💬 NLP

Text2Arch: A Dataset for Generating Scientific Architecture Diagrams from Natural Language Descriptions

تقدم هذه الورقة البحثية Text2Arch، وهي مجموعة بيانات شاملة من المخططات الهيكلية العلمية المقترنة بالأوصاف النصية ورموز DOT، مما يمكّن النماذج اللغوية من توليد مخططات عالية الدقة من اللغة الطبيعية، محققةً أداءً يضاهي GPT-4o ويتفوق بشكل كبير على النماذج المرجعية الحالية.

المؤلفون الأصليون: Shivank Garg, Sankalp Mittal, Manish Gupta

نُشر 2026-04-17

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Shivank Garg, Sankalp Mittal, Manish Gupta

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 مهندس معماري يحاول شرح ناطحة سحاب ضخمة ومعقدة لبنّاء. يمكنك كتابة دليل مكون من 50 صفحة يصف كل عارضة، وكل نافذة، وكل سلك كهربائي. لكن البنّاء على الأرجح سيشعر بالضياع، أو الارتباك، أو قد يفوت تفصيل مهم. من الأفضل بكثير أن تسلمه مخططاً هندسياً واضحاً.

المشكلة:
في عالم العلوم والتكنولوجيا، غالباً ما يصف الباحثون الأنظمة المعقدة (مثل كيفية عمل دماغ الذكاء الاصطناعي أو كيف تُنظم شركة برمجيات) باستخدام الكلمات فقط. هذا يشبه محاولة بناء تلك الناطحة السحابية من خلال دليل الـ 50 صفحة. إنه أمر بطيء، وعرضة للأخطاء، ويصعب تخيله بصرياً.

الحل: TEXT2ARCH
تقدم هذه الورقة أداة جديدة تسمى TEXT2ARCH. فكر فيها كأنها "مترجم سحري" يأخذ فقرة نصية تصف نظاماً ما، ويحولها فوراً إلى مخطط هندسي نظيف واحترافي (رسم بياني).

إليك كيف تشرح هذه الورقة هذه الفكرة، باستخدام بعض التشبيهات من الحياة اليومية:

1. كتاب الوصفات المفقود (مجموعة البيانات)

قبل أن تتمكن من تعليم روبوت كيفية الطبخ، فأنت بحاجة إلى مكتبة ضخمة من الوصفات والأطباق النهائية. أدرك المؤلفون أنه بينما نمتلك الكثير من الصور للمخططات والكثير من النصوص، لم يقم أحد بجمعها معاً بطريقة منظمة ونظيفة.

التشبيه: تخيل أنك تحاول تعليم طاهٍ كيفية خبز كعكة، ولكن ليس لديك سوى كومة من الدقيق وكومة من صور الكعك، دون وجود تعليمات تربط بينهما.
الحل: أنشأ الفريق TEXT2ARCH، وهو "كتاب وصفات" ضخم يحتوي على أكثر من 75,000 مثال. كل مثال يتكون من ثلاثة أجزاء:
1. الوصف (نص الوصفة).
2. الصورة (الكعكة النهائية).
3. الكود (التعليمات المحددة التي يحتاجها الكمبيوتر لرسم الكعكة).

2. خط التجميع المكون من ثلاث خطوات (كيف صنعوا البيانات)

لم يقوموا بمجرد نسخ ولصق هذه الأمثلة الـ 75,000؛ بل بنوا مصنعاً ذكياً لإنتاجها:

الخطوة 1: الفلتر (المنادي/الحارس): أخذوا مجموعة ضخمة من الأوراق العلمية واستخدموا ذكاءً اصطناعياً ذكياً يعمل كـ "حارس" ليسمح فقط للمخططات التي تبدو كرسومات هندسية (بنية معمارية) بالدخول، ويستبعد تلك التي كانت مجرد رسوم بيانية أو صور فوتوغرافية.
الخطوة 2: المترجم (الكاتب): استخدموا ذكاءً اصطناعياً فائق الذكاء (GPT-4o) و"عيناً روبوتية" (OCR) للنظر في المخططات وكتابة الكود (يسمى DOT code) الذي يخبر الكمبيوتر بكيفية رسمها. الأمر يشبه امتلاك كاتب ينظر إلى خريطة ويكتب إحداثيات الـ GPS الدقيقة لكل منعطف.
الخطوة 3: المحرر (المصقول): استخدموا الذكاء الاصطناعي مرة أخرى لتنظيف النصوص الوصفية، والتأكد من أنها واضحة، وموجزة، ومتطابقة تماماً مع الرسم البياني.

