تخيل أنك تحاول تعليم روبوت كيفية التنبؤ بانتشار قطرة حبر في كوب من الماء، أو كيف تنتقل الحرارة عبر قضيب معدني. في عالم العلوم والهندسة، تحكم هذه التحركات قواعد رياضية معقدة تسمى "معادلات الفيزياء". لعقود من الزمن، استخدم العلماء أجهزة كمبيوتر قوية لحل هذه المعادلات، لكن الأمر كان يشبه غالباً محاولة فك عقدة ضخمة من سماعات الرأس: بطيء، صعب، وعرضة للتعثر. مؤخراً، تم تقديم نوع جديد من "الروبوتات الذكية" يسمى الشبكة العصبية (Neural Network) لحل هذه الألغاز. هذه الشبكات تشبه الطلاب الأذكياء جداً الذين يتعلمون من خلال النظر إلى الأمثلة. ومع ذلك، عندما يحاول هؤلاء الطلاب تعلم الفيزياء، فإنهم غالباً ما يصطدمون بجدار غريب. يمكنهم حفظ القواعد الخاصة بنقطة البداية (مثل قطرة الحبر عند الزمن صفر) أو حواف الكوب، لكنهم يفشلون تماماً في فهم ما يحدث في المنتصف. الأمر يشبه أن يعرف الطالب الإجابة على السؤال الأول في الاختبار ولكنه ينسى كل شيء بينهما، تاركاً منتصف الصفحة فارغاً أو مليئاً بالهراء. هذه الظاهرة المحبطة هي ما يسميه العلماء "فشل الانتشار" (propagation failure).

يغوص بحث جديد بعنوان "ProPINN: فك رموز فشل الانتشار في الشبكات العصبية المستندة إلى الفيزياء" في أعماق سبب حدوث ذلك ويقدم حلاً ذكياً. أدرك المؤلفون، وهم باحثون من جامعة تسينغ هوا، أن المشكلة لم تكن مجرد أن الروبوت "ينسى" الأشياء؛ بل كانت في كيفية بناء الروبوت نفسه. لقد اكتشفوا أن التصميم القياسي يعامل كل نقطة في المحاكاة كجزيرة معزولة. تخيل فصلاً دراسياً حيث يعمل كل طالب على قطعته الخاصة من لغز ضخم، لكنهم ممنوعون من التحدث مع جيرانهم. حتى لو عرف الطالب الموجود عند الحافة الصورة، فلا يمكنه إخبار الطالب في المنتصف بما يجب فعله لأنه لا يوجد اتصال. يثبت هذا البحث أن هذا النقص في "الدردشة الجيرانية" يتسبب في فشل التعلم. ولإصلاح ذلك، ابتكروا بنية جديدة تسمى ProPINN. بدلاً من معاملة النقاط كجزر، تقوم ProPINN بتجميعها في أحياء (مجموعات)، وتجبرها على مشاركة "أفكارها" (رياضياً، تدرجاتها - gradients) قبل اتخاذ القرار. يعمل هذا التغيير البسيط كطريق سريع للمعلومات، مما يسمح للحل الصحيح بالتدفق بسلاسة من الحواف إلى المركز. وفي الاختبارات، لم يقم هذا الأسلوب الجديد بإصلاح حالات الفشل فحسب، بل حل مسائل فيزيائية معقدة بدقة أفضل بنسبة 46% من الطرق الأفضل السابقة، كل ذلك مع العمل بشكل أسرع واستهلاك طاقة حاسوبية أقل.

قصة الطالب العالق

لفهم سحر ProPINN، نحتاج أولاً إلى النظر في مشكلة "الطالب العالق". في عالم حل المعادلات الفيزيائية، هناك طريقتان رئيسيتان لتعليم الكمبيوتر. الطريقة القديمة، المستخدمة لسنوات، تشبه رسم شبكة على خريطة وحساب الإجابة لكل مربع واحد تلو الآخر. إنها موثوقة ولكنها بطيئة. أما الطريقة الجديدة فتستخدم الشبكات العصبية المستندة إلى الفيزياء (PINNs). فكر في PINN كشبكة عصبية — وهي نوع من الذكاء الاصطناعي الذي يتعلم الأنماط — يتم تدريبها ليس فقط على البيانات، بل على قوانين الفيزياء نفسها. أنت تخبر الذكاء الاصطناعي: "يجب عليك اتباع هذه القواعد"، وهو يحاول تخمين الحل.

