تنسنت از سیستم هوش مصنوعی Hyra 2.0 برای انجام خودکار تحقیقات علمی رونمایی کرد

مقدمه‌ای بر نسل جدید خودکارسازی پژوهش

سامانه Hyra 2.0 یک سیستم پیشرفته مبتنی بر عامل‌های هوشمند پژوهشگر (AutoResearch) است که توسط بخش هوش مصنوعی شرکت تنسنت (Tencent Hunyuan) معرفی شده است. در نسخه اولیه این سامانه، عامل‌های هوش مصنوعی صرفاً برای حل مسائل تحقیقاتی منفرد و دشوار به‌کار گرفته می‌شدند؛ اما در نسل دوم، رویکرد سیستم ارتقا یافته است و اکنون عامل‌ها به توسعه و به‌روزرسانی مدل‌های علمی قابل‌استفاده مجدد، جریان‌های کاری پژوهشی و ابزارهای نرم‌افزاری می‌پردازند تا دستاوردهای یک پروژه، در تسریع و پیشبرد پژوهش‌های بعدی نیز اثرگذار باشد.

تنسنت این تغییر جهت را «مرحله دوم» یا بلوغ حوزه خودکارسازی پژوهش می‌داند؛ رویکردی که در آن به‌جای آزمون‌وخطاهای تصادفی و حل مکرر مسائل مقطعی، بر ارتقای بنیادین ابزارهای تحقیقاتی تمرکز می‌شود. این سامانه تاکنون دستاوردهای اولیه‌ای را در زمینه‌هایی نظیر طراحی پروتئین، شبیه‌سازی مولکولی، تصحیح خطای کوانتومی، اثبات قضایای ریاضی، طراحی سازه‌های رباتیک و مهندسی پردازنده‌ها به ثبت رسانده است و در حال حاضر نیز در توسعه نسل بعدی مدل‌های هوش مصنوعی اختصاصی تنسنت نقش ایفا می‌کند.

معماری سیستم: سلسله‌مراتب سه‌سطحی عامل‌ها

• وظایف پژوهشی در یک صف پایدار (Persistent Queue) قرار می‌گیرند؛ در نتیجه فرآیند کار هنگام انتظار برای تکمیل محاسبات سنگین یا تأیید کارشناسان متوقف نمی‌شود و امکان اجرای برنامه‌های پژوهشی پیچیده در بازه‌های زمانی چند روز تا چند هفته فراهم می‌گردد.
• یک سامانه نظارت بر تحقیق (Research Board) پیشرفت کار را پایش می‌کند و عامل‌های اجرایی را ملزم می‌سازد تا شواهد عینی، نسخه‌های کد، گزارش‌های اجرایی و نتایج آزمون‌ها را ارائه دهند؛ در همین حال، عامل‌های بازبین مستقل (Review Workers) در صورت لزوم صحت کار را مجدداً بررسی می‌کنند.
• وضعیت پروژه، حافظه فعال و تجربیات به‌دست‌آمده میان وظایف مختلف در فضاهایی جداگانه ذخیره می‌شوند؛ بنابراین رویکردهای تأییدشده به مهارت‌های قابل‌استفاده مجدد در سراسر سیستم تبدیل خواهند شد.