3. السباق (التجارب)

الآن بعد أن أصبح لديهم "كتاب الوصفات"، أرادوا معرفة ما إذا كان بإمكانهم تعليم الكمبيوتر رسم هذه المخططات من الصفر. لقد دخلوا سباقاً ضد طرق أخرى:

الحرس القديم (DiagramAgent): نظام سابق حاول القيام بذلك ولكنه كان يفتقر إلى الدقة والرشاقة.
الشخصية البارزة (GPT-4o): ذكاء اصطناعي قوي جداً ومكلف، طُلب منه القيام بالمهمة دون أي تدريب خاص (Zero-Shot).
الخيول السوداء/المغمورة (النماذج الصغيرة): نماذج ذكاء اصطناعي أصغر وأرخص (مثل DeepSeek وLlama وQwen) التي تم ضبطها بدقة (Fine-tuned) خصيصاً على كتاب وصفات TEXT2ARCH.

النتيجة:
النماذج الصغيرة التي تم ضبطها بدقة هي التي فازت بالسباق!

التشبيه: الأمر يشبه أخذ طاهٍ محلي (النموذج الصغير)، وإعطائه كتاب وصفات محدد وعالي الجودة (TEXT2ARCH)، ثم جعل هذا الطاهي يهزم شيف مشهوراً (GPT-4o) كان عليه تخمين الوصفة أثناء العمل.
تعلمت النماذج الصغيرة "لغة" المخططات جيداً لدرجة أنها استطاعت توليد كود أكثر دقة وهيكلية من النماذج الكبيرة والمكلفة.

4. لماذا يهم هذا (الأثر)

لماذا نهتم إذا استطاع الكمبيوتر رسم مخطط؟

للطلاب: تخيل أنك تقرأ كتاباً مدرسياً وترى فوراً نموذجاً ثلاثي الأبعاد للمفهوم الذي قرأته للتو.
للمهندسين: إذا قام مهندس برمجيات بتغيير بضعة أسطر من الكود في وصفه، فسيتم تحديث المخطط تلقائياً. لا مزيد من إعادة الرسم اليدوي!
للباحثين: إنه يحول جداراً من النصوص إلى خريطة مرئية، مما يجعل من السهل اكتشاف الأخطاء أو فهم الأفكار المعقدة بسرعة.

الخلاصة

تقول الورقة: "لقد بنينا مكتبة ضخمة وعالية الجودة من أزواج النصوص والمخططات. استخدمناها لتدريب حواسيب أصغر وأذكى لتحويل الكلمات إلى مخططات هندسية. هذه الحواسيب الآن أفضل في رسم المخططات التقنية من أكبر وأغلى نماذج الذكاء الاصطناعي المتوفرة لدينا اليوم."

إنها قفزة هائلة نحو جعل العالم غير المرئي للأنظمة المعقدة مرئياً، ومفهوماً، وسهل البناء.

إليك ملخص تقني مفصل لورقة البحث "TEXT2ARCH: A Dataset for Generating Scientific Architecture Diagrams from Natural Language Descriptions"، المنشورة كبحث في مؤتمر ICLR 2026.

1. تعريف المشكلة

تعالج الورقة تحدي التوليد التلقائي لمخططات البنية الهندسية العلمية (scientific architecture diagrams) من أوصاف نصية باللغة الطبيعية.

الفجوة: بينما تقدم النماذج اللغوية الكبيرة (LLMs) ونماذج الانتشار (diffusion models) تقدماً في توليد الصور من النصوص، إلا أنها تعاني في التعامل مع المخططات الهيكلية (مثل بنية الأنظمة أو تدفقات الشبكات العصبية). غالباً ما تفشل نماذج الانتشار في الحفاظ على المحاذاة الدلالية الصارمة، والتماسك المنطقي، والتسميات النصية الدقيقة، مما ينتج مخططات غير قابلة للقراءة أو غير صحيحة هيكلياً.
المهمة المحددة: حدد المؤلفون مهمة TEXT2ARCH: وهي ترجمة الوصف النصي لنظام ما (مثل خط معالجة للخدمات المصغرة أو شبكة عصبية) إلى تمثيل كود DOT (لغة وصف الرسوم البيانية)، والذي يتم بعد ذلك تجميعه إلى مخطط بنية مرئي.
العقبة: افتقر المجال إلى مجموعة بيانات واسعة النطلة، عالية الجودة، ومفتوحة الوصول تحتوي على ثلاثيات متوافقة من النص $\leftarrow$ كود DOT $\leftarrow$ الصورة مخصصة لمخططات البنية العلمية. كانت مجموعات البيانات الموجودة إما شديدة التباين (تخلط بين الرسوم البيانية، الجداول، والمخططات) أو تفتقر إلى الربط البرمجي النظيف.