تنشأ المشكلة لأن الذكاء الاصطناعي يُقال له الإجابات الصحيحة مباشرة فقط عند البداية (الشروط الأولية) وعند الحواف (شروط الحدود). بالنسبة لبقية المساحة — الجزء الداخلي الشاسع من المجال — يتعين على الذكاء الاصطناعي استنتاج الإجابة بنفسه، باستخدام قواعد الفيزياء فقط. يجادل البحث بأنه في الإعداد القياسي، يعامل الذكاء الاصطناعي كل نقطة في تلك المساحة الداخلية كما لو كانت طالباً منفصلاً ومعزولاً. عندما يقوم الذكاء الاصطناعي بتحديث "دماغه" (بارامتراته) بناءً على نقطة واحدة، فإن ذلك لا يساعد جيرانه حقاً. الأمر يشبه أن تتعلم خدعة رياضية للرقم 5، لكن هذه المعرفة لا تساعدك في فهم الرقم 6. ولأن النقاط معزولة للغاية، فإن المعلومات "الصحيحة" من الحواف لا تصل أبداً إلى المنتصف. يقع الذكاء الاصطناعي في فخ محلي، وغالباً ما يخمن أن الإجابة هي صفر في كل مكان لأن هذه هي أسهل طريقة لاستيفاء القواعد، رغم أنها خاطئة.

"صلابة" الاتصال

قرر مؤلفو البحث التحقيق في لماذا يحدث هذا العزل. لقد نظروا إلى طريقة قديمة وموثوقة تسمى طريقة العناصر المحدودة (FEM). في FEM، يقوم الكمبيوتر بتقسيم المشكلة إلى شبكة من المثلثات أو المربعات المتصلة. الفرق الرئيسي هو أنه في FEM، تكون قيمة النقطة الواحدة مرتبطة رياضياً بجيرانها. إذا دفعت نقطة واحدة، يشعر جيرانها بذلك فوراً. إنه يشبه شبكة من الزنبركات المتصلة؛ اسحب واحداً، وستتحرك الشبكة بأكملها.

سأل الباحثون: "لماذا لا تمتلك الشبكات العصبية هذا الاتصال الشبيه بالزنبرك؟" لقد أثبتوا أنه في شبكات PINNs القياسية، يكون الاتصال بين النقاط القريبة ضعيفاً للغاية. لقد قدموا طريقة جديدة لقياس هذا الاتصال تسمى ارتباط التدرج (gradient correlation). تخيل "التدرج" كالاتجاه الذي يريد الذكاء الاصطناعي أن يتحرك فيه بعقله للحصول على إجابة أفضل. إذا كان للجيران تدرجات تشير في نفس الاتجاه، فهما "مرتبطان" ويعملان معاً. وإذا كانت تشير في اتجاهات متعاكسة، فهما يتصارعان.

يثبت البحث حقيقة مفاجئة: في شبكات PINNs القياسية، غالباً ما تشير تدرجات النقاط القريبة في اتجاهات مختلفة تماماً، كما لو كانت متعامدة (بزاوية 90 درجة) مع بعضها البعض. هذا يعني أن الذكاء الاصطناعي يحاول تعلم شيئين متضاربين في آن واحد لنقاط تقع بجوار بعضها البعض مباشرة. هذا النقص في الاتفاق هو السبب الجذري لـ "فشل الانتشار". يتم حظر المعلومات القادمة من الحدود الصحيحة لأن المسار عبر المنتصف عبارة عن فوضى من الإشارات المتضاربة.

حل ProPINN: مراقبة الحي

إذاً، كيف تعالج طالباً يرفض التحدث مع جيرانه؟ أنت لا تكتفي بإخبارهم بالتحدث بقوة أكبر؛ بل تغير تصميم الفصل الدراسي. يقترح المؤلفون ProPINN، وهي بنية جديدة مصممة لإجبار هؤلاء الجيران على التعاون.

إليك كيف تعمل ProPINN، باستخدام تشبيه مرح:
تخيل أن الـ PINN القياسي هو مجموعة من الناس يقفون في حقل، كل منهم يحمل ورقة. طُلب منهم حل لغز، لكن لا يمكنهم سوى النظر إلى أوراقهم الخاصة. إنهم مشوشون وعالقون.
تغير ProPINN القواعد. قبل أن يحاولوا حل اللغز، تعطي كل شخص "حقيبة أدوات الحي".

1. الاضطراب التفاضلي (Differential Perturbation): يأخذ الذكاء الاصطناعي نقطة واحدة ