💻 computer science

AstroRAG -- A Pagerank-Based Retrieval-Augmented Generation Pipeline for Question Answering in Astronomy

يُعد AstroRAG خط إنتاج للجيل المعزز بالاسترجاع يعتمد على خوارزمية PageRank ولا يتطلب تدريباً، حيث يستخدم تقسيم النصوص المدرك للرموز (token-aware chunking) وعملية استرجاع ثنائية المراحل لتحسين دقة الإجابة على أسئلة علم الفلك بشكل كبير من خلال تصفية السياق غير ذي الصلة بفعالية وتأصيل الاستجابات في أدلة داعمة متبادلة.

المؤلفون الأصليون: Zhifeng Wang, Jason Jingshi Li, Kaihao Zhang, Ramesh Sankaranarayana

نُشر 2026-05-26

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Zhifeng Wang, Jason Jingshi Li, Kaihao Zhang, Ramesh Sankaranarayana

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 أن لديك صديقاً عبقرياً، واسع الاطلاع (نموذج لغوي كبير) يعرف الكثير عن العالم، ولكنه أحياناً يختلق حقائق أو يخطئ في التفاصيل لأنه يعتمد فقط على ما هو مخزن في ذاكرته. الآن، تخيل أنك أعطيت هذا الصديق مكتبة ضخمة من كتب علم الفلك المليئة بالغبار لمساعدته في الإجابة على سؤال محدد.

المشكلة في معظم الأنظمة الحالية هي أنها تعمل مثل أمين مكتبة فوضوي يلقي برف كامل من الكتب على مكتب صديقك، آملاً أن تكون الإجابة الصحيحة موجودة هناك. هذا يخلق فوضى، ويغمر صديقك بالمعلومات، ويؤدي غال كثيراً إلى الارتباك أو الإجابات الخاطئة.

AstroRAG هو نظام جديد أكثر ذكاءً، صُمم خصيصاً لأسئلة علم الفلك. فكر فيه كأنه مساعد بحثي فائق الكفاءة ويهتم بالخصوصية، يساعد صديقك العبقري في العثور على الصفحات الصحيحة بالضبط، وقراءتها بعناية، وتقديم إجابة مثالية دون تشتت.

إليك كيف يعمل، مقسماً إلى خطوات بسيطة:

1. المكتبة "لمرة واحدة" (الخصوصية والأمان)

عادةً، عندما تطرح سؤالاً، قد يحتفظ النظام بسجل دائم لمستنداتك، وهو أمر قد يكون خطيراً على الخصوصية.

التشبيه: تخيل أنك دخلت إلى مكتبة، ولكن بدلاً من ترك كتبك على الرفوف للشخص التالي، قمت بنصب خيمة مؤقتة خاصة بزيارتك فقط. تضع مستنداتك المحددة داخلها، تطرح سؤالك، تحصل على إجابتك، ثم تحرق الخيمة فوراً (تحذف البيانات) قبل أن تغادر.
ما يقوله البحث: يقوم النظام بإنشاء فهرس "عابر" (مؤقت) لكل سؤال على حدة. وبمجرد توليد الإجابة، يتم مسح البيانات. هذا يضمن عدم تسرب المعلومات من سؤال إلى آخر، مما يحافظ على الخصوصية وإمكانية إعادة إنتاج النتائج.

2. "التقطيع الذكي" (التقطيع المدرك للرموز/Tokens)

كتب علم الفلك مليئة بالرياضيات المعقدة والنصوص الكثيفة. لا يمكنك قراءة فصل كامل دفعة واحدة؛ بل تحتاج لقراءة فقرات محددة.

التشبيه: بدلاً من تسليم صديقك رواية كاملة، يقوم النظام بتقطيع الصفحات بعناية إلى "قطع" صغيرة سهلة الهضم (مثل قطع الأحجية) التي تناسب تماماً مدى انتباه صديقك. إنه يتأكد من أن القطع تتم في أماكن منطقية حتى لا يضيع المعنى.