2. المنهجية

أ. تنسيق مجموعة البيانات: TEXT2ARCH

المساهمة الجوهرية هي إنشاء مجموعة بيانات TEXT2ARCH، التي تضم 75,127 عينة. تضمنت عملية التنسيق ثلاث مراحل رئيسية:

تصنيف البنية مقابل غير البنية:
- درب المؤلفون مصنفاً ثنائياً (باستخدام CLIP، ViT، BEiT، ResNet) لتصفية الرسوم البيانية العلمية العامة وتحويلها إلى مخططات بنية.
- تم توليد بيانات التدريب من ACL-Fig وSciFig ومجموعات فرعية مصنفة يدوياً من Paper2Fig.
- حقق أفضل نموذج (CLIP) دقة اختبار بلغت 83.45% مع استدعاء عالٍ (0.92)، مما نجح في تصفية مجموعة بيانات Paper2Fig لعزل حوالي 80 ألف صورة بنية.
توليد كود DOT (الحقيقة الأرضية - Ground Truth):
- بما أن الصور المصدرية كانت تفتقر إلى الكود، فقد اتبعت عملية متعددة الخطوات لتوليد كود DOT الحقيقي:
  - DOT1: توليد مباشر من GPT-4o من الصورة (غالباً ما يكون مشوشاً أو غير مكتمل).
  - DOT2: اكتشاف الأشياء (Faster-RCNN) + التعرف الضوئي على الحروف (Florence-2) لاستخراج العقد، التسميات، واتجاهات الأسهم.
  - DOT3 (الحقيقة الأرضية النهائية): تحسين DOT2 بواسطة GPT-4o باستخدام الصورة كمرجع لتصحيح الأخطاء الهيكلية وضمان التماسك الدلالي.
تحسين الوصف:
- Desc1: التسميات التوضيحية للصور أو الفقرات الأصلية من الأوراق البحثية.
- Desc2: استرجاع الفقرات ذات الصلة من الورقة باستخدام تشابه TF-IDF.
- Desc3 (المدخل النهائي): وصف محسن بواسطة GPT-4o يجمع بين Desc1 وDesc2 لإنشاء مطالبة نصية (prompt) نظيفة، موجزة، وغنية دلالياً.

تم تقسيم مجموعة البيانات حسب التعقيد (عدد العقد): سهل (54.3%)، متوسط (32.4%)، وصعب (13.3%).

ب. مقاربات النماذج

اختبر المؤلفون عدة مقاربات لمهمة Text-to-DOT:

النماذج المرجعية (Baselines):
- DiagramAgent: إطار عمل متعدد الوكلاء (تم تحويله من TikZ إلى DOT للمقارنة).
- Zero-shot GPT-4o: الاستدلال المباشر دون ضبط دقيق.
التعلم داخل السياق بلقطات قليلة (Few-Shot In-Context Learning - ICL):
- تم الاختبار على نماذج لغوية صغيرة (SLMs) مضبوطة تعليمياً: Llama-3-8B، Qwen2-7B، وDeepSeek-LLM-7B.
الضبط الدقيق تحت الإشراف (Supervised Fine-Tuning - SFT):
- تم ضبط نفس النماذج الصغيرة (SLMs) على مجموعة تدريب TEXT2ARCH (60,519 عينة) للتخصص في توليد كود DOT مهيكل من الأوصاف التقنية.

ج. مقاييس التقييم

تقترح الورقة إطار تقييم مزدوج المقاييس:

مقاييس معالجة اللغات الطبيعية القياسية: ROUGE-L، CodeBLEU، مسافة تعديل Levenshtein، وchrF (درجة f لـ n-gram للحروف) لقياس تشابه الكود.
المقاييس القائمة على الرسم البياني (Graph-Based Metrics):
- دقة واستدعاء وF1 للعقد/الحواف: يتم حسابها باستخدام المطابقة المثلى (خوارزمية هنجاريان) بناءً على تشابه التسميات.
- PR-AUC: المساحة تحت منحنى الدقة والاستدعاء لمطابقة العقد/الحواف عبر مستويات تشابه متغيرة.
- تشابه Jaccard: قياس تداخل الحواف بين الرسوم البيانية المتوقعة والحقيقة الأرضية.

