فن سيرش
FunSearch (اختصارًا للبحث في فضاء الدوال ) هي طريقة ذكاء اصطناعي طورتها شركة جوجل ديب مايند لاكتشاف برامج الحاسوب التي تحل المسائل الرياضية والخوارزمية . تجمع هذه الطريقة بين نموذج لغوي ضخم ومُقيِّم آلي وإجراء بحث تطوري ، حيث تُولِّد برامج مرشحة، وتُقيِّمها، وتستخدم البرامج عالية الأداء لإنتاج مرشحين جدد. [ 1 ]
أعلنت جوجل ديب مايند عن نظام FunSearch في عام 2023، ونُشرت الورقة البحثية المتعلقة به في مجلة Nature . [ 2 ] طُبِّق النظام على مسألة مجموعة الأغطية في التوافقية المتطرفة وعلى مسألة تعبئة الصناديق عبر الإنترنت ، حيث توصل إلى تركيبات رياضية جديدة وأساليب استدلالية جديدة للتعبئة . [ 3 ] [ 4 ]
طريقة
يُقدّم FunSearch المشكلة على أنها بحثٌ في برامج الحاسوب بدلاً من البحث المباشر عن حلول فردية. يُقدّم المستخدم مواصفات المشكلة، ودالة التقييم ، وبرنامجًا أوليًا أو هيكلًا أوليًا للبرنامج . في كل تكرار، يقوم FunSearch بأخذ عينات من البرامج الموجودة في قاعدة بيانات ، ويُفضّل البرامج ذات الدرجات الأعلى، ويُنشئ مُوجّهًا لنموذج لغوي كبير مُدرّب مُسبقًا ، ويطلب من النموذج توليد برامج مُعدّلة. ثم تُنفّذ البرامج المُولّدة ويُقيّمها المُقيّم. [ 1 ]
تستخدم عملية البحث أسلوبًا تطوريًا قائمًا على الجزر، يهدف إلى الحفاظ على مجموعة متنوعة من البرامج المرشحة وتقليل مخاطر الوقوع في الحلول المثلى المحلية . ووفقًا للورقة البحثية الأصلية، تتمثل إحدى مزايا هذا النهج في أن برنامج FunSearch يُخرج برامج يمكن للباحثين أحيانًا فحصها وتبسيطها وتفسيرها، بدلًا من الاكتفاء بإنتاج إجابة رقمية نهائية أو قائمة كبيرة من العناصر. [ 1 ]
الصياغة الخوارزمية
يمكن وصف البحث عن الوظائف (FunSearch) بأنه بحث في فضاء من أجزاء البرامج، وعادةً ما تكون وظائف مضمنة في هيكل برنامج ثابت.ليكن فضاءً للدوال المرشحة، وليكنلنفترض أن هي درجة تقييم يتم الحصول عليها من خلال تشغيل برنامج حل ثابت يستدعي الدالة المرشحة. بالنظر إلى دالة أوليةتحتفظ FunSearch بقاعدة بياناتمن الدوال المقيمة والصالحة. يقوم بشكل متكرر بأخذ عينات من الدوال ذات الدرجات العالية منويستخدمها لإنشاء مطالبات لنموذج لغوي كبير ، ويطلب من النموذج توليد دالة مرشحة جديدةيتم تنفيذ الدالة الجديدة داخل هيكل البرنامج الخاص بالمشكلة، ويتم تقييمها من قبل المُقيِّم. إذا كانت الدالة المُولَّدة صالحة، تُضاف مرة أخرى إلىمما يسمح للمطالبات اللاحقة بالبناء على المرشحين السابقين الأقوى. [ 1 ]
بصورة مبسطة، يمكن كتابة حلقة البحث على النحو التالي:
الهدف المثالي هو إيجاد دالة مرشحة ذات درجة تقييم عالية،
مع أن خوارزمية البحث عن الدوال (FunSearch) تُعيد عمليًا أفضل دالة صالحة تم اكتشافها أثناء البحث. تستخدم النسخة الأصلية عملية تطورية قائمة على الجزر للحفاظ على التنوع بين الدوال المرشحة مع تفضيل البرامج ذات الدرجات الأعلى. [ 1 ] [ 4 ]
التطبيقات
مشكلة في مجموعة المكثفات
تم عرض خوارزمية البحث عن الأغطية لأول مرة على مسألة مجموعة الأغطية ، وهي مسألة في التوافقية الجمعية تتعلق بأكبر مجموعة فرعية ممكنة منبدون وجود ثلاث نقاط على خط مستقيم. في البُعد الثامن، وجد برنامج FunSearch مجموعةً ذات حجم 512، مُحسِّنًا بذلك البنى المعروفة سابقًا. كما أشارت الورقة البحثية إلى تحسين الحدود الدنيا لسعة المجموعة ذات الحجم 512 باستخدام FunSearch لاكتشاف البنى المتعلقة بالمجموعات المقبولة. [ 1 ]
