Monte Carlo Tree Search (MCTS)

البحث في شجرة مونت كارلو (MCTS) هو خوارزمية بحث استكشافية تُستخدم في عمليات صنع القرار المعقدة، وبشكل أساسي ضمن تعلم الآلة والذكاء الاصطناعي. وكما هو موضح في تعريف ويكيبيديا الخاص بها، تجمع خوارزمية MCTS بين دقة خوارزميات البحث في الأشجار وقوة أخذ العينات العشوائية (محاكاة مونت كارلو) لتقييم أكثر الحركات واعدة في مساحة حالة معينة. بفضل نجاحها في ألعاب الطاولة المعقدة، أصبحت الخوارزمية الآن مكوناً أساسياً في عملاء الذكاء الاصطناعي الحديثة وأنظمة التفكير المتقدمة، بما في ذلك نماذج اللغات الكبيرة (LLMs) المتطورة.

Link to this sectionكيفية عمل البحث في شجرة مونت كارلو#

تبني خوارزمية MCTS شجرة بحث تدريجياً من خلال استكشاف الإجراءات الأكثر واعدة. تعمل الخوارزمية بموجب عملية قرار ماركوف، وتكرر أربع مراحل مستمرة حتى يتم الوصول إلى ميزانية حسابية أو حد زمني:

1. الاختيار: بدءاً من العقدة الجذرية، تتنقل الخوارزمية لأسفل الشجرة عن طريق اختيار العقد الفرعية التي توازن بين الاستكشاف (تجربة مسارات جديدة) والاستغلال (تفضيل المسارات ذات المكافآت العالية في الماضي). تُعد صيغة 'الحد الأعلى للثقة المطبق على الأشجار' (UCT) طريقة قياسية تُستخدم لإدارة هذه المقايضة.

2. التوسع: ما لم تنهِ العقدة المختارة المحاكاة، يتم إضافة عقدة فرعية واحدة أو أكثر لتوسيع شجرة البحث إلى حالات غير مستكشفة.

3. المحاكاة (التنفيذ): يتم إجراء محاكاة سريعة وعشوائية غالباً من العقدة الموسعة حديثاً إلى نهاية السيناريو للتنبؤ بالنتيجة.

4. الانتشار العكسي: يتم نشر نتيجة المحاكاة مرة أخرى إلى أعلى الشجرة، مما يؤدي إلى تحديث إحصائيات النجاح وقيم جميع العقد التي تم اجتيازها لإبلاغ الاختيارات المستقبلية.

Link to this sectionتطبيقات العالم الحقيقي في الذكاء الاصطناعي#

تُسلط دراسة شاملة لطرق البحث في شجرة مونت كارلو الضوء على تعدد استخداماتها في حل المشكلات ذات مساحات البحث الضخمة والتي يصعب معالجتها حسابياً.

• لعب الألعاب: حققت خوارزمية MCTS اعترافاً عالمياً عندما استخدمتها Google DeepMind لدعم AlphaGo، مما أدى إلى إنشاء أول ذكاء اصطناعي يهزم بطل عالم بشري في لعبة Go. من خلال إقران MCTS مع الشبكات العصبية، تمكن النظام من تقييم حالات اللوحة التي كانت واسعة جداً بحيث لا يمكن لأساليب البحث التقليدية بالقوة الغاشمة تقييمها.
• تفكير LLM والذكاء الاصطناعي الوكيل: في عامي 2024 و2025، قام الباحثون بدمج MCTS بشكل متزايد مع LLMs لتعزيز تفكير "النظام 2" وقدرات المنطق. على سبيل المثال، توضح الأبحاث الحديثة حول التصميم الاستكشافي الآلي كيف تساعد MCTS نماذج LLMs في التنقل في التحسينات المعقدة. وبالمثل، فإن الجمع بين MCTS وLLMs يحسن الأداء بشكل كبير في الإجابة على الأسئلة القائمة على المعرفة والاستدلال الرياضي من خلال تقييم مسارات منطقية محتملة متعددة قبل الالتزام بالإجابة. تستفيد مؤسسات مثل OpenAI من آليات الاستدلال القائمة على البحث في نماذجها المتقدمة، مثل OpenAI's o1، لتحسين دقة حل المشكلات بشكل كبير.
• الروبوتات والتخطيط الذاتي: تُستخدم خوارزمية MCTS في تحسين الخدمات اللوجستية وتوجيه المسارات، والمركبات ذاتية القيادة، وتجميع الإجراءات الروبوتية لمحاكاة الحالات المستقبلية والتنقل بأمان في البيئات الفيزيائية المعقدة.

Link to this sectionMCTS مقابل المفاهيم ذات الصلة#

لفهم MCTS بالكامل، من المفيد تمييزها عن تقنيات الذكاء الاصطناعي ذات الصلة:

• التعلم التعزيزي (RL): بينما يقوم RL بتدريب النماذج بمرور الوقت لتعلم سياسة عالمية، تُعد MCTS عادةً خوارزمية تخطيط تُستخدم أثناء الاستدلال في الوقت الفعلي للعثور على أفضل إجراء فوري من حالة معينة. ومع ذلك، غالباً ما يتم الجمع بين الاثنين؛ حيث يمكن لنماذج RL توفير القيمة الاستكشافية لعقد MCTS.
• شجرة الأفكار (ToT): تُعد ToT إطار عمل للمطالبات مصمم صراحةً لـ LLMs. وهي مستوحاة بشكل كبير من MCTS، حيث تقوم بهيكلة توليد اللغة كشجرة تمثل فيها كل عقدة "فكرة". MCTS هي الأساس الخوارزمي الأوسع الذي تُبنى عليه ToT وأطر العمل المماثلة.

Link to this sectionدمج رؤية الذكاء الاصطناعي في MCTS#

في الذكاء الاصطناعي المتجسد أو الأنظمة المستقلة، غالباً ما يعمل الإدراك البصري كمقيم للحالة لعقدة MCTS. من خلال الاستفادة من Ultralytics YOLO26، يمكن للعميل تقييم البيئة بسرعة لحساب درجة استكشافية أثناء مرحلة المحاكاة.

إليك مثال مفاهيمي يوضح كيف يمكنك استخدام نموذج Ultralytics YOLO لحساب مكافأة عقدة بسيطة أثناء تنفيذ MCTS.

from ultralytics import YOLO

# Load an Ultralytics YOLO26 model for state evaluation
model = YOLO("yolo26n.pt")


def evaluate_mcts_state(image_state):
    # Run inference to evaluate the visual environment
    results = model(image_state, verbose=False)

    # Example heuristic: Reward the MCTS path if an 'obstacle' is successfully avoided
    # Assume class 0 is 'obstacle'. Reward is 1 if path is clear, 0 if blocked.
    obstacle_detected = any(box.cls == 0 for box in results[0].boxes)
    return 0 if obstacle_detected else 1


# Simulate a rollout step
reward = evaluate_mcts_state("path_simulation_view.jpg")
print(f"MCTS Rollout Reward: {reward}")

بالنسبة للمطورين الذين يتطلعون إلى توسيع نطاق هؤلاء العملاء الأذكياء، تقدم منصة Ultralytics أدوات قوية لـ التدريب والنشر لنماذج الرؤية الأساسية. وهذا يجعل من الأسهل بكثير دمج إدراك سريع وموثوق في بنيات بحث معقدة تم إنشاؤها باستخدام مكتبات رياضية قياسية أو أطر عمل تعلم الآلة مثل PyTorch وTensorFlow.