3. المساهمات الرئيسية

تعريف مهمة جديدة: صياغة رسمية لتوليد مخططات البنية العلمية عبر كود DOT وسيط، مما يسد الفجوة بين النص غير المهيكل والمنطق البصري المهيكل.
مجموعة بيانات TEXT2ARCH: إصدار مجموعة بيانات واسعة النطاق (أكثر من 75 ألف عينة)، عالية الجودة، تحتوي على ثلاثيات (نص-كود-صورة) نظيفة، مصنفة حسب التعقيد.
أداء النماذج: إثبات أن النماذج الصغيرة المضبوطة بدقة (تحديداً DeepSeek-7B) تتفوق بشكل كبير على نماذج Few-shot والأساليب المرجعية مثل DiagramAgent.
إطار تقييم: تقديم مجموعة تقييم صارمة على مستوى الرسم البياني (Node/Edge F1، PR-AUC) مصممة خصيصاً لتقييم الدقة الهيكلية، وليس فقط تشابه النصوص.

4. النتائج

تفوق الضبط الدقيق: تفوقت النماذج المضبوطة بدقة بشكل جذري على أساليب Zero-shot وFew-shot.
- في مجموعة التوسيم اليدوي، حقق نموذج DeepSeek-7B المضبوط بدقة ROUGE-L قدره 55.2 وCodeBLEU قدره 49.3، مقارنة بـ 28.2 و16.3 لـ GPT-4o، و49.1 و40.9 لـ DiagramAgent.
- في مقاييس الرسم البياني، حقق DeepSeek-7B أعلى Node F1 (69.4) وEdge F1 (49.1) في المجموعة اليدوية، مما يشير إلى دقة هيكلية فائقة.
المقارنة مع النماذج المرجعية:
- DiagramAgent: عانى من ضعف الدقة الهيكلية، حيث أنتج غالباً حواف خاطئة أو عقدًا عامة.
- Few-Shot ICL: كان الأداء غير متسق؛ وبينما أظهر Llama-3 وQwen2 بعض التحسن، كان أداء Few-shot لنموذج DeepSeek أسوأ بشكل ملحوظ من أداء النسخة المضبوطة بدقة.
التقييم البشري: في دراسة تفضيل، فضل المقيمون البشريون مخرجات نموذج DeepSeek-7B المضبوط بدقة على DiagramAgent في 71.6% من الحالات.
المتانة (Robustness): حافظ النموذج على أداء عالٍ حتى مع التغيرات في طول الوصف (تقصير أو إطالة)، رغم أن التحولات القصوى في الطول تسببت في بعض التدهور.

5. الأهمية والأثر

تعزيز الإنتاجية: يتيح النظام التحويل السريع للوثائق التقنية، الأوراق البحثية، ومسودات براءات الاختراع إلى مخططات بنية مرئية، مما يوفر جهداً يدوياً كبيراً.
الفائدة التعليمية والمؤسسية: يسهل إنشاء المواد التعليمية ويساعد في تصور الأنظمة المؤسسية المعقدة لتحسين فهم أصحاب المصلحة.
العلم المفتوح: من خلال إطلاق مجموعة البيانات، الكود، والنماذج، يقلل المؤلفون من الحواجز أمام البحث في توليد المخططات المهيكلة، وهو مجال كان يعاني سابقاً من ندرة البيانات.
تحول في النموذج الفكري: يشير العمل إلى أنه بالنسبة لمهام التوليد التي تعتمد على المنطق والهياكل، فإن النماذج الصغيرة المضبوطة بدقة يمكن أن تتفوق على النماذج الضخمة المملوكة (مثل GPT-4o) وأطر العمل متعددة الوكلاء المعقدة، مما يوفر حلاً أكثر كفاءة وقابلية للتحكم.

القيود المذكورة: العمل الحالي محدود باللغة الإنجليزية؛ ويعتمد على GPT-4o لتوليد الحقيقة الأرضية (احتمالية انتقال الخطأ)؛ ويعاني مع الرسوم البيانية شديدة الكثافة أو المدخلات الغامضة. قد يستكشف العمل المستقبلي دعم اللغات المتعددة والتعلم المعزز من أجل المحاذاة.