A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination

تخيل أنك محقق يحاول حل لغز، ولكن بدلاً من بصمات الأصابع أو الحجج، تكون أدلتك هي الأرقام الموجودة في جدول بيانات. هدفك هو العثور على "الوصفة" المخفية — أي معادلة رياضية مكتوبة ومنظمة — تشرح كيف تتصرف تلك الأرقام. هذا هو عالم الانحدار الرمزي (Symbolic Regression). وخلافاً لبرامج الكمبيوتر القياسية التي تكتفي بمعالجة الأرقام لإعطاء إجابة، يحاول الانحدار الرمزي كتابة القانون الفعلي للطبيعة، مثل $F=ma$ أو صيغة الجاذبية، بطريقة يمكن للبشر قراءتها وفهمها. هذا هو الفرق بين "الصندوق الأسود" الذي يتنبأ بالطقس وبين خبير الأرصاد الجوية الذي يمكنه شرح سبب قدوم العاصة.

لفترة طويلة، استخدم العلماء أجهزة الكمبيوتر للبحث عن هذه الوصفات، لكن العملية كانت غير متقنة. الأمر يشبه محاولة إصلاح ساعة مكسورة عبر تبديل التروس عشوائياً على أمل أن تبدأ في العمل. إذا لم تعمل الساعة، يحصل الكمبيوتر فقط على "درجة سيئة" ويحاول مجدداً، وغالباً ما يرتكب نفس الأخطاء مراراً وتكراراً. مؤخراً، بدأ العلماء في استخدام نماذج اللغات الكبيرة (LLMs) — وهي روبوتات الدردشة الذكية التي قد تعرفها — للمساعدة في كتابة هذه المعادلات. هذه الأنظمة الذكية بارعة في تخمين الكلمات (أو الرموز الرياضية) التي يجب أن تأتي تالياً، لكنها لا تزال عرضة للتعثر، أو كتابة معادلات لا معنى لها، أو الارتباك عندما تصبح البيانات معقدة. السؤال الكبير هو: كيف نجعل هؤلاء المحققين من الذكاء الاصطناği يتوقفون عن التخمين العشوائي ويبدؤون في العمل كفريق حقيقي من الخبراء؟

إليك A-SR، وهو أسلوب جديد يعامل البحث عن الصيغ الرياضية ليس كعمل فردي، بل كجهد جماعي متناغم. أدرك الباحثون وراء هذه الورقة البحثية، وينشياو تشاو وزملاؤه، أن الطريقة القديمة كانت جامدة للغاية. في الماضي، كان الذكاء الاصطناعي يقترح معادلة، يحصل على درجة، ثم يحاول مجدداً. إذا كانت المعادلة معطلة، فقد يحاول الذكاء الاصطناعي إصلاحها بإضافة المزيد من الأرقام، أو إذا كانت بسيطة جداً، فقد يحاول جعلها أكثر تعقيداً، وكل ذلك دون فهم السبب الحقيقي لفشلها.

يغير A-SR قواعد اللعبة من خلال منح الذكاء الاصطناعي "مديراً" وفريقاً من المتخصصين. تخيل غرفة أخبار حيث لا يكتفي "رئيس التحرير" (المنسق) بطلب كتابة قصة من مراسل واحد، بل يقرر أولاً ما هو المتخصص المطلوب بناءً على أحداث اليوم. إذا كانت القصة مليئة بالأخطاء، يستدعي رئيس التحرير المراجع للتحقق من الحقائق. وإذا كانت القصة مملة وتحتاج إلى زاوية جديدة، يتم استدعاء المولد (Generator) لابتكار أفكار جامحة. وإذا كانت القصة طويلة ومربكة، يتم استدعاء المبسط (Simplifier) لقص الحشو الزائد. وإذا كانت القصة تفتقر إلى قطعة رئيسية من اللغز، يقوم المحلل (Analyst) بالبحث في الأرشيف للعثور على الحلقة المفقودة.

ما يجعل A-SR مميزاً هو أن هذا الفريق لا يتبع جدولاً زمنياً ثابتاً. "المحرر" يتطور ذاتياً؛ فهو يراقب سير عملية البحث في الوقت الفعلي. إذا كان الفريق عالقاً في حلقة مفرغة من ارتكاب الأخطاء، يغير المحرر الاستراتيجية، ربما عبر توجيه الفريق للتوقف عن استكشاف أفكار جديدة والتركيز على إصلاح الأخطاء الموجودة. كما أنه يحتفظ بـ "ذاكرة" لما نجح وما فشل، ويوجه تلك المعلومات إلى المتخصص المناسب. فعلى سبيل المثال، إذا كان الفريق يفشل باستمرار بسبب نوع معين من الأخطاء الرياضية، يتم إرسال هذا الفشل إلى المراجع، الذي يعلم الفريق بدوره كيفية تجنب هذا الخطأ في المرة القادمة.

تظهر الورقة البحثية أن هذا النهج فعال للغاية. فعند اختباره على مجموعة متنوعة من الألغاز العلمية — من كيفية تفاعل المواد الكيميائية إلى كيفية تمدد المواد تحت الضغط — وجد A-SR "الوصفات" الرياضية الصحيحة في كثير من الأحيان أكثر من الطرق السابقة. في إحدى مجموعات الاختبارات، باستخدام نموذج يسمى Llama3.1-8B، قفز معدل النجاح من حوالي 25.79% إلى 48.30%. هذا يعني تقريباً مضاعفة عدد المشكلات التي استطاع الذكاء الاصطناعي حلها بشكل صحيح. والأكثر إثارة للإعجاب هو أنه عندما نقلوا الدروس المستفادة من جهود الفريق هذه وعلموها لنموذج ذكاء اصطناعي أصغر مفتوح المصدر (Qwen3-4B)، قفز معدل نجاح هذا النموذج الأصغر أيضاً بشكل كبير، من 24.58% إلى 38.29%.

كما اختبر الباحثون A-SR على بيانات علمية من العالم الحقيقي، مثل نمو البكتيريا أو اهتزاز الأنظمة الميكانيكية. وفي هذه السيناريوهات الواقعية الصعبة والمزدحمة بالضجيج، تمكن A-SR من إيجاد أفضل الأوصاف الرياضية في 7 من أصل 8 حالات، متفوقاً على أفضل الطرق الأخرى. الخلاصة الرئيسية ليست مجرد أن الذكاء الاصطناعي أصبح أفضل في الرياضيات؛ بل هو أن الذكاء الاصطناعي تعلم كيف يفكر في أخطائه. فبدلاً من التجربة العمياء لملايين التوليفات العشوائية، تعلم تشخيص إخفاقاته، وتبديل الأدوار عند الضرورة، واستخدام ذاكرته لتجنب تكرار نفس الأخطاء. إنه تحول من البحث الفردي الفوضوي إلى فريق ذكي ومنسق من الوكلاء، كل منهم يقوم بما يجيده تماماً، بتوجيه من مدير يعرف متى يدفع نحو أفكار جديدة ومتى يتوقف للإصلاح.