة شتاينر، ومحرزاً تقدماً كبيراً نحو حدسية جيلبرت-بولاك العريقة.

المؤلفون الأصليون: Yisi Ke, Tianyu Huang, Yankai Shu, Di He, Jingchu Gai, Liwei Wang

نُشر 2026-05-22

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yisi Ke, Tianyu Huang, Yankai Shu, Di He, Jingchu Gai, Liwei Wang

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 مخطط مدني تحاول ربط مجموعة من المنازل بالطرق. لديك طريقتان للقيام بذلك:

الطريقة "المباشرة" (شجرة الامتداد الدنيا): تقوم بربط المنازل ببعضها البعض مباشرة. لا يمكنك إنشاء أي تقاطعات جديدة؛ بل تكتفي برسم خطوط بين المنازل الموجودة بالفعل.
الطريقة "الذكية" (شجرة شتاينر الدنيا): يُسمح لك بإنشاء تقاطعات جديدة غير مرئية (تسمى نقاط شتاينر) في أي مكان في المدينة. ومن خلال إضافة هذه المراكز الإضافية، يمكنك غالبًا إنشاء شبكة أقصر وتستخدم كمية أقل من الأسفلت مقارنة بالطريقة المباشرة.

السؤال الكبير:
كم يمكن أن تكون الطريقة "الذكية" أقصر مقارنة بالطريقة "المباشرة"؟

في عام 1968، وضع عالمان رياضيات، جيلبرت وبولاك، تخميناً شهيراً. قالا: "مهما كان ترتيب المنازل، فإن الطريقة الذكية لن تكون أبداً أقل من 86.6% (تحديداً $\sqrt{3}/2$ ) من طول الطريقة المباشرة".

لعقود من الزمن، حاول علماء الرياضيات إثبات ذلك. تمكنوا من إثبات أنها لا تقل عن 82.4%، لكنهم توقفوا عند هذا الحد. كانت المسألة الرياضية أشبه بعقدة ضخمة متشابكة لم يستطع العقل البشري فك تشابكها لأن هناك الكثير من الأشكال والزوايا التي يجب فحصها.

النهج الجديد: مصنع "التمهيدات" المدعوم بالذكاء الاصطناائي
يصف هذا البحث نظاماً جديداً يساعد فيه الذكاء الاصطناعي (نموذج لغوي كبير) في حل هذه العقدة. لكن الذكاء الاصطناعي لا يحاول حل المشكلة بأكملها دفعة واحدة — فهذا يشبه مطالبة روبوت بكتابة رواية كاملة في ثانية واحدة. بدلاً من ذلك، قام الباحثون ببناء "مصنع متخصص" للذكاء الاصطناعي.

إليك كيف يعمل هذا النظام، باستخدام تشبيه بسيط:

1. "البرهان" عبارة عن أحجية صور مقطوعة (Jigsaw Puzzle) عملاقة

لإثبات قاعدة الـ 86.6%، عليك فحص كل شكل ممكن يمكن أن تتخذه شبكة الطرق. هذا أمر مستحيل القيام به واحداً تلو الآخر.
بدلاً من ذلك، يستخدم علماء الرياضيات استراتيجية تسمى الاستقراء (Induction). يقولون: "إذا استطعنا إثبات أنه في كل مرة نقطع فيها قطعة من الشبكة، فإن القطعة المتبقية لا تزال تتبع القواعد، فإن الشبكة بأكملها ستتبع القواعد".

وللقيام بذلك، يحتاجون إلى قواعد صغيرة ومحددة تسمى التمهيدات (Lemmas). فكر في "التمهيد" كقطعة أحجية واحدة مثالية تقول: "إذا كانت الطرق تبدو مثل هذا الشكل، فنحن نعلم بالتأكيد أن الطول هو على الأقل كذا".

2. مهمة الذكاء الاصطناعي: صنع قطع الأحجية

لم يطلب الباحثون من الذكاء الاصطناعي حل الأحجية بأكملها. بل طلبوا منه شيئاً أصغر بكثير: كتابة كود برمجي يولد قطع الأحجية هذه.

القيد: يُقال للذكاء الاصطناعي: "يمكنك فقط كتابة كود يصف شكلاً هندسياً محدداً (مثل 'نقطة منتظمة محاصرة' أو 'شجرة ذات 4 نقاط')".
المخرج: يكتب الذكاء الاصطناعي برنامجاً صغيراً (تمهيداً) يقول: "إذا كانت أطوال الطرق هي $X, Y, Z$ ، فإن الطول الإجمالي محكوم بـ $W$ ".
شبكة الأمان: لا يتم الوثوق بكود الذكاء الاصطناعي بشكل أعمى؛ بل يتم تغذيته في حاسبة رياضية صارمة (مثل الحاسبة فائقة الدقة "Mathematica"). إذا قالت الحاسبة إن الكود خاطئ، يحاول الذكاء الاصطناعي مرة أخرى. وإذا قالت "صحيح"، تُضاف القطعة إلى المجموعة.

