التفرع المحاكَى المعزَّز بالتابو للتهيئة التجميعية

لماذا البحث الأذكى مهم

من توجيه شاحنات التوزيع إلى مطابقة الجسيمات في مصادم، تختزل الكثير من أصعب مهام الحوسبة اليوم في تحدٍ واحد: العثور على الخيار الأمثل ضمن عدد هائل من الاحتمالات. تُدفع هذه المشكلات التجميعية مجالات اللوجستيات والمالية والبيولوجيا والهندسة، لكنها معقّدة إلى حد أن حتى الحواسيب العملاقة قد تجد صعوبة. يقدم هذا المقال لمسة خوارزمية جديدة تُسمى التفرع المحاكَى المعزَّز بالتابو (TESB)، تساعد الحواسيب على تجنّب الوقوع في طرق مسدودة والوصول إلى إجابات أفضل بسرعة أكبر بكثير.

خيارات صعبة في مشهد من الاحتمالات

غالبًا ما يصور الباحثون المشكلات التجميعية على أنها تضاريس وعرة مليئة بالتلال والوديان. كل نقطة في هذه التضاريس تمثل حلاً محتملاً، والارتفاع يتوافق مع «الطاقة» أو التكلفة؛ الوديان المنخفضة حلول جيدة، وأعمق وادٍ هو الأفضل. يمكن ترجمة العديد من المهام الواقعية، مثل تقسيم شبكة إلى جزأين مفصولين جيدًا (مشكلة Max‑Cut) أو إعادة بناء مسارات الجسيمات في كاشف، إلى مثل هذه التضاريس الطاقية باستخدام نموذج رياضي يعرف باسم نموذج إيزنغ. المشكلة أن هذه التضاريس تحتوي على عدد هائل من الوديان، لذلك قد يستقر إجراء البحث بسهولة في منخفض إلى حد معقول ولا يكتشف وجود منخفض أعمق في موضع آخر.

من أفكار الكم إلى السرعة الكلاسيكية

التفرع المحاكَى (SB) هو نهج مستوحى من الفيزياء نسبياً جديد لاستكشاف هذه التضاريس الوعرة. بدلاً من القفز من حل منفصل إلى آخر، يتخيل SB نظامًا من الجسيمات يتحرك في نسخة ملساء من التضاريس، تحكمها معادلات تشبه تلك في الميكانيكا الكلاسيكية. مع تغيير بطيء لمعلمة التحكم، «يتفرع» النظام وتميل مواقع الجسيمات نحو الوديان قليلة الطاقة التي تُشفّر حلولًا جيدة. أظهر SB أداءً قويًا بالفعل على مشاكل كبيرة ويعمل بكفاءة على معالجات الرسوميات، لكنه يشترك في نقطة ضعف مع كثير من طرق البحث: يمكن أن يُحبس في القيعان المحلية، لا سيما في مسائل متشعبة بكثافة حيث تكون بعض مناطق التضاريس أكثر تشابكًا من غيرها.

إضافة ذاكرة لتجنّب الفخاخ القديمة

الفكرة الأساسية وراء TESB هي تزويد SB بنوع من الذاكرة قصير الأجل، مستمدة من استراتيجية معروفة في التهيئة تسمى بحث التابو. في بحث التابو، يحتفظ الخوارزم بقائمة من الحلول السيئة التي تم استكشافها مؤخرًا ويمنع مؤقتًا التحركات التي تعيد النظام إليها. تُحوِّل TESB هذا المفهوم إلى صورة التضاريس الطاقية. أولاً، تُستخدم مرحلة «التسخين» خوارزمية SB الأصلية لتوليد العديد من الحلول التقريبية بسرعة. تمثل هذه الحلول الوديان المحلية التي يميل النظام إلى الوقوع فيها. ثم تعدل TESB التضاريس بإضافة عقوبة لطيفة حول تلك المناطق، رافعًة أرضية تلك الوديان فعليًا. خلال مرحلة «التحقق» اللاحقة، يتطور النظام مرة أخرى في هذه التضاريس المُشكَّلة حديثًا، حيث يُشجَّع الآن على تجاوز الفخاخ القديمة والتوجه نحو وديان أعمق لم تُستكشف سابقًا.

