البحث في شجرة مونت كارلو (MCTS)

البحث الشجري بطريقة مونت كارلو (MCTS) هو خوارزمية بحث تجريبية تُستخدم في عمليات صنع القرار المعقدة، لا سيما في مجالات التعلم الآلي و الذكاء الاصطناعي. وكما هو موضح في تعريفها على ويكيبيديا، تجمع خوارزمية MCTS بين دقة خوارزميات البحث الشجري وقوة العينات العشوائية (محاكاة مونت كارلو) لتقييم الخطوات الأكثر وعدًا في فضاء الحالة المحدد. وقد اشتهرت هذه الخوارزمية في الأصل بفضل نجاحها في ألعاب الطاولة المعقدة، وهي تعد الآن مكونًا أساسيًا في وكلاء الذكاء الاصطناعي الحديثة و أنظمة الاستدلال المتقدمة، بما في ذلك نماذج اللغة الكبيرة (LLMs) المتطورة.

كيفية عمل البحث الشجري في مونت كارلو

تقوم خوارزمية MCTS ببناء شجرة بحث بشكل تدريجي من خلال استكشاف الإجراءات الأكثر واعدة. وتعمل هذه الخوارزمية في إطار عملية قرار ماركوف، حيث تكرر أربع مراحل متتالية حتى يتم الوصول إلى الحد الأقصى للموارد الحاسوبية أو الوقت المحدد:

1. الاختيار: بدءًا من العقدة الجذرية، تتجول الخوارزمية في الشجرة نزولاً من خلال اختيار العقد الفرعية التي تحقق التوازن بين الاستكشاف (تجربة مسارات جديدة) والاستغلال (تفضيل المسارات التي حققت مكافآت عالية في الماضي). وتُعد صيغة «الحد الأعلى للثقة المطبق على الأشجار» (UCT) طريقة قياسية تُستخدم لإدارة هذا التوازن.
2. التوسيع: ما لم تنهي العقدة المحددة عملية المحاكاة، تُضاف عقدة فرعية واحدة أو أكثر لتوسيع شجرة البحث لتشمل الحالات التي لم يتم استكشافها بعد.
3. المحاكاة (التنفيذ): يتم إجراء محاكاة سريعة، وغالبًا ما تكون عشوائية، بدءًا من العقدة التي تم توسيعها حديثًا وصولاً إلى نهاية السيناريو للتنبؤ بالنتيجة.
4. الانتشار العكسي: يتم نشر نتيجة المحاكاة عائدًة إلى أعلى الشجرة، مع تحديث إحصائيات النجاح وقيم جميع العقد التي تم اجتيازها لتوجيه عمليات الاختيار المستقبلية.

تطبيقات العالم الحقيقي في الذكاء الاصطناعي

يُبرز مسح شامل لطرق البحث الشجري في مونت كارلو تنوعها في حل المشكلات التي تنطوي على مساحات بحث ضخمة يصعب معالجتها حسابياً.

• الألعاب: اكتسبت تقنية MCTS شهرة عالمية عندما استخدمتهاGoogle لتشغيل برنامج AlphaGo، مما أدى إلى إنشاء أول ذكاء اصطناعي يهزم بطل العالم البشري في لعبة «غو». ومن خلال دمج تقنية MCTS مع الشبكات العصبية، تمكن النظام من تقييم حالات اللوحة التي كانت أكبر من أن تتناولها طرق البحث التقليدية القائمة على القوة الغاشمة.
• الاستدلال باستخدام نماذج اللغة الكبيرة (LLM) والذكاء الاصطناعي الفاعل: في عامي 2024 و2025، قام الباحثون بدمج خوارزميات MCTS بشكل متزايد مع نماذج اللغة الكبيرة (LLM) لتعزيز قدرات التفكير والمنطق في "النظام 2". على سبيل المثال، توضح الأبحاث الحديثة حول التصميم الاستدلالي الآلي كيف تساعد خوارزميات MCTS نماذج اللغة الكبيرة (LLMs) في التعامل مع عمليات التحسين المعقدة. وبالمثل، فإن الجمع بين MCTS ونماذج اللغة الكبيرة (LLMs) يحسن الأداء بشكل كبير في الإجابة على الأسئلة المستندة إلى قاعدة المعرفة و الاستدلال الرياضي من خلال تقييم مسارات منطقية محتملة متعددة قبل الالتزام بإجابة. تستفيد مؤسسات مثل OpenAI من آليات الاستدلال القائمة على البحث في نماذجها المتقدمة، مثل o1 من OpenAI، لتحسين دقة حل المشكلات بشكل كبير.
• الروبوتات والتخطيط الذاتي: تُستخدم تقنية MCTS في تحسين العمليات اللوجستية وتخطيط المسارات، والمركبات ذاتية القيادة، وتقسيم الإجراءات الروبوتية لمحاكاة الحالات المستقبلية والتنقل بأمان في البيئات المادية المعقدة.

شهادة MCTS مقابل المفاهيم ذات الصلة

لفهم تقنية MCTS بشكل كامل، من المفيد تمييزها عن تقنيات الذكاء الاصطناعي ذات الصلة:

• التعلم المعزز (RL): في حين أن التعلم المعزز(RL) يُدرِّب النماذج بمرور الوقت لتعلم سياسة عامة، فإن خوارزمية MCTS هي عادةً خوارزمية تخطيط تُستخدم أثناء الاستدلال في الوقت الفعلي لتحديد أفضل إجراء فوري من حالة معينة. ومع ذلك، غالبًا ما يتم الجمع بين الاثنين؛ حيث يمكن لنماذج التعلم المعزز (RL) أن توفر القيمة التوجيهية لعقد خوارزمية MCTS.
• شجرة الأفكار (ToT): ToT هي منصة توجيهية مصممة خصيصًا لنماذج اللغة الكبيرة (LLMs). وهي مستوحاة بشكل كبير من نموذج MCTS، حيث تنظم عملية توليد اللغة على شكل شجرة تمثل كل عقدة فيها "فكرة". ويُعد نموذج MCTS الأساس الخوارزمي الأوسع نطاقًا الذي تستند إليه منصة ToT والأطر المماثلة.

دمج تقنية الذكاء الاصطناعي للرؤية في MCTS

في مجال الذكاء الاصطناعي المدمج أو الأنظمة المستقلة، غالبًا ما يُستخدم الإدراك البصري كمقيِّم للحالة في عقدة MCTS. ومن خلال الاستفادة من Ultralytics يمكن للوكيل تقييم البيئة بسرعة لحساب درجة استدلالية خلال مرحلة المحاكاة.

فيما يلي مثال توضيحي يوضح كيفية استخدامYOLO Ultralytics لحساب مكافأة عقدة بسيطة أثناء عملية "الرول آوت" في خوارزمية 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 يسعون إلى توسيع نطاق هذه العوامل الذكية، توفر Ultralytics أدوات قوية لتدريب ونشر نماذج الرؤية الأساسية. وهذا يجعل من الأسهل بكثير دمج قدرات إدراك سريعة وموثوقة في بنى البحث المعقدة التي يتم إنشاؤها باستخدام المكتبات الرياضية القياسية أو أطر عمل التعلم الآلي مثل PyTorch و TensorFlow.