Interference Search: Reachability-Preserving State Merging and Learned Pruning for Parallel Reasoning Search
تقدم هذه الورقة البحثية "البحث بالتداخل" (Interference Search)، وهو إطار استدلال متوازي يعمل على توسيع الحدود بشكل متزامن ودمج الحالات المتكافئة لتحقيق توفير أسي في التمثيل مع الحفاظ بشكل مثبت على إمكانية الوصول إلى الهدف، مما يظهر مكاسب كبيرة في الأداء مقارنة بطرق البحث الخطي التقليدية في مهام مثل Countdown وMBPP.
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
في عالم الذكاء الاصطناعي، غالباً ما تُتخيل النماذج اللغوية الكبيرة كأنها مفكرون منعزلون، يولدون تدفقاً مستمراً واحداً من النصوص لحل مشكلة ما. هذا النهج، المعروف باسم "أثر الاستدلال" (reasoning trace)، يعمل بشكل جيد في المهام البسيطة، لكنه يعاني عندما تتطلب المشكلة استكشاف احتمالات عديدة ومختلفة. تخيل أنك تحاول إيجاد طريق عبر متاهة معقدة عن طريق تدوين كل خطوة تتخذها؛ إذا وصلت إلى طريق مسدود، يجب عليك العودة إلى البداية وتجربة مسار مختلف، حاملاً معك تاريخ جميع محاولاتك الفاشلة. هذه الطريقة غير فعالة لأنها تعامل كل محاولة كأنها فريدة، حتى عندما تؤدي مسارات مختلفة إلى نفس النقطة تماماً في المتاهة. يستكشف الباحثون الآن طرقاً لجعل هذه الأنظمة الذكية أكثر ذكاءً من خلال التعرف على متى تلاقت خطوط التفكير المختلفة عند نفس الموقف، مما يسمح للنظام بالتوقف عن تكرار نفسه والتركيز على ما سيأتي بعد ذلك.
لقد طور فريق من الباحثين طريقة جديدة تسمى "البحث التداخلي" (Interference Search) لمعالجة هذا القصور النوعي تحديداً. فبدلاً من ترك الذكاء الاصطناعي يتجول في مسار واحد أو في شجرة من الفروع المنفصلة التي لا تتواصل مع بعضها البعض، تعامل هذه الطريقة المشكلة كسلسة من الحالات أو المواقف المتميزة. وبينما يستكشف الذكاء الاصطناعي إجراءات مختلفة، يتحقق النظام مما إذا كان خطان مختلفان من الاستدلال قد وصلا إلى الحالة ذاتها تماماً. وعندما يحدث ذلك، يقوم النظام بدمجهما في ممثل واحد، متخلصاً من التاريخ المكرر. هذه العملية لا تتعلق بالتخمين أو التخمين، بل هي فحص دقيق لمعرفة ما إذا كان الوضع الحالي مطابقاً لوضع تم زيارته بالفعل. ومن خلال القيام بذلك، يمكن للذكاء الاصطناعي توسيع نطاق بحثه بشكل أكبر دون استنفاد الذاكرة أو الوقت، لأنه لم يعد يهدر الجهد في نسخ متعددة من الاحتمالات المستقبلية نفسها.
اختبر الباحثون هذه الفكرة باستخدام لغز رياضي كلاسيكي يُعرف باسم "Countdown"، حيث يكون الهدف هو الوصول إلى رقم مستهدف باستخدام مجموعة من الأرقام الأولية والعمليات الحسابية الأساسية. في هذه البيئة، تكون "الحالة" ببساطة هي مجموعة الأرقام المتاحة حالياً. ووجد الفريق أن تسلسلات مختلفة من العمليات الحسابية غالباً ما تؤدي إلى نفس مجموعة الأرقام. على سبيل المثال، جمع رقمين بترتيب معين مقابل ترتيب آخر قد يؤدي إلى نفس المجموع الوسيط. وفي تجاربهم مع مسائل الأرقام الستة، ولّد النظام أكثر من 831,000 مسار مختلف، ومع ذلك تقلصت هذه المسارات إلى 13,229 حالة متميزة فقط. وهذا يعني أنه، في المتوسط، كانت أكثر من 62 مساراً مختلفاً تؤدي إلى نفس الموقف الواحد. ومن خلال دمج هذه التكرارات، استطاع النظام استكشاف فضاء المشكلة بفعالية أكبر من الطرق التي تحتفظ بكل مسار على حدة.
