← أحدث الأبحاث
⚛️ phenomenology

LLM-Based FORM Code Generation with Verification-Driven Fine-Tuning

تتناول هذه الورقة نقص دعم الذكاء الاصطناعي للغة التلاعب الرمزي FORM من خلال إثبات فشل النماذج اللغوية الكبيرة الرائدة في مهام FORM بنمط الصفر محاولة (zero-shot)، ثم تقدم مساراً للضبط الدقيق القائم على التحقق باستخدام ملف FORM الثنائي كمرجع (oracle) لتدريب نموذج مدمج بـ 8 مليارات معلمة يتفوق على النماذج الرائدة الأكبر حجماً بكثير في تنفيذ الكود وصحته مع الحفاظ على قدرات الاستنتاج العامة.

المؤلفون الأصليون: Bakar Chargeishvili

نُشر 2026-09-22
📖 3 دقيقة قراءة🧠 قراءة متعمّقة
CC BY 4.0

المؤلفون الأصليون: Bakar Chargeishvili

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

في عالم الجسيمات دون الذرية، حيث تتصادم الجسيمات وتتحلل في أجزاء من الثانية، يعتمد علماء الفيزياء النظرية على لغة متخصصة لوصف رياضيات اكتشافاتهم. هذه اللغة، المعروفة باسم "Form"، ليست أداة برمجة عامة الأغراض، بل هي نظام محدد للغاية صُمم للتعامل مع التعبيرات الجبرية ذات التعقيد الهائل. فعندما يحسب العلماء سلوك الجسيمات باستخدام نظرية المجال الكمي، يمكن أن تحتوي الصيائل الناتجة على ملايين أو حتى مليارات الحدود. وغالباً ما تنهار البرامج الحاسوبية عامة الأغراض عند مواجهة مثل هذه الحسابات الضخمة، لكن "Form" بُني لإدارتها عن طريق تخزين الخطوات الوسيطة على القرص الصلب بدلاً من ذاكرة الكمبيوتر. ولعقود من الزمن، ظل هذا الأداة لا غنى عنها لكشف أسرار الكون، ومع ذلك لا يزال تعلمها صعباً؛ فبنيتها اللغوية فريدة، وقواعدها صارمة، وحتى الآن، لم يكن هناك ذكاء اصطناعي قادر على مساعدة البشر في كتابة كود برمجي لها.

قدمت هذه الفجوة التكنولوجية تحدياً فريداً للباحثين في معهد كارلسروه للتكنولوجيا. فقد طرحوا سؤالاً جوهرياً: هل يمكن لذكاء اصطناعي حديث، تدرب على كميات هائلة من بيانات الإنترنت، أن يتعلم كتابة كود للغة تكاد لا توجد في تلك البيانات؟ كانت الإجابة التي وجدوها هي "لا" قاطعة. فعندما اختبروا أقوى نماذج الذكاء الاصطناعي المتطورة المتاحة — والتي يحتوي بعضها على مئات المليارات من المعلمات (parameters) — فشلت هذه العمالقة تماماً. فبدون دليل أو مرشد للنظر إليه، لم تستطع توليد سطر واحد صحيح من كود "Form". بالنسبة للذكاء الاصطناعي، كانت هذه اللغة غير مرئية فعلياً، مجالاً صفري الموارد حيث كان حجم النموذج الضخم أقل أهمية من غياب التدريب المحدد.

ولحل هذه المشكلة، اتبع الباحثون نهجاً مختلفاً. فبدلاً من الاعتماد على نموذج ضخم للتخمين، قاموا ببناء ذكاء اصطناعي متخصص وأصغر حجماً وعلموه باستخدام طريقة صارمة ذاتية التصحيح. لقد أنشأوا مسار عمل (pipeline) حيث يقوم ذكاء اصطناعي قوي بتوليد برامج مرشحة بناءً على تعليمات بسيطة باللغة الإنجليزية، ولكن لم تكن هذه البرامج موثوقة فوراً؛ بل كانت تُغذى في برنامج "Form" الفعلي لمعرفة ما إذا كانت تعمل بشكل صحيح. وإذا أنتج الكود خطأً أو نتيجة خاطئة، فإنه يُستبعد. فقط البرامج التي اجتازت كل الفحوصات — من حيث البنية اللغوية، والتنفيذ، والاتساق المنطقي — هي التي يتم الاحتفاظ بها. أنتجت هذه العملية مكتبة موثقة تضم أكثر من 4600 مثال، تتراوح من الدروس التعليمية البسيطة إلى حسابات الفيزياء المعقدة.

باستخدام هذه البيانات عالية الجودة والموثقة، قام الفريق بضبط نموذج ذكاء اصطناٍ مدمج يمتلك ثمانية مليارات معلمة. وكانت النتيجة متخصصاً تفوق على أكبر وأغلى النماذج في العالم. ففي مجموعة من 664 مهمة حسابية محددة، حل هذا النموذج الصغير والمتخصص 97.7% منها بشكل صحيح. وفي المقابل، فإن أضخم النماذج الرائدة، حتى عند تزويدها بدليل بنيوي لقراءته، تمكنت من توليد كود صحيح برمجياً يعمل دون خطأ في حوالي 75% فقط من تلك المهام نفسها. وكان التفوق أكثر وضوحاً في المهام مفتوحة النهايات حيث يتم وصف الهدف دون تحديد الطريقة؛ إذ نجح النموذج المتخصص في توليد كود قابل للتشغيل بنسبة 83% من المرات، بينما تمكنت أفضل النماذج العملاقة من القيام بذلك في 65% فقط من الحالات.

ولعل الأمر الأكثر إثارة للدهشة هو أن الباحثين وجدوا أن هذا التدريب المتخصص لم يجعل الذكاء الاصطناعي "ينسى" كيفية القيام بأشياء أخرى. فقد احتفظ النموذج بقدراته العامة في الاستنتاج والبرمجة، مظهرًا انخفاضاً طفيفاً جداً في الأداء في الاختبارات القياسية للرياضيات والمنطق. وهذا يشير إلى أن تعليم الذكاء الاصطناعي مهارة جديدة متخصصة لا يتطلب التضحية بذكائه العام. وتثبت هذه الدراسة أنه بالنسبة للغات العلمية شديدة التخصص، فإن المفتاح للنجاح ليس الحجم الهائل للنموذج، بل جودة البيانات التي يتعلم منها والتحقق منها. فمن خلال استخدام البرنامج نفسه كمعلم للتحقق من كل درس، أنشأ الباحثون أداة يمكنها الآن مساعدة الفيزيائيين في كتابة الكود المعقد اللازم لاستكشاف القوانين الأساسية للطبيعة، مما يخفض حاجز الدخول للغة كانت تشكل عائقاً طويلاً في مجال فيزياء الطاقات العالية.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف ⚛️ hep-ph →