3. حلقة "التفكير" (Reflection): البحث عن نقاط الضعف

هذا هو الجزء الذكي. النظام لا يخمن عشوائياً، بل يعمل كالتالي:

يحاول النظام إثبات قاعدة الـ 86.6% باستخدام مجموعة قطع الأحجية الحالية.
يفشل النظام. يجد "عنق زجاجة" معيناً — شكلاً غريباً للطرق حيث لا تتناسب قطع الأحجية الحالية معه.
يخبر النظام الذكاء الاصطناعي: "مهلاً، لقد فشلت هنا. انظر إلى هذا الشكل المحدد. اذهب واكتب قطعة أحجية جديدة تناسب هذا المكان بالضبط".
يولد الذكاء الاصطناعي تمهيداً جديداً، تتحقق منه الحاسبة، وإذا نجح، يحاول النظام مرة أخرى.

الأمر يشبه لعبة فيديو تستمر في الاصطدام بجدار، ثم تخبرك اللعبة بمكان بناء جسر لتجاوز هذا الجدار.

النتيجة

بعد حوالي 10 جولات من حلقة "حاول، افشل، فكر، حسن"، بنى النظام مجموعة من قطع الأحجية قوية جداً لدرجة أنها استطاعت أخيراً إثبات قاعدة جديدة أكثر دقة:

الطريقة "الذكية" هي على الأقل 85.59% من طول الطريقة "المباشرة".

هذا تحسن هائل مقارنة بالرقم القياسي السابق البالغ 82.4%، والذي ظل صامداً لمدة ما يقرب من 40 عاماً.

لماذا يهم هذا (وفقاً للورقة البحثية)

إنه غير مكلف: لم تكلف عملية البحث بأكملها سوى بضع مئات من الدولارات من وقت الحوسبة.
إنه سريع: استغرق الذكاء الاصطناعي بضعة أيام فقط من "التفكير" (وبضعة آلاف من الاستدعاءات للنموذج) للقيام بما لم يستطع البشر فعله في عقود.
إنه دقيق: لم يقم الذكاء الاصطناعي بمجرد "التخمين"؛ بل أنتج كوداً تم التحقق منه رياضياً ليكون صحيحاً بنسبة 100%. البرهان النهائي هو برهان رياضي قياسي يقف بذاته، ومستقل عن الذكاء الاصطناعي.

باختصار: لم يطلب الباحثون من الذكاء الاصطناعي أن يكون عبقري رياضيات. بل طلبوا منه أن يكون مساعداً بارعاً وصبوراً يبني أدوات صغيرة ومحققة (تمهيدات) لمساعدة البشر في حل مشكلة كانت سابقاً أكبر من أن تُحل. لقد حولوا الذكاء الاصطناعي من "صندوق أسود" إلى محرك اكتشاف شفاف وخطوة بخطوة.

ملخص تقني: نحو حل حدسية جيلبرت-بولاك عبر النماذج اللغوية الكبيرة

1. بيان المشكلة

تتناول الورقة حدسية جيلبرت-بولاك (1968)، وهي مشكلة مفتوحة هامة في مجال الأمثلة التوافقية والهندسة الحسابية. تنص الحدسية على أنه لأي مجموعة محدودة من النقاط في المستوى الإقليدي، فإن النسبة بين طول شجرة ستينر الدنيا (SMT) وشجرة الامتداد الدنيا الإقليدية (MST) تكون محكومة بحد أدنى قدره $\sqrt{3}/2 \approx 0.866$ . وتُعرف هذه النسبة باسم نسبة ستينر.

بينما تم التحقق من صحة هذه الحدسية لعدد صغير من النقاط ( $n \le 6$ )، إلا أن الحد الأدنى العام لأي عدد $n$ ظل راكداً منذ عام 1985. وكان آخر حد أدنى معروف للحالة الراهنة، والذي وضعه تشونج وغراهام (1985)، هو 0.824. لقد توقف التقدم بسبب الانفجار التوافقي للهياكل الطوبولوجية المطلوبة للتحليل، وصعوبة التحقق الهندسي المتضمن في الاشتقاق اليدوي.

