Neural Network Modeling of Microstructure Complexity Using Digital Libraries

نادراً ما تكون المواد في العالم الحقيقي ثابتة؛ فهي تتغير، وتتشقق، وتعيد تنظيم نفسها بمرور الوقت. فالعارضة المعدنية في جناح طائرة قد تطور ببطء صدعاً شعرياً تحت تأثير الإجهاد المتكرر، بينما تتحرك الحبيبات المجهرية في سبيكة جديدة وتعيد ترتيب نفسها أثناء تبريدها. إن فهم هذه التغييرات أمر حيوي للمهندسين الذين يحتاجون إلى التنبؤ بموعد فشل هيكل ما أو كيفية تصميم مادة ذات خصائص قوة محددة. ويكمكم التحدي في التعقيد الهائل لهذه العمليات؛ فهي تحدث عبر أحجام وسرعات مختلفة، وتتضمن كلاً من المادة الكلية والحدود الحادة حيث تلتقي الأطوار المختلفة. تعتمد الطرق التقليدية لمحاكاة هذه التغييرات على قواعد رياضية ثقيلة تصف كيفية تحرك القوى والمواد الكيميائية. ورغم قوتها، إلا أن هذه القواعد غالباً ما تتطلب افتراضات تبسيطية يمكن أن تغفل التفاصيل الفوضوية وغير المتوقعة للواقع. ولتجاوز ذلك، لجأ الباحثون إلى نهج يعتمد على البيانات، باستخدام مكتبات ضخمة من الصور التي أنشأها الحاسوب لتعليم الآلات كيفية التعرف على هذه الأنماط المتطورة والتنبؤ بها دون إجبارها على اتباع معادلات جامدة.

في دراسة حديثة، استكشف باحثون في جامعة تسينغ هوا طريقة جديدة لتعليم الحواسيب التنبؤ بهذه التغييرات المجهرية. فقد ركزوا على نوعين مختلفين تماماً من سلوك المواد: التقدم البطيء والمتعرج لصدع ناتج عن الإجهاد في لوح معدني، وتشكيل أنماط معقدة ودوامية تُعرف باسم "أنماط تورينج"، والتي تظهر في التفاعلات الكيميائية والأنظمة البيولوجية. ولتدريب نماذجهم، بنى الفريق "مكتبة رقمية" تحتوي على آلاف اللقطات المحاكية لهذه العمليات. وبدلاً من تغذية الحواسيب بمعادلات الفيزياء الكامنة، عرضوا عليها ببساطة صور نمو الشقوق وتشكل الأنماط بمرور الوقت، وطلبوا من الآلات تخمين ما سيحدث لاحقاً. كان الهدف هو معرفة ما إذا كان نوع معين من الذكاء الاصطناعي، المصمم لمحاكاة الطريقة التي تطلق بها الخلايا العصبية البيولوجية نبضاتها عند الضرورة فقط، يمكنه تعلم هذه التطورات المعقدة بشكل أفضل وأكثر كفاءة من النماذج الحاسوبية القياسية.

اختبر الباحثون نوعين رئيسيين من الشبكات العصبية. تكونت المجموعة الأولى من الشبكات العصبية الاصطناعية القياسية، وهي "خيول العمل" في مجال التعرف على الصور والتنبؤ بالفيديو الحديث. تعالج هذه النماذج المعلومات بشكل مستمر، حيث تفحص كل بكسل في الصورة في كل لحظة، تماماً مثل كاميرا تلتقط تدفقاً مستمراً من الصور. أما المجموعة الثانية فقد استخدمت الشبكات العصبية النبضية (Spiking Neural Networks)، والتي تعمل بشكل يشبه الجهاز العصبي. في هذه النماذج، تظل الوحدات الفردية هادئة حتى تتراكم إشارة قوية بما يكفي لإطلاق "نبضة" أو حدث. هذه الطبيعة القائمة على الأحداث تعني أن الحاسوب لا يقوم بالعمل إلا عندما يتغير شيء ما بالفعل، مما قد يوفر قدراً هائلاً من الطاقة والذاكرة. أراد الفريق معرفة ما إذا كان أسلوب الحوسبة البيولوجي هذا يمكنه التعامل مع الواجهات المتطورة والفوضوية للمواد بشكل أفضل من النهج المستمر الذي يستهلك الكثير من البكسلات في النماذج القياسية.

