Structured Scaling of AI Discovery Across Diverse Scientific Domains
تقدم الورقة البحثية إطار عمل SIMPLETES، الذي يهيكل الاكتشاف العلمي المدفوع بالذكاء الاصطناعي من خلال تنظيم إشارات التقييم عبر مسارات تكرارية وإعادة استخدام السجلات بشكل انتقائي، مما يمكّن نموذجاً واحداً مفتوح المصدر من تحقيق نتائج رائدة في 28 مجالاً علمياً متنوعاً والتحسن أكثر من خلال التدريب اللاحق القائم على النتائج.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
لطالما اعتمد العلم على دورة من التجربة والخطأ؛ حيث يقترح الباحث فكرة، ثم يختبرها مقابل قوانين الطبيعة أو قيود المشكلة، ومن ثم يستخدم النتيجة لتنقيح المحاولة التالية. ولعقود من الزمن، انضم الذكاء الاصطناعي إلى هذه الحلقة، ولكن غالباً كأداة متخصصة تتنبأ بالنتائج أو تحسن المتغيرات المعروفة. ومؤخراً، بدأت النماذج اللغوية تعمل كباحثين أنفسهم، حيث تولد حلولاً مرشحة، وتكتب الكود البرمجي لاختبارها، وتراجع عملها بناءً على التغذية الراجعة. ومع ذلك، فإن مجرد طلب تجربة المزيد من الأفكار من الحاسوب لا يضمن تحقيق اكتشافات أفضل. فإذا أنتج النظام آلاف المحاولات دون هيكل واضح، فستكون العديد منها مكررة، أو قد يعلق المسار في تنقيح طريق مسدود. إن التحدي المركزي لا يكمثل فقط في زيادة عدد المحاولات، بل في تنظيم هذا التوسع بحيث تبني كل تجربة على ما سبقها، مما يسمح للتقدم بأن يتراكم بمرور الوقت.
لقد قدم أحد الباحثين إطار عمل جديداً يسمى SIMPLETES لحل هذه المشكلة. فبدلاً من الاعتماد على نموذج ذكاء اصطعي واحد ضخم أو محركات بحث معقدة ومبنية خصيصاً، ركزوا على كيفية هيكلة عملية البحث نفسها. لقد عاملوا حلقة الاكتشاف كأنها مجتمع علمي: تشغيل العديد من خطوط البحث المستقلة بالتوازي، وترك كل خط ينقح أفضل أفكاره بمرور الوقت، والاختيار الدقيق لما يتم مشاركته من الإخفاقات والنجاحات مع الجولة التالية من المحاولات. وباستخدام نموذج لغوي واحد مفتوح المصدر، عالج هذا النظام ثمانية وعشرين مشكلة مختلفة مفتوحة النهايات عبر مجالات متنوعة مثل الفيزياء الكمية، والسفر في الفضاء العميق، والرياضيات البحتة. وفي كل حالة، وجد النظام حلولاً أفضل من أفضل النتائج المعروفة لدى الخبراء البشر أو أنظمة الذكاء الاصطناعي المتقدمة الأخرى، وغالباً باستخدام قدر أقل بكثير من قوة الحوسبة.
وقد أثبت الباحث أن الطريقة التي يُنظم بها البحث تهم أكثر من حجم النموذج الذي يشغله. فقد اختبروا إطار عملهم في مهام تتراوح بين تصميم مسارات طيران موفرة للوقود للمركبات الفضائية وتحسين الكود البرمجي الذي يعمل على أسرع شرائح الحاسوب. وفي مجال السفر عبر الفضاء، أعاد النظام تصميم مسارات الرحلات لبعثات المشتري والكواكب الأخرى، ووجد طرقاً قللت تكاليف الوقود بنسبة تصل إلى ثلاثة وعشرين بالمائة مقارنة بالسجلات التاريخية. وفي الحوسبة الكمية، اكتشف طرقاً جديدة لترتيب البيانات على الشرائح، مما قلل العمليات الإضافية اللازمة لنقل المعلومات بنسبة تقارب خمسة وعشرين بالمائة. كما كتب كوداً برمجياً جديداً لمشكلات رياضية ظلت دون حل لعقود، بما في ذلك مشكلة تتعلق بالمجموعات المتداخلة كانت مفتوحة منذ عام 1955؛ حيث وجد النظام حلاً حسن السجل الأفضل المعروف، وفعل ذلك دون أي تدخل بشري أو تدريب متخصص لتلك المهام المحددة.
كانت إحدى أهم النتائج هي أن النظام يمكنه التعلم من عملية البحث الخاصة به ليصبح أفضل. فقد أخذ الباحث المسارات الناجحة التي اكتشفها النظام واستخدمها لتدريب النموذج اللغوي بشكل أكبر. وبدلاً من مكافأة النموذج للحصول على درجة جيدة في محاولة واحدة، علموه أن يقدر النتيجة النهائية لرحلة بحث كاملة. وقد سمح هذا للنموذج بأن يتعلم أن محاولة أولية تبدو ضعيفة قد تكون خطوة ضرورية نحو تحقيق طفرة لاحقاً. وعند اختباره على مشكلات رياضية جديدة، وجد هذا النموذج المدرب حلولاً أكثر تقدماً من النظام الأصلي، مما دفع بالحدود التي كان يُعتقد سابقاً أنها ممكنة.
إن نجاح هذا النهج يشير إلى أن تنظيم البحث هو أداة قوية في حد ذاتها. فمن خلال هيكلة عملية التقييم لتشجيع الاستكشاف المتنوع والتحسين المتكرر، أظهر الباحث أن نموذجاً واحداً بسيطاً نسبياً مفتوح المصدر يمكنه التفوق على الأنظمة المبنية بنماذج أكبر مملوكة لشركات. لم يجد إطار العمل حلاً جيداً واحداً فحسب، بل أرسى منهجية عامة للاكتشاف تعمل عبر مجالات علمية مختلفة تماماً. ومن تصميم خوارزميات أفضل لتحليل نشاط الدماغ إلى إنشاء برمجيات أسرع للذكاء الاصطناعي، أثبت النظام أن النهج المنظم القائم على التقييم يمكنه تسريع التقدم العلمي. وتشير النتالئج إلى أن مستقبل الاكتشاف المدفوع بالذكاء الاصطناعي قد يعتمد على تصميم طرق أذكى لتستكشف تلك العقول المجهول، وليس فقط على بناء عقول أكبر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.