يستقصي المؤلفون ما إذا كان يمكن توسيع نطاق استخدام النماذج اللغوية الكبيرة (LLMs)، التي أظهرت براعة في حل المسائل الرياضية بمستوى المسابقات، لمعالجة مثل هذه الحدسيات البحثية المفتوحة. ويشيرون إلى أن مطالبة النماذج اللغوية الكبيرة مباشرة لحل الحدسية غالباً ما يؤدي إلى "هلوسات" وفجوات منطقية بسبب فضاء البحث الشاسع وغير المقيد، وندرة المفاهيم البحثية في بيانات التدريب.

2. المنهجية

يقترح المؤلفون نظام ذكاء اصطناعي مبتكر يتجنب التوليد المباشر للبرهان من البداية إلى النهاية. بدلاً من ذلك، يقوم النظام بتفكيك المشكلة إلى عملية اكتشاف مهيكلة وتكرارية مدفوعة بـ دوال التحقق والتفكير التأملي (Reflection).

2.1. إطار التحقق

تعتمد الاستراتيجية الرياضية الجوهرية على حجة اختزال قائمة على الاستقراء (دو وهوانج، 1983). لإثبات حد أدنى $\rho$ ، يجب إظهار أنه لأي تكوين هندسي $w$ ، يوجد "تقسيم" للشجرة بحيث تكون دالة تقسيم معينة $F_\tau(w, \rho) \le 0$ .

دوال التحقق: لجعل مشكلة الـ (minimax) المستمرة قابلة للمعالجة، قدم النظام دوال تحقق. وهي عبارة عن حدود عليا لدوال التقسيم التي تستوفي قيوداً هيكلية معينة (أحادية المنوال على طول المحاور الإحداثية).
خاصية الحد الأقصى للرأس (Vertex Maximum Property): المساهمة النظرية الرئيسية هي إثبات أنه بالنسبة لدوال التحقق هذه، يتم تحقيق الحد الأقصى العالمي فوق مستطيل فائق محدود عند أحد رؤوسه. وهذا يقلل من عملية التحقق من مجال مستمر لانهائي إلى مجموعة محددة من فحوصات الرؤوس.
التقسيم والبحث (Branch-and-Bound): يستخدم النظام خوارزمية "التقسيم والبحث" لتقسيم فضاء المعلمات بشكل متكرر، والتحقق من الشرط عند الرؤوس وفحص الرتابة في المناطق غير المحدودة.

2.2. وكيل النماذج اللغوية وتوليد التمهيدات (Lemmas)

بدلاً من مطالبة النموذج اللغوي بإثبات الحدسية، يكلف النظام بمهمة توليد تمهيدات هندسية مقيدة بالقواعد يتم تنفيذها كأكواد برمجية قابلة للتنفيذ. يتم تضييق فضاء البحث إلى نوعين محددين من التمهيدات:

تمهيدات النقاط المنتظمة المحاصرة: إثبات أنه تحت قيود خطية معينة، يتم حصر نقطة منتظمة ضمن منطقة مضلعة محدودة، مما يسمح بوضع حدود للمسافة.
تمهيدات شجرة ستينر الرباعية الصالحة: إثبات أنه تحت ظروف محددة من التحدب المتعامد، تكون طوبولوجيا شجرة ستينر رباعية النقاط معينة صالحة، مما يسمح بحسابات دقيقة للطول.

يعمل وكيل النموذج اللغوي في حلقة تشمل:

الاختيار: يختار المحكم (predicate) الهندسي ذو الصلة (النوع A: خصائص جوهرية؛ النوع B: ظروف حصر كافية) من مجموعة محددة مسبقاً.
الاشتقاق: يستخدم أدوات رمزية (Mathematica) لاشتقاق تبعات هذه المحكمات.
التبسيط: يبسط المناطق الجبرية المعقدة إلى قيود خطية أو قيود متحدة التحدب عمودياً لتكون مناسبة لنموذج المكافأة.
الترميز: يخرج الشروط المستمدة كدوال C++ (مثل X_cond و AX_upper_bound وغيرها) والتي تعمل كدوال تحقق.

2.3. آلية التفكير التأملي التكراري

يستخدم النظام آلية تأمل مستهدفة للتغلب على العقبات:

التقييم: يحاول نموذج المكافأة المصادقة على حد أدنى مرشح $\rho$ .
تحديد الاختناق: في حال فشل التحقق، يحدد النظام "منطقة الاختناق" (مجموعة من المستطيلات الفائقة غير المصادق عليها) حيث تكون التمهيدات الحالية غير كافية.
التغذية الراجعة: يتم تحويل هذه المنطقة إلى مطالبة (prompt) مهيكلة، توجه النموذج اللغوي لتوليد تمهيدات جديدة تستهدف تحديداً القيود الهندسية لهذا الاختناق.
التحسين: يتم التحقق من التمهيدات الجديدة وإضافتها إلى مجموعة دوال التحقق، وتتكرر العملية.