ولضمان أن عملية الدمج هذه لن تتخلص بالخطأ من حل ما، أثبت الباحثون رياضياً أنه إذا كان تعريفهم لـ "التشابه" يحافظ على القدرة على الوصول إلى الهدف، فإن أي حل صالح لن يُفقد أبداً. لقد أظهروا أنه طالما أن الحالة المدمجة تسمح بنفس التحركات المستقبلية للمسارات الأصلية، فإن البحث يظل مكتملاً. ومع ذلك، فقد قدموا أيضاً طبقة ثانية من التحكم: "قاضٍ متعلم". وهو ذكاء اصطناعي منفصل تم تدريبه للتنبؤ بالحالات التي يُحتمل أن تكون نهايات مسدودة. وقد كان الباحثون حذرين في التمييز بين الدمج الدقيق للحالات المتطابقة، وهو أمر آمن، وبين تقليم الحالات غير المرجحة، وهو أمر ينطوي على مخاطرة. وإذا كان القاضي عدوانياً للغاية، فقد يقطع مساراً كان من الممكن أن يؤدي إلى حل. وأظهرت نتائجهم أنه بينما يمكن لهذا التقليم أن يقلل بشكل كبير من حجم العمل الذي يتعين على النظام القيام به، إلا أنه يتطلب توازناً دقيقاً لتجنب فقدان القدرة على حل المشكلات الصعبة.
وعندما قارن الباحثون نهجهم المدمج بمنهج قياسي يتبع خط استدلال واحد، كان الفرق واضحاً. في مجموعة من ثلاثين مسألة صعبة مكونة من أربعة أرقام، حل المنهج ذو الخط الواحد 21 مسألة فقط من أصل 30 ضمن حد معين من الجهد. أما طريقة "البحث التداخلي"، وباستخدام نفس القدر من الجهد، فقد حلت جميع المسائل الثلاثين. علاوة على ذلك، وصلت إلى الحل في عدد أقل بكثير من الخطوات، مما يشير إلى أنه إذا كان النظام يعمل على أجهزة موازية، فيمكنه حل هذه المشكلات بشكل أسرع بكثير. وفي اختبار أكبر شمل مائة مسألة من نوع ستة أرقام، حل النهج المدمج 77 بالمائة منها، بينما حل النسخة غير المدمجة 50 بالمائة فقط. وتشير هذه الأرقام إلى أن التكرار في مسارات الاستدلال ليس مجرد مشكلة ثانوية، بل هو عقبة رئيسية نجحت هذه الطديد الجديدة في إزالتها.
كما بحثت الدراسة فيما إذا كان هذا النهج يمكن أن يعمل مع توليد الأكواد البرمجية، وهي مهمة أكثر تعقيداً من الألغاز الرياضية. وفي اختبار أولي تضمن تحديات برمجية، أظهرت الطريقة وعداً من خلال تحديد أن العديد من البرامج المولدة كانت متطابقة وظيفياً وتم دمجها. ومع ذلك، كان الباحثون حذرين في استنتاجاتهم هنا. فقد كان الفرق في معدلات النجاح بين طريقتهم والأساليب الأخرى صغيراً، وكان حجم العينة محدوداً للغاية بحيث لا يمكن الجزم بانتصار حاسم. وأكدوا أنه بينما يعمل مفهوم دمج الحالات بشكل جيد عندما يكون تعريف الحالة دقيقاً، كما هو الحال في الرياضيات، فإنه يصبح أصعب بكثير عند التعامل مع مهام مفتوحة مثل كتابة الكود، حيث قد يبدو برنامجان متشابهين في بعض الاختبارات ولكنهما يتصرفان بشكل مختلف في اختبارات أخرى.
في نهاية المطاف، يوضح هذا العمل أن الطريقة التي ينظم بها الذكاء الاصطناعي عملية البحث تهم بقدر ما تهم الذكاء الذي يستخدمه لتوليد الأفكار. ومن خلال تحويل التركيز من تاريخ كيفية الوصول إلى حالة ما إلى الحالة نفسها، ومن خلال الدمج الصارم للمكررات، أظهر الباحثون أن الذكاء الاصطناعي يمكنه الاستدلال بكفاءة أكبر. وتشير النتائج إلى أن الأنظمة المستقبلية يمكن أن تستفيد من فصل عملية اقتراح الأفكار عن عملية إدارة فضاء البحث، مما يسمح للذكاء الاصطناعي باستكشاف نطاق أوسع من الاحتمالات دون الغرق في أفكاره المكررة. ورغم أن الطريقة ليست حلاً سحرياً لكل نوع من المشكلات، إلا أنها تقدم وسيلة ملموسة ومثبتة لجعل أنظمة الاستدلال أكثر قوة في المجالات التي تؤدي فيها المسارات المختلفة غالباً إلى الوجهة ذاتها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.