الحفاظ على نشاط البحث بدفعات صغيرة

تحدٍ عملي هو كيفية استخدام هذه الذاكرة دون الإفراط. إذا فرضت TESB عقوبة على كل وادٍ سابق على قدم المساواة وبشكل دائم، فقد تُسفل التضاريس لدرجة تختفي معها الإرشادات المفيدة. لتجنب ذلك، تستعير الطريقة فكرة أخرى من التعلم الآلي الحديث: الدُفعات المصغرة. في كل خطوة من مرحلة التحقق، تختار TESB عشوائيًا مجموعة صغيرة فقط من الحلول الفرعية المخزنة للمساهمة في العقوبة. يحافظ هذا على تحول التضاريس بدرجة تكفي لدفع النظام بعيدًا عن المناطق المألوفة، مع المحافظة على البنية العامة وتنوُّع البحث. تُظهر الاختبارات العددية أن هذه الاستراتيجية تسمح لـTESB بالاستمرار في التحسّن طويلاً بعد أن تتوقف ديناميكيات SB الأصلية فعليًا.

تجربة الطريقة

قيّم المؤلفون أداء TESB على رسوم اختبار معيارية لمشكلة Max‑Cut وعلى مسائل متطلبة من فيزياء الطاقة العالية، حيث تكون إعادة بناء مسارات الجسيمات المشحونة حاسمة ومكثفة حسابيًا. في اختبارات Max‑Cut، غالبًا ما تصل TESB إلى قطع مثالية أو قريبة من المثالية بشكل أكثر موثوقية من متغيرات SB الأصلية. بقياس «الزمن إلى الحل» — المدة اللازمة، في المتوسط، للحصول على إجابة بجودة مستهدفة — قد تكون TESB أسرع بما يصل إلى ألف مرة في أشد الحالات تحديًا. في مهام إعادة بناء مسارات الجسيمات التي تتضمن أكثر من مئة ألف متغير، تجد TESB باستمرار تهيئات ذات طاقة أقل (مما يعني ملاءمة أفضل للبيانات) مع استخدام وقت حوسبة أقل من الأساليب الأساسية، مما يبرز قابليتها للتوسع إلى أنظمة واقعية كبيرة جدًا.

ما الذي يعنيه هذا للمستقبل

بعبارات بسيطة، تحوّل TESB الباحث السريع لكن قصير النظر أحيانًا إلى مستكشف أكثر استراتيجية يتذكر أين كان ويتعلم تجنب الأحياء السيئة. من خلال إعادة تشكيل التضاريس الطاقية حول الزلات السابقة بدلاً من البدء من الصفر، تزداد بشكل كبير فرصة الوصول إلى حلول عالية الجودة في وقت معقول. هذا المزيج من الديناميكيات المستوحاة من الفيزياء مع أفكار التابو الكلاسيكية يشير إلى مسار أوسع للأمام: العديد من محركات التهيئة غير التقليدية، سواء الكلاسيكية أو المستوحاة من الكم، قد تَستفيد من دفعة مماثلة بدمج عقوبات ذكية واعية بالتاريخ. للتطبيقات التي تعتمد على حل ألغاز تجميعية أكبر وأصعب باستمرار، تقدم TESB أداة جديدة واعدة لتجاوز حدود الأداء السابقة.

الاستشهاد: Tao, XZ., Zeng, QG., Huang, ZJ. et al. Tabu-Enhanced Simulated Bifurcation for combinatorial optimization. Commun Phys 9, 100 (2026). https://doi.org/10.1038/s42005-026-02538-2

الكلمات المفتاحية: التهيئة التجميعية, التفرع المحاكَى, بحث التابو, Max-Cut, إعادة بناء مسارات الجسيمات