3. البحث ذو المرحلتين (البحث عن الأدلة الصحيحة)

هذا هو السر وراء AstroRAG. فهو لا يلتقط أول بضعة كتب يراها فحسب، بل يستخدم عملية تحقيق من خطوتين:

الخطوة أ: "الكشاف المتنوع" (MMR)
- التشبيه: أولاً، يخرج كشاف ويجمع حفنة صغيرة من الكتب التي هي مختلفة عن بعضها البعض ولكنها جميعاً تبدو ذات صلة. هذا يمنع النظام من التقاط خمسة كتب تقول جميعها الشيء نفسه بالضبط (التكرار).
الخطوة ب: "عناق المجموعة" (إعادة ترتيب PageRank)
- التشبيه: الآن، تخيل أن تلك الكتب القليلة تجلس في دائرة. يسأل النظام: "أي من هذه الكتب تدعم بعضها البعض؟" إذا ذكر الكتاب (أ) حقيقة يؤكدها الكتاب (ب) أيضاً، فإنهما يحصلان على درجة أعلى. الأمر يشبه مجموعة من الأصدقاء الذين يومئون برؤوسهم بالموافقة. يختار النظام "أروع" مجموعة من الكتب التي تتفق مع بعضها ومع السؤال، بدلاً من مجرد الكتب التي تبدو متشابهة في الظاهر.

4. "الميزانية الصارمة" (حد الرموز/Tokens)

حتى مع أفضل الكتب، يمكن لصديقك قراءة قدر معين فقط في المرة الواحدة.

التشبيه: يعمل النظام كمحرر صارم. يأخذ أفضل قطع النصوص التي تدعم بعضها البعض ويقوم بتشذيبها لتناسب تماماً "ميزانية كلمات" محددة (1,800 رمز/token). هذا يضمن أن تكون الإجابة موجزة ولا تغمر النموذج بالكثير من الضجيج.

5. النتائج: من "مقبول" إلى "خبير"

اختبر البحث هذا النظام على اختبار صعب في علم الفلك يسمى AstroQA.

قبل AstroRAG: كان الذكاء الاصطناعي (تحديداً نموذج يسمى Mistral-7B) مثل طالب يخمن عشوائياً، حيث حصل على حوالي 22% فقط من الإجابات الصحيحة.
بعد AstroRAG: مع هذا النظام الجديد، أصبح نفس الذكاء الاصطناعي خبيراً، حيث حصل على ما يقرب من 79.5% من الإجابات الصحيحة.
الخلاصة: من خلال إجبار الذكاء الاصطناائي على النظر في الأدلة الصحيحة، وتنظيمها منطقياً، وتجاهل الضجيج، نجح النظام في مضاعفة الأداء تقريباً.

الملخص

AstroRAG هو أداة تمنع الذكاء الاصطناعي من التخمين. بدلاً من إلقاء جبل من المعلومات على الذكاء الاصطناعي، فإنه يعمل كمكتبي دقيق:

ينشئ مساحة عمل مؤقتة وخاصة لكل سؤال.
يقطع المستندات إلى قطع مثالية الحجم.
يستخدم فلترًا ذا مرحلتين للعثور على الأدلة الأكثر صلة والداعمة لبعضها البعض.
يقدم للذكاء الاصطناعي ملخصاً نظيفاً وموجزاً لتلك الأدلة.

النتيجة هي ذكاء اصطناعي يمكنه الإجابة على أسئلة علم الفلك المعقدة بدقة أعلى بكثير، مع الحفاظ على خصوصية البيانات وشفافية العملية.

ملخص تقني: AstroRAG - خط معالجة للتوليد المعزز بالاسترجاع قائم على PageRank لأسئلة علم الفلك

1. بيان المشكلة

تُظهر النماذج اللغوية الكبيرة (LLMs) قدرات قوية في معالجة اللغات الطبيعية، لكنها غالباً ما تولد أخطاءً واقعية عندما تعتمد فقط على المعرفة البارامترية. وبينما يعمل التوليد المعزز بالاسترجاع (RAG) على تخفيف حدة ذلك من خلال ربط الاستجابات بأدلة خارجية، فإن خطوط المعالجة التقليدية من نوع "الاسترجاع والصب" (retrieve-and-dump) غالباً ما تُدخل سياقاً غير ذي صلة. وهذا الأمر ضار بشكل خاص في المجالات المتخصصة مثل علم الفلك، حيث يتطلب الأمر مصطلحات تقنية كثيفة، وصيغ رياضية، وتأصيلاً سياقياً دقيقاً.