وعندما وضع الباحثون هذه النماذج تحت الاختبار، كانت النتائج مفاجئة. فبالنسبة لمهمة التنبؤ بكيفية نمو صدع عبر لوح معدني، واجهت النماذج القياسية صعوبة في الحفاظ على خط الصدع سلساً ومتصلاً، وغالباً ما أنتجت تنبؤات متعرجة أو متقطعة. ومع ذلك، تمكنت الشبكات العصبية النبضية من تتبع مسار الصدع بدقة ملحوظة. والأمر الأكثر إثارة للإعجاب هو الكفاءة؛ فقد حققت النماذج النبضية هذه الدقة العالية باستخدام عدد أقل بكثير من الإعدادات الداخلية وذاكرة حاسوبية أقل بكثير من نظيراتها القياسية. وفي حالة أنماط تورينج، التي تتضمن العديد من الحدود المتفاعلة بدلاً من مجرد حد واحد، أنتجت النماذج القياسية نتائج ضبابية وغير واضحة فشلت في التقاط الحواف الحادة للأنماط. أما النموذج النبضي المتقدم، الذي تضمن تصميماً خاصاً لتذكر الأحداث الماضية، فقد تفوق على أفضل النماذج القياسية، حيث قلل أخطاء التنبؤ بنسبة تقارب ثمانية وعشرين بالمائة مع استخدام جزء ضئيل فقط من الموارد الحسابية.

تشير الدراسة إلى أن سر هذا النجاح يكمن في كيفية بناء الشبكات النبضية. فخلافاً للشبكات القياسية التي تربط كل شيء بكل شيء آخر، شكلت النماذج النبضية اتصالات أكثر تشتتاً (Sparser)، حيث ربطت فقط الأجزاء الأكثر صلة من البيانات. هذا التشتت، مقترناً بطريقة تعامل النموذج مع الوقت، سمح له بالتركيز على الميزات الأساسية للواجهات المتطورة دون الانغماس في التفاصيل غير الضرورية. ووجد الباحثون أنه بالنسبة لنمو الصدع البسيط، كان نموذج صغير جداً كافياً، ولكن بالنسبة للأنماط الجماعية المعقدة لأنظمة تورينج، تطلب الأمر نسخة أكبر وأكثر تطوراً من النموذج النبضي. وهذا يشير إلى أن تعقيد سلوك المادة هو ما يحدد تعقيد النموذج اللازم للتنبؤ بها.

تشير هذه النتائج نحو اتجاه جديد في الهندسة وعلوم المواد. فمن خلال استخدام هذه النماذج الفعالة والقائمة على الأحداث، قد يصبح من الممكن إنشاء "توائم رقمية" للهياكل الفيزيائية يمكنها مراقبة حالتها الصحية في الوقت الفعلي باستهلاك منخفض جداً للطاقة. وهذا أمر مهم بشكل خاص لتطبيقات مثل الطيران، حيث تشكل عوامل الوزن والطاقة قيوداً حرجة. وتثبت الدراسة أنه من خلال ترك الآلات تتعلم من المكتبات الرقمية للبيانات المحاكية، بدلاً من إجبارها على حل المسائل الرياضية الصعبة، يمكننا التقاط الرقصة المعقدة لتطور المواد بوضوح أكبر وتكلفة أقل. ويشير العمل إلى أن مستقبل التنبؤ بكيفية تغير المادة قد لا يكمكم في أجهزة حاسوب فائقة القوة، بل في طرق أكثر ذكاءً وكفاءة لمعالجة المعلومات التي تمتلكها بالفعل.