نتایج و دستاوردهای اعلام‌شده

• مدل HyInv: یک مدل تخصصی تاشدگی معکوس پروتئین با ۱.۹۶ میلیون پارامتر که از صفر آموزش دیده است؛ این مدل از نظر هم‌پوشانی ساختاری برتر از ProteinMPNN عمل کرده و سرعت تولید ساختار در آن ۵۷ برابر سریع‌تر است.
• مدل HyPLM-Flash: یک مدل زبانی ۶۵۰ میلیون پارامتری برای تحلیل پروتئین که با ۷۲۶ میلیارد توکن آموزش دیده است؛ این مدل سریع‌ترین سرعت استنتاج را در میان ۱۲ مدل مقایسه‌شده ثبت کرده و رتبه سوم میانگین را در ۳۵ وظیفه ارزیابی به‌دست آورده است.
• مدل HyFF: یک مدل پایه اتمی برای شبیه‌سازی مولکولی در ۵ اندازه مختلف (از ۲.۳ میلیون تا ۱.۲ میلیارد پارامتر) که داده‌های ۸۳ عنصر جدول تناوبی را پوشش می‌دهد و به تعادلی کم‌نظیر در نمودار بهینگی سرعت و دقت رسیده است.
• سیستم HyQEC: طراحی یک کد کوانتومی اختصاصی با مشخصه [[۴۸۸,۱۲۳,۲۲]] که در شاخص بهره‌وری، حدود ۴۸ درصد بهتر از صدرنشین پیشین رقابت‌های تصحیح خطای کوانتومی (qLDPC Challenge) ارزیابی شده است.
• سامانه HyProver: یک گردش کار خودکار برای اثبات قضایای ریاضی که موفق به تکمیل چندین استدلال پیچیده از جمله حدس عمل دایره‌ای یائو (Yau's circle-action conjecture) شده و صحت آن توسط ریاضیدانان به تأیید رسیده است.
• بهینه‌سازی پردازنده XiangShan RISC-V: افزایش ۵.۷۹ درصدی امتیاز پردازشی SPEC CPU2006 در هر گیگاهرتز؛ این سیستم از طریق آزمون‌های فازینگ و راستی‌آزمایی صوری ۱۰ نقص فنی را کشف کرد و راهکارهای اصلاحی آن به حافظه کش متن‌باز OpenLLC ارائه شد.

میزان دسترسی‌پذیری و انتشار متن‌باز

خروجی‌های تحقیقاتی از جمله مدل‌ها، کدهای پیاده‌سازی و اسکریپت‌های بازتولید نتایج تحت مجوز متن‌باز Apache 2.0 در گیت‌هاب منتشر می‌شوند؛ با این حال، کدهای هسته سیستم عامل‌ها، وزن‌های درونی و ساختار کامل مدیریت و هماهنگ‌سازی آن به‌صورت اختصاصی نزد شرکت تنسنت باقی مانده است.

راهنمای بهره‌گیری و پیگیری پروژه

1. مطالعه گزارش رسمی: مقاله تفصیلی این دستاورد تحت عنوان «Hyra 2.0: The Next Step for Auto Research» در بخش تحقیقاتی پلتفرم Tencent Hy و کانال وی‌چت آن در دسترس علاقه‌مندان قرار دارد.
2. بهره‌گیری از نتایج و مدل‌ها: محققان می‌توانند با مراجعه به مخزن گیت‌هاب اختصاصی این پروژه، مدل‌های HyInv ،HyPLM-Flash و HyFF به‌همراه اسکریپت‌های بازتولید نتایج سیستم‌های HyQEC و HyProver را دریافت کنند.
3. الگوبرداری از ساختار معماری: سلسله‌مراتب سه‌سطحی عامل‌ها، صف‌های پایدار وظایف، تابلوی نظارتی ارائه‌دهنده شواهد و بازبین‌های مستقل، الگویی بسیار کارآمد برای طراحی سیستم‌های عامل هوشمند در پروژه‌های تحقیقاتی و مهندسی طولانی‌مدت به‌شمار می‌آیند.
4. مقایسه با سایر راهکارها: مقایسه این سامانه با پروژه‌های مشابه مانند سیستم dsh-superagent متعلق به شرکت DeepSeek و سایر ابزارهای دانشمند هوش مصنوعی (AI-Scientist)، دیدگاه جامعی درباره شیوه‌های گوناگون هدایت وظایف طولانی‌مدت به پژوهشگران می‌دهد.

توجه: ساختار هسته این سیستم‌عامل هوشمند به‌صورت عمومی در دسترس نیست؛ تمامی ارقام و معیارهای اعلام‌شده از سوی شرکت تنسنت ارائه شده‌اند و تأیید نهایی آن‌ها منوط به اعتبارسنجی مستقل توسط جامعه علمی روی مدل‌ها و کدهای منتشرشده خواهد بود.