Learning efficient representations of complex constraints for scalable optimization

في العالم الحديث، تعتمد العديد من قراراتنا الأكثر أهمية على حل الألغاز الرياضية المعقدة. وسواء كان ذلك في موازنة شبكة الكهرباء للحفاظ على استمرارية الإضاءة، أو توجيه آلاف شاحنات التوصيل عبر مدينة ما، أو إدارة محفظة استثمارية ضخمة، فإن هذه المهام تنطوي على إيجاد أفضل نتيجة ممكنة مع الالتزام بمجموعة صارمة من القواعد. هذه القواعد، المعروفة باسم القيود، تمثل حدودًا فيزيائية مثل سلامة الجهد الكهربائي، أو سعة الطريق، أو المخاطر المالية. والمشكلة تكمن في أنه مع نمو أنظمتنا وزيادة ترابطها، يتضخم عدد هذه القواعد بشكل هائل. وعندما يحاول صانع القرار حساب المسار الأفضل عبر ملايين القيود، غالبًا ما يصطدم الحاسوب بجدار؛ إذ يستغرق الحساب وقتًا طويلاً جدًا، أو يتطلب ذاكرة أكثر مما هو متاح، أو ببساطة يفشل في الانتهاء قبل الحاجة إلى اتخاذ القرار. وهذا يخلق عنق زجاجة حيث تتجاوز الحاجة إلى قرارات سريعة ومثالية قدرة الحواسيب الحالية على إيجادها.

ولمعالجة ذلك، حاول الباحثون تقليديًا اتباع نهجين رئيسيين. يحاول أحد الأساليب تبسيط القواعد من خلال إجراء تقريبات رياضية واسعة النطاق، ولكن هذه التقريبات قد تكون أحيانًا فضفاضة للغاية، مما يؤدي إلى حلول تبدو جيدة على الورق ولكنها تفشل في الواقع. أما النهج الآخر فيستخدم التعلم الآلي للتنبؤ بالإجابة مباشرة، لكن هذه التنبؤات غالبًا ما تفتقر إلى ضمان بأن الحل يتبع القواعد بالفعل. وتقدم دراسة جديدة مسارًا مختلفًا، لا يحاول تخمين الإجابة أو مجرد تسريع الحساب الحالي، بل يعلّم الحاسوب فهم شكل القواعد نفسها، ثم يستبدل القواعد المعقدة والفوضوية بنسخة هندسية أبسط بكثير يسهل على البرمجيات القياسية حلها.

قام الباحثون، بقيادة فريق من مؤسسات تشمل جامعة تسينغهوا ومعهد بكين للتكنولوجيا، بتطوير إطار عمل يطلقون عليه اسم "بولي فورمر" (PolyFormer). الفكرة الجوهرية هي أنه حتى أكثر مجموعات القواعد تعقيدًا، والتي قد تتضمن آلاف المتغيرات والمعادلات غير الخطية، تحدد شكلًا معينًا في الفضاء. ويمثل هذا الشكل جميع الحلول الممكنة المسموح بها. وبينما قد يكون الشكل الأصلي متعرجًا أو ملتوياً أو شديد التعقيد، وجد الباحثون أنه يمكنهم تقريبه باستخدام شكل أبسط يتكون من جوانب مسطحة، وهو ما يُعرف بالمتعدد الوجوه (polytope). فكر في الأمر كأخذ صخرة غير منتظمة للغاية وتشكيل صندوق ناعم متعدد الأضلاع حولها يكون ضيقًا بما يكفي لاحتوائها. ومن خلال استبدال القواعد الأصلية الصعبة الحل بهذا الصندوق الهندسي المبسط، يمكن للحاسوب إيجاد الحل الأمثل فورًا تقريبًا باستخدام برمجيات قياسية جاهزة.