وصفت جوجل ديب مايند النتيجة بأنها مثال على استخدام نماذج لغوية ضخمة لتوليد معرفة جديدة قابلة للتحقق في الرياضيات . [ 2 ] وذكرت مقالة إخبارية في مجلة نيتشر أن النظام تفوق على الجهود البشرية في حل مسألة توافقية متعلقة بلعبة الورق سيت . [ 5 ]
تعبئة الحاويات عبر الإنترنت
طُبِّقَت خوارزمية FunSearch أيضًا على مشكلة تعبئة الصناديق عبر الإنترنت ، حيث يجب تخصيص العناصر للصناديق فور وصولها. [ 1 ] في هذا السياق، طوّرت FunSearch خوارزميات استدلالية برمجية لتحديد الصندوق الذي يجب أن يستقبل العنصر الجديد. أشارت الورقة البحثية الأصلية إلى أن الخوارزميات الاستدلالية المكتشفة تفوقت على خوارزميات First-fit و Best-fit الشائعة على البيانات المحاكاة وحالات معيارية من مكتبة OR. [ 1 ]
برمجة
أصدرت جوجل ديب مايند برنامج FunSearch في مستودع عام على منصة GitHub ، بالتزامن مع نشر ورقة بحثية عنه. يتضمن المستودع أمثلة وبيانات لمجموعات الأغطية ، والمجموعات المقبولة، وتعبئة الصناديق عبر الإنترنت ، والمجموعات المستقلة في المنتجات القوية للرسوم البيانية الدورية ، والمجموعات الخالية من الزوايا ، وتجارب ذات صلة. كما يتضمن تطبيقًا أحادي الخيوط لخط أنابيب FunSearch ، مع الإشارة إلى أنه لا يشمل نماذج اللغة ، أو بيئة التنفيذ المعزولة ، أو البنية التحتية الموزعة المستخدمة في التجارب الأصلية. وينص المستودع على أن برنامجه مرخص بموجب رخصة أباتشي 2.0 ، بينما المواد الأخرى مرخصة بموجب رخصة المشاع الإبداعي نَسب المُصنَّف 4.0 الدولية . [ 6 ]
استقبال
في مقال نُشر في مجلة "نيتشر نيوز آند فيوز"، وصف جان بابتيست موريه نظام "فن سيرش" بأنه يربط بين البرمجة الجينية ونماذج اللغة الضخمة، وكتب أن هذا العمل يُظهر كيف يمكن لنماذج اللغة أن تُساعد برامج الحاسوب على التطور. ووصف المقال النظام بأنه دليل على إمكانية استخدام الذكاء الاصطناعي في الاكتشاف الرياضي. [ 3 ]
انظر أيضاً
مراجع
- روميرا - باريديس، برناردينو؛ باركاتين، محمد أمين؛ نوفيكوف، ألكسندر؛ بالوغ، ماتي؛ كومار، إم. باوان؛ دوبون، إيميليان؛ رويز، فرانسيسكو جونيور؛ إيلينبيرغ، جوردان إس؛ وانغ، بينغمينغ؛ فوزي، عمر؛ كوهلي، بوشميت؛ فوزي، الحسين؛ وآخرون . ( 2024 ) . " اكتشافات رياضية من البحث البرمجي باستخدام نماذج لغوية كبيرة" . مجلة نيتشر . 625 : 468-475 . doi : 10.1038/s41586-023-06924-6 . تاريخ الاسترجاع: 4 مايو 2026 .
- 1 2 "FunSearch: اكتشافات جديدة في العلوم الرياضية باستخدام نماذج لغوية ضخمة" . جوجل ديب مايند . 14 ديسمبر 2023. تم الاطلاع عليه في 4 مايو 2026 .
- 1 2 موريه، جان باتيست (17 يناير 2024). "نماذج اللغة الكبيرة تساعد برامج الحاسوب على التطور". مجلة نيتشر . 625 : 452-453 . doi : 10.1038/d41586-023-03998-0 .
- 1 2 إلينبيرغ، جوردان س.؛ فريزر-تالينتي، كريستوفيرو س.؛ هارفي، توماس ر.؛ سريفاستافا، كاران؛ ساذرلاند، أندرو ف. (17 مارس 2025). "النمذجة التوليدية للاكتشاف الرياضي". arXiv : 2503.11061 [ cs.LG ].
- ↑ كاستلفيكي، دافيد (14 ديسمبر 2023). "ذكاء ديب مايند الاصطناعي يتفوق على علماء الرياضيات البشريين في حل المشكلات غير المحلولة". مجلة نيتشر . doi : 10.1038/d41586-023-04043-w .
- ↑ "google-deepmind/funsearch" . GitHub . Google DeepMind . تم الاطلاع عليه في 4 مايو 2026 .
روابط خارجية
- جوجل ديب مايند
- تطبيقات الذكاء الاصطناعي
- الخوارزميات التطورية
- نماذج لغوية كبيرة
- التحسين الرياضي
- برنامج يستخدم ترخيص أباتشي
