طور باحثون في معهد ماساتشوستس للتكنولوجيا أداة حل مشكلات جديدة تُسمى FSNet، تجمع بين التعلم الآلي وخوارزميات التحسين، مما يتيح حل مشكلات التحسين المعقدة مثل جدولة الشبكات الكهربائية بسرعة كبيرة. تتفوق هذه التقنية بشكل ملحوظ على الطرق التقليدية في سرعة الحساب، مع ضمان توافق الحلول مع جميع قيود النظام.

تعتمد أداة FSNet على إطار عمل من خطوتين: في الخطوة الأولى، يقوم شبكة عصبية بالتنبؤ بحل المشكلة المحتمل، وفي الخطوة الثانية، يتم استخدام مُحلِّل تقليدي لإجراء بحث عن الجدوى وتحسين الحل. قال الباحث الرئيسي للورقة وطالب الدراسات العليا في قسم الهندسة الكهربائية وعلوم الحاسوب An Huang: "في FSNet، يمكننا الحصول على الضمانات الصارمة التي يتطلبها التطبيق العملي."

تتميز الطريقة بقدرتها على التعامل مع القيود المتساوية واللامتساوية في الوقت ذاته، مما يعزز من مرونتها ومدى تطبيقها.

أجرى فريق البحث مقارنات شاملة بين FSNet والمحللات التقليدية والطرق القائمة على التعلم الآلي النقي. أظهرت النتائج أن الأداة الجديدة تحقق سرعة حل أسرع بعدة مرات تحت شرط الالتزام بجميع القيود. أكدت مديرة المشروع، الأستاذة في قسم الهندسة الكهربائية وعلوم الحاسوب Priya Donti: "بالنسبة لمشكلات التحسين الصعبة، فإن إيجاد حل قابل للتطبيق أكثر أهمية من إيجاد حل قريب جدًا من الأمثل."

لا تقتصر تطبيقات أداة FSNet على جدولة الطاقة في الشبكات الكهربائية فحسب، بل تمتد إلى مجالات متعددة مثل تصميم المنتجات، وإدارة محافظ الاستثمار، وحل مشكلات التحسين المعقدة الأخرى. يخطط الباحثون لتطوير الأداة مستقبلاً من خلال تقليل متطلبات الذاكرة، ودمج خوارزميات أكثر كفاءة، وتوسيع نطاق حل المشكلات الواقعية الكبيرة.

تم تقديم نتائج هذا البحث بعنوان FSNet إلى مؤتمر أنظمة معالجة المعلومات العصبية (NeurIPS).