علاً على ذلك، تسلط الدراسات الحديثة الضوء على "تأثير الموضع على شكل حرف U" في النماذج ذات السياق الطويل، حيث تنخفض الدقة بشكل كبير عندما يتم وضع الأدلة الرئيسية في منتصف المطالبة (prompt) بدلاً من بدايتها أو نهايتها. وتواجه الحلول الحالية المتخصصة في المجالات صعوبة في التعامل مع المحتوى الغني بالمعادلات، وسد الفجوة بين المفردات العامة والمتخصصة، وضمان القابلية للتتبع والخصوصية في الاستدلال العلمي.

2. المنهجية: خط معالجة AstroRAG

AstroRAG هو إطار عمل RAG خفيف الوزن، محلي بالكامل، ولا يتطلب تدريباً، مصمم خصيصاً للإجابة على أسئلة علم الفلك. يعمل الإطار على أساس كل حالة (per-instance) لضمان الخصوصية ومنع تسرب المهام عبر بعضها البعض. يتكون خط المعالجة من المراحل التالية:

أ. العزل والمعالجة المسبقة على مستوى الحالة

الفهرسة العابرة (Transient Indexing): لكل استعلام، يقوم النظام باستيعاب المستندات الخلفية ذات الصلة فقط (بصيغ .txt و .pdf و .md)، ومعالجتها، وتخزينها في فهرس Elasticsearch مؤقت. يتم حذف هذا الفهرس فوراً بعد توليد الإجابة لمنع تلوث البيانات.
التقطيع الواعي بالرموز (Token-Aware Chunking): يتم تطبيع المستندات وتقسيمها باستخدام مقسم نصي تكراري واعٍ بالرموز (يعتمد على tiktoken بترميز p50k).
- الحد الأقصى لحجم القطعة ( $L$ ): 300 رمز (token).
- التداخل ( $\Delta$ ): 30 رمزاً.
- يتم إرفاق البيانات الوصفية (اسم الملف، الصفحة، معرف القطعة) بكل قطعة لضمان المصدر.

ب. التضمين وفهرسة المتجهات

يتم تضمين القطع باستخدام نموذج تضمين جمل (مثل Sentence-BERT).
HyDE الاختياري (التضمينات المستندية الافتراضية): يمكن لنموذج لغوي محلي توليد فقرة افتراضية للاستعلام، والتي يتم تضمينها لاحقاً لتحسين الاسترجاع في الاستعلامات الشحيحة.
تُخزن التضمينات في فهرس Elasticsearch العابر.

ج. الاسترجاع على مرحلتين

يستخدم النظام عملية استرجاع على مرحلتين لاختيار مجموعة سياقية مدمجة ومتكاملة تحت ميزانية رموز صارمة:

المرحلة الأولى: التمايز الأقصى للمعلومات (MMR):
- يسترجع مجموعة مرشحة صغيرة ومتنوعة (الافتراضي $k=3$ ) من مخزن المتجهات.
- يحسن كل من الصلة بالاستعلام والتنوع بين المرشحين لتجنب التكرار.
- الصيغة: $d^* = \arg\max_{d \in D \setminus S} [\lambda s(d, q) - (1-\lambda) \max_{d' \in S} s(d, d')]$ .
المرحلة الثانية: إعادة التصنيف باستخدام PageRank الموجه للقارئ (PR):
- ينشئ رسماً بيانياً للتشابه حيث تكون العقد هي القطع $k$ المسترجعة، وتمثل الحواف تشابه جيب التمام (cosine similarity) فوق عتبة معينة ( $\tau = 0.01$ ).
- يطبق خوارزمية PageRank مع متجه تخصيص مشتق من درجات تشابه الاستعلام والقطعة.
- الهدف: تحديد مجموعة مدمجة من القطع التي ليست فقط ذات صلة بالاستعلام، بل هي أيضاً متوافقة ومؤيدة لبعضها البعض (دعم متبادل عالٍ بين المقاطع).
- يتم اختيار أفضل $pr$ من القطع (الافتراضي = 3) بناءً على درجات PageRank.

د. توليد الإجابة

يتم دمج القطع المختارة وتقليصها لتناسب ميزانية رموز ثابتة (الافتراضي $T=1800$ ) لتناسب نافذة سياق النموذج اللغوي.
يقوم نموذج لغوي محلي (مثل Mistral-7B أو LLaMA 2 أو AstroSage) بتوليد الإجابة النهائية في تمريرة واحدة، مع تقديم الاستجابة جنباً إلى جنب مع استشهادات المصدر الدقيقة.
يدعم النظام خلفيات متعددة عبر واجهات برمجة التطبيقات المتوافقة مع OpenAI أو HuggingFace TGI.

