العلامة التقنية

موقع تقني عربي متخصص في أخبار التكنولوجيا والذكاء الاصطناعي

Google DeepMind تطلق AlphaEvolve لتطوير خوارزميات نظرية اللعبة

بقلم: فريق تحرير العلامة التقنية التصنيف: الذكاء الاصطناعي
Google DeepMind تطلق AlphaEvolve لتطوير خوارزميات نظرية اللعبة

Google DeepMind تطلق AlphaEvolve لتطوير خوارزميات نظرية اللعبة باستخدام الذكاء الاصطناعي، محققة نتائج تفوق الأساليب التقليدية.

أظهرت الأبحاث التي أجراها فريق Google DeepMind تقدمًا ملحوظًا في تصميم خوارزميات التعلم المعزز متعدد الوكلاء (MARL) من خلال استخدام نماذج اللغة الكبيرة (LLMs) لتوليد كود خوارزمي جديد. هذه الخوارزميات تُستخدم في الألعاب التي تتضمن معلومات غير كاملة، مثل لعبة البوكر، حيث يتصرف اللاعبون بشكل تسلسلي ولا يمكنهم رؤية المعلومات الخاصة ببعضهم البعض.

في السابق، كان تطوير هذه الخوارزميات يعتمد بشكل كبير على التكرار اليدوي، حيث كان الباحثون يعتمدون على الحدس والتجربة والخطأ لتحديد قواعد الوزن وقواعد خصم الخسائر ومحللات التوازن. ولكن مع تقديم AlphaEvolve، تم استبدال هذه العمليات اليدوية ببحث آلي، مما يتيح للنظام اكتشاف خوارزميات جديدة تؤدي بشكل تنافسي أو أفضل من الأشكال التقليدية التي تم تصميمها يدويًا.

تكنولوجيا AlphaEvolve

تم تصميم AlphaEvolve كنظام تطوري موزع يستخدم نماذج اللغة الكبيرة (Gemini 2.5 Pro) لتعديل الشيفرة المصدرية بدلاً من المعلمات الرقمية. يتضمن هذا النظام عملية متعددة الأجيال حيث يتم اختيار خوارزمية والدية بناءً على أدائها، ويتم تعديل الشيفرة المصدرية لهذه الخوارزمية بواسطة نموذج اللغة، ثم يتم تقييم النتائج على ألعاب تجريبية. إذا كانت الخوارزمية الجديدة صالحة، تتم إضافتها إلى مجموعة الخوارزميات الحالية.

يدعم AlphaEvolve تحسين متعدد الأهداف، حيث إذا تم تعريف عدة مقاييس للياقة، يتم اختيار واحد عشوائي لكل جيل لتوجيه اختيار الأبوين. إشارة اللياقة تُقاس بشكل سلبي بعد عدد معين من التكرارات، ويتم تقييمها باستخدام مجموعة ثابتة من الألعاب التدريبية.

الخوارزميات المكتشفة

من خلال التجارب التي أُجريت، تم اكتشاف عدة خوارزميات جديدة بما في ذلك:

  • VAD-CFR: وهو متغير متطور من خوارزمية CFR (التقليل من الخسائر العكسية) الذي يستخدم آليات متعددة للتكيف مع تقلبات عملية التعلم.
  • AOD-CFR: متغير آخر يستخدم جدول زمني خطي للتخفيض ويحقق أداءً تنافسياً باستخدام آليات أكثر تقليدية.
  • SHOR-PSRO: هذا المتغير من PSRO (أوراكل استجابة فضاء السياسة) يبني استراتيجية ميتا من خلال دمج مكونين مختلفين في كل تكرار داخلي.

الأداء والتقييم

تم تقييم أداء الخوارزميات المكتشفة في سياقات مختلفة، حيث أظهرت VAD-CFR أداءً متفوقًا في 10 من أصل 11 لعبة في الاختبارات، بينما حققت SHOR-PSRO نتائج مماثلة. هذه النتائج تعكس قدرة AlphaEvolve على تجاوز الأساليب التقليدية في تصميم الخوارزميات، مما يفتح آفاقًا جديدة في مجال نظرية الألعاب والتعلم الآلي.

تعتبر هذه النتائج دليلاً على الفائدة الكبيرة لاستخدام نماذج اللغة الكبيرة في تطوير خوارزميات الذكاء الاصطناعي، وتؤكد على مكانة Google DeepMind في صدارة البحث والتطوير في هذا المجال.

المصدر: MarkTechPost

أحدث في الذكاء الاصطناعي

مقالات سابقة في الذكاء الاصطناعي