3. المساهمات الرئيسية

نظام ذكاء اصطناعي جديد للاكتشاف النظري: تقدم الورقة نظاماً نجح في أتمتة اكتشاف التمهيدات الهندسية الوسيطة لمشكلة مفتوحة منذ عقود، متجاوزة بذلك حل المسائل بمستوى المسابقات التقليدي.
دوال التحقق وخاصية الرأس: عرّف المؤلفون رسمياً دوال التحقق وأثبتوا "خاصية الحد الأقصى للرأس"، مما مكن من إجراء تحقق دقيق وقابل للحوسبة للحدود الدنيا عبر المجالات المستمرة.
استراتيجية التفكيك: من خلال تفكيك الحدسية إلى توليد تمهيدات محددة ومقيدة بالمعلمات (النقاط المحاصرة وأشجار النقاط الأربعة الصالحة) بدلاً من البراهين الكاملة، نجح النظام في إدارة فضاء البحث وتقليل الهلوسة بفعالية.
التأمل المدفوع بالاختناقات: تقديم آلية تأمل تحدد وتستهدف صراحةً المناطق الهندسية التي تمنع المزيد من التحسين، بدلاً من الاعتماد على التصحيح الذاتي العام.

4. النتائج

الحد الأدنى الجديد: نجح النظام في تحسين الحد الأدنى المعتمد لنسبة ستينر من 0.824 (تشونج وغراهام، 1985) إلى 0.8559.
الكفاءة: لم تتطلب عملية البحث بأكملها سوى حوالي 10 دورات من حلقة التحسين.
استهلاك الموارد: تطلبت العملية حوالي آلاف الاستدعاءات للنماذج اللغوية واستهلكت حوالي 0.5 مليون توكن (حوالي 35 ألفاً في كل جولة) على مدار 4.6 ساعة من زمن الاستنتاج. بلغت التكلفة الإجمالية بضعة مئات من الدولارات.
المتانة: أدت التجارب باستخدام نماذج لغوية مختلفة (GPT-5 و Gemini 3 Pro) إلى تقارب ثابت نحو نفس الحد الأدنى، مما أثبت متانة الإطار تجاه اختيار النموذج.
التحقق: تم التحقق من جميع التمهيدات المولدة يدوياً من حيث الصحة، وتم التحقق من الحد الأدنى النهائي بدقة عبر كامل فضاء المعلمات باستخدام الأدوات الرمزية (التقسيم الجبري الأسطواني - CAD).

5. الأهمية والادعاءات

تدعي الورقة إظهار القدرة القوية للأنظمة القائمة على النماذج اللغوية الكبيرة في البحث الرياضي المتقدم، وتحديداً في المجالات التي تتطلب حدساً هندسياً عميقاً وبحثاً توافقياً.

القابلية للتوسع: يرى المؤلفون أن نهجهم يقدم نموذجاً قابلاً للتوسع حيث تتولى النماذج اللغوية البحث الإبداعي وتوليد التمهيدات، بينما تتولى الأدوات الرمزية التحقق الرسمي. هذا التقسيم للعمل يستغل نقاط القوة في كل منهما.
سهولة الوصول: من خلال تكلفة إجمالية قدرها بضعة مئات من الدولارات فقط، تشير الورقة إلى أن البحث النظري بمساعدة النماذج اللغوية متاح للباحثين الذين لا يملكون ميزانيات ضخمة للحوسبة.
القدرة على التعميم: يقترح المؤلفون مبدأين تصميميين يعتقدان أنهما ينتقلان إلى مشكلات الاكتشاف الرياضي الأخرى:
1. بناء فضاء استدلال مهيكل عبر تفكيك المشكلات إلى تمهيدات معلمية بدلاً من البراهين من البداية إلى النهاية.
2. التأمل في حالات فشل الموثق المحلية عبر تغذية النموذج بمناطق الاختناق المحددة لتوجيه التحسين المستهدف.

تحافظ الورقة على التواضع فيما يتعلق بالنتيجة النهائية، مشيرة إلى أنه رغم تحسن الحد الأدنى بشكل كبير، إلا أن الحدسية نفسها (0.866) لا تزال غير مثبتة. علاوة على ذلك، يقر المؤلفون بالقيود الحالية، مثل الاعتماد على التحقق البشري لصحة التمهيدات، ومشكلات القابلية للتوسع في التحقق الرمزي (CAD) للنماذج ذات الأبعاد الأعلى أو الطوبولوجيا الأكثر تعقيداً. ويقترحون أن العمل المستقبلي قد يتضمن مساعدي البراهين الرسميين (مثل Lean) لتحقيق اكتشاف مستقل تماماً.