3. المساهمات الرئيسية

العزل على مستوى الحالة والقابلية للتتبع: يستوعب النظام الملفات ذات الصلة فقط، ويبني فهرساً عابراً لكل حالة، ويسجل الإجابة والمقاطع الداعمة، ثم يمسح الفهرس بعد التوليد. يضمن ذلك الخصوصية ويمنع تلوث البيانات بين الحالات المختلفة.
الاسترجاع على مرحلتين مع PageRank الموجه للقارئ: الجمع المبتكر بين MMR للتنوع الأولي وخطوة إعادة التصنيف باستخدام PageRank الموجه للقارئ يختار مجموعة من المقاطع المدمجة والمتماسكة. هذا يوازن بين صلة الاستعلام والدعم المتبادل بين المقاطع، مما يحسن التعامل مع "التأثير الموضعي" في النماذج اللغوية الكبيرة.
خط معالجة محلي ومجزأ بالكامل: يعمل سير العمل بالكامل (التضمين، الاسترجاع، التوليد) على أجهزة محلية، مما يدعم العمل دون اتصال بالإنترنت وحالات الاستخدام الحساسة للخصوصية دون الاعتماد على واجهات برمجة التطبيقات السحابية الخارجية.

4. النتائج التجريبية

تم تقييم خط المعالجة على معيار AstroQA (3,082 سؤالاً عبر مستويات سهلة، متوسطة، وصعبة) وعلى مجموعة بيانات AstroRef-QA مخصصة.

الأداء على AstroQA:
- حقق متغير Mistral-7B + AstroRAG دقة بنسبة 79.49% ودرجة F1 بنسبة 79.49% على إجمالي مجموعة البيانات.
- يمثل هذا ضعف الأداء تقريباً مقارنة بخط الأساس Mistral-7B غير المعزز بـ RAG (الذي حقق 21.74% دقة).
- كانت مكاسب الأداء متسقة عبر مستويات الصعوبة: السهل (77.50%)، المتوسط (80.28%)، والصعب (83.59%).
- تفوق AstroRAG على نماذج RAG الأخرى مثل DrQA واستراتيجيات Map-Reduce.
الأداء على AstroRef-QA:
- باستخدام مقاييس ROUGE-L و ROUGE-N، حقق نموذج Mistral-7B + AstroRAG أعلى الدرجات (30.17% ROUGE-L، 42.12% ROUGE-N)، مما أظهر تحسناً في التداخل اللفظي وصلة المحتوى.
دراسات الاستئصال (Ablation Studies):
- ميزانية الرموز: وفر حد مخرجات قدره 64 رمزاً التوازن الأمثل بين زمن الاستجابة والدقة.
- المعلمات الفائقة (Hyperparameters): لوحظ أفضل أداء مع قيمة PageRank top- $K$ تساوي 3 وتداخل قطع قدره 30 رمزاً.

5. الأهمية والادعاءات

يزعم البحث أن AstroRAG يؤسس قاعدة قوية لتوسيع نطاق RAG إلى مجالات علمية أخرى من خلال إثبات أن الاسترجاع والتهذيب المنضبطين أمران حاسمان لتعزيز الاستدلال المتخصص في المجال.

فعالية إعادة التصنيف: تسلط النت النتائج الضوء على أن مجرد استرجاع المزيد من الفقرات ليس فعالاً بقدر استخدام عملية من مرحلتين (MMR + PageRank) لاختيار سياق مدمج ومتماسك.
الخصوصية وقابلية التكرار: من خلال العمل محلياً واستخدام الفهرسة العابرة، يعالج النظام الاحتياجات الحرجة للتحقق والخصوصية في التطبيقات العلمية.
التكيف مع المجال: نجح إطار العمل في سد الفجوة بين قدرات النماذج اللغوية الكبيرة العامة والمتطلات الصارمة للاستدلال الفلكي، حيث تعامل مع مهام معقدة مثل الاستدلال على القدر الظاهري والسطوع، وتصنيف الأجرام السماوية، وحسابات الوقت النجمي.

يقر المؤلفون بوجود قيود، بما في ذلك الحساسية تجاه اختيار نماذج التضمين ومعلمات الاسترجاء الفائقة، ويقترحون عملاً مستقبلياً في التقطيع التكيفي، وتجميع الخطوات المتعددة (multi-hop aggregation)، والتعامل مع المدخلات متعددة اللغات.