في عالم الذكاء الاصطناعي، يعتبر البناء الفعال لنماذج الأفعال (Action Models) هو المفتاح لتطبيق التخطيط الذكي في المجالات الحقيقية. لقد تم تقديم العديد من الأبحاث المتميزة في هذا المجال من خلال استكشاف تعلم هذه النماذج من أوصاف عالية المستوى للحالات أو تسلسلات الأفعال. ومع ذلك، يُقدم البحث الحالي نهجًا أكثر تحديًا: تعلم نماذج الأفعال المرفوعة (Lifted Action Models) من تسلسلات صور الحالات فقط، دون الحاجة إلى ملاحظة الأفعال.

يقترح الباحثون في هذا البحث إطار عمل يعتمد على التعلم العميق يتيح تعلم التنبؤ بالحالات والأفعال وكذا نموذج الفعل المرفوع في آن واحد. بالإضافة إلى ذلك، يتم تقديم برنامج خطي مختلط (Mixed-Integer Linear Program - MILP) لمنع حدوث تدهور في التنبؤ وأخطاء تعزز ذاتها بين التنبؤات.

يعمل البرنامج على اتخاذ التنبؤات المُقدَّرة من الحالات والأفعال ونموذج الأفعال على مجموعة فرعية من الآثار، ويحل بها لضمان أن تكون الحالات والأفعال ونموذج الأفعال متناسقة منطقيًا وأقرب ما يمكن إلى التنبؤات الأصلية. بعد ذلك، يتم استخدام التسميات الزائفة المستخرجة من حل MILP لتوجيه التدريب الإضافي.

أظهرت التجارب في مجالات متعددة أن دمج التصحيح المستند إلى MILP يساعد النموذج على التخلص من الحالات المثلى المحلية والانطلاق نحو حلول متسقة عالميًا. هذه التطورات تمثل خطوة مبتكرة في توظيف الذكاء الاصطناعي لتحقيق تخطيط فعال يعكس الواقع بدقة أكبر.