اختبر الفريق هذه الطريقة على ثلاثة أنواع مختلفة تمامًا من المشكلات الواقعية لمعرفة ما إذا كان بإمكانها التعامل مع تنوع التحديات الموجودة في الأنظمة المعقدة. تضمن الاختبار الأول إدارة مجموعة كبيرة من الموارد الفردية، مثل المركبات الكهربائية، وأنظمة تخزين البطاريات، والمضخات الحرارية. وفي سيناريو يحتوي على 1,000 جهاز من هذه الأجهزة، لكل منها مجموعة خاصة من القيود الفيزيائية، تطلب النموذج الرياضي الأصلي ما يقرب من 58,000 قيد منفصل لوصف النظام. وقد تعلم إطار عمل "بولي فورمر" ضغط هذا التعقيد الهائل إلى 96 قيدًا فقط. سمح هذا الاختزال للنظام بالحفاظ على مستوى عالٍ من الدقة مع إزالة 9.,83% من القيود الأصلية. وفي سيناريو ثانٍ يتضمن أنواعًا مختلطة من عناصر التحكم، بما في ذلك الإعدادات المستمرة ومفاتيح التشغيل والإيقاف، نجحت الطريقة في تبسيط النموذج من خلال إلغاء جميع المتغيرات الثنائية وتقليل عدد القيود بنسبة تقارب 98.5%، وهو إنجاز لم تستطع طرق التبسيط الأخرى تحقيقه.

ركز التطبيق الثاني على شبكة الطاقة الكهربائية، وتحديدًا العلاقة بين خطوط نقل الجهد العالي وشبكات التوزيع المحلية التي توصل الطاقة إلى المنازل والشركات. هذه الشبكات مترابطة بعمق، مما يخلق شبكة من التبعيات التي تجعل عملية التحسين بطيئة للغاية. وفي واحدة من أكبر الحالات الاختبارية، احتوى النموذج الأصلي على أكثر من 715,000 قيد وما يقرب من 480,000 متغير. استغرق حل هذا النموذج مباشرة باستخدام برنامج حل قياسي 1,476 ثانية وتطلب أكثر من 800 ميجابايت من الذاكرة. وبعد تطبيق تبسيط "بولي فورمر"، تم تقليص المشكلة إلى ما يزيد قليلاً عن 2,000 قيد. وكانت النتيجة تحسنًا دراماتيكيًا: حيث وجد البرنامج حلاً في أقل من ربع ثانية، باستخدام 3.5 ميجابايت فقط من الذاكرة. يمثل هذا تسريعًا بأكثر من 6,400 مرة. والأهم من ذلك، ظلت الحلول موثوقة للغاية، حيث انخفض خطر انتهاك قواعد السلامة إلى مستوى ضئيل جدًا لدرجة أنه يكاد يكون معدومًا للأغراض العملية.

تعامل الاختبار الثالث مع عدم اليقين، وهو تحدٍ شائع في مجالات مثل التمويل حيث تكون النتائج المستقبلية غير معروفة. في إدارة المحافظ الاستثمارية، يجب على المستثمرين تحديد كيفية تخصيص الأصول مع ضمان بقاء مخاطر الخسارة ضمن حدود مقبولة، حتى لو تغيرت ظروف السوق بشكل غير متوقع. تتطلب الطرق القياسية للتعامل مع عدم اليقين هذا غالبًا إضافة عدد هائل من المتغيرات والقواعد الإضافية إلى النموذج، مما يجعل العبء الحسابي ثقيلًا. وفي اختبار شمل محفظة مكونة من 400 أصل، تطلب النهج التقليدي أكثر من مليون قيد ومتغير. قام "بولي فورمر" بضغط هذا العدد إلى 1,617 قيدًا و400 متغير فقط. سمح هذا الاختزال للنظام بحل المشكلة في 0.725 ثانية، مقارنة بـ 513 ثانية للطريقة التقليدية، مع تقديم حلول توفر مقايضات تنافسية بين المخاطر والعائد.

تعد القدرة على التكيف بسرعة مع الظروف المتغيرة دون الحاجة إلى إعادة التدريب من الصفر ميزة رئيسية لهذا الإطار الجديد. في كثير من المواقف الواقعية، تتغير البيئة؛ فتتغير درجات الحرارة، أو تتقلب أسعار السوق، أو تتطور أنماط الطلب. ولأن الباحثين دربوا النظام على التعرف على كيفية تغير شكل القواعد استجابة لهذه المدخلات، يمكن للنموذج إنشاء مجموعة جديدة مبسطة من القيود للوضع الجديد فورًا. وهذا يعني أنه بمجرد تدريب النظام، يمكنه التعامل مع مجموعة واسعة من السيناريوهات في الوقت الفعلي، مما يجعله مناسبًا للبيئات الديناميكية حيث يجب اتخاذ القرارات بسرعة.

توضح الدراسة أن هذا النهج ليس مجرد تمرين نظري، بل هو أداة عملية يمكن تطبيقها عبر مجالات مختلفة. فمن خلال تعلم هندسة القيود، يجسّر النظام فعليًا الفجوة بين الحاجة إلى نماذج دقيقة ومفصلة والحاجة إلى حساب سريع وقابل للتوسع. وجد الباحثون أنه يمكنهم موازنة المقايضة بين الالتزام الصارم بالقواعد وجودة الحل من خلال ضبط معلمة واحدة، مما يسم يسمح للمستخدمين بإعطاء الأولوية للسلامة أو الكفاءة حسب الاحتياجات المحددة للموقف. هذه المرونة تجعل الطريقة قوية بما يكفي للتطبيقات الحرجة للسلامة مثل شبكات الطاقة، حيث يمكن أن تؤدي الأخطاء الصغيرة إلى عواقب وخيمة، وكذلك للتطبيقات المالية حيث الهدف هو تعظيم العوائد.

وبينما يعمل الأسلوب بشكل استثنائي مع الأشكال المحدبة، يقر الباحثون بأن بعض الأنظمة المعقدة تتضمن مناطق غير محدبة، وهي أشكال تحتوي على ثقوب أو انبعاجات. في هذه الحالات، يقرب النموذج المبسط الحدود الخارجية للشكل، وهو أمر كافٍ للعديد من التطبيقات ولكنه قد لا يلتقط كل التفاصيل الداخلية. ومع ذلك، بالنسبة للغالبية العظمى من مشكلات التحسين واسعة النطاق التي تواجهها الهندسة والاقتصاد، يوفر هذا التقريب طريقة قوية لاتخاذ القرارات. ويشير العمل إلى أنه من خلال تحويل التركيز من حل المعادلات الخام والمعقدة إلى تعلم شكل مساحة الحل، يمكننا فتح القدرة على إدارة أنظمة كانت في السابق أكبر أو أسرع مما يمكن للحواسيب التعامل معه بفعالية.

إن تداعيات هذا البحث تمتد إلى ما وراء الأمثلة المحددة التي تم اختبارها. فالقدرة على ضغط القواعد المعقدة والمترابطة في تنسيق مدمج وسهل الحل تقدم مسارًا جديدًا لإدارة التعقيد المتزايد للأنظمة الاجتماعية والتقنية. ومع ازدياد ترابط العالم، مع مليارات الأجهزة والكيانات التي تتفاعل في الوقت الفعلي، ستزداد الحاجة إلى اتخاذ قرارات سريعة وموثوقة. يوفر هذا الإطار مسارًا قابلًا للتوسع لتلبية هذا الطلب، محولًا المشكلات التي كانت في السابق مستعصية حسابيًا إلى مهام يمكن حلها في طرفة عين. ويشير نجاح "بولي فورمر" إلى أن مستقبل التحسين لا يكمن فقط في الحواسيب الأسرع، بل في طرق أكثر ذكاءً لتمثيل المشكلات نفسها.