کشف خودکار سامانه‌های حافظه بهینه برای عامل‌های هوش مصنوعی

سامانه‌های هوش مصنوعی مبتنی بر مدل‌های زبانی بزرگ معمولاً برای انباشت و استفاده مجدد از دانش در تعاملات طولانی‌مدت، به سامانه‌های حافظه تخصصی وابسته هستند. معماری‌های فعلی معمولاً از طرح‌های حافظه ثابت استفاده می‌کنند که برای حوزه‌های خاصی بهینه شده‌اند. با این حال، یک سامانه حافظه که برای هدفی بهینه شده، اغلب نمی‌تواند به سایر کاربردها منتقل شود. M$^$ این محدودیت را با کشف خودکار سامانه‌های حافظه بهینه برای هر وظیفه از طریق تکامل برنامه‌ای رفع کرده است. این روش، سامانه حافظه عامل را به‌صورت یک برنامه حافظه به زبان پایتون مدل‌سازی می‌کند. این برنامه شامل طرح داده‌ها، منطق ذخیره‌سازی و دستورالعمل‌های گردش‌کار عامل است. این اجزا با استفاده از روش تکامل بازتابی کد و به‌کارگیری استراتژی جستجوی جمعیت‌محور به‌صورت مشترک بهینه‌سازی می‌شوند. این سیستم با تحلیل شکست‌های ارزیابی، برنامه‌های کاندید را به‌صورت تکراری بهبود می‌دهد. ارزیابی‌ها بر روی چهار معیار معتبر شامل مکالمه، برنامه‌ریزی تجسم‌یافته و استدلال تخصصی نشان داده‌اند که M$^$ به‌طور پایدار عملکرد بهتری نسبت به خط‌پایه‌های حافظه ثابت موجود دارد. برنامه‌های حافظه تکامل‌یافته، مکانیزم‌های پردازشی ساختاراً متمایزی را برای هر حوزه نمایش می‌دهند که نشان‌دهنده آن است که تخصصی‌سازی مکانیزم‌های حافظه برای وظایف معین، فضای طراحی گسترده‌ای را کاوش می‌کند و راه‌حل‌های برتری در مقایسه با پارادایم‌های حافظه عمومی ارائه می‌دهد. این پژوهش نشان‌دهنده پیشرفت چشمگیری در سامانه‌های حافظه تطبیقی برای عامل‌های هوش مصنوعی است و نشان می‌دهد که کشف خودکار سامانه‌های حافظه تخصصی می‌تواند از رویکردهای دستی حافظه ثابت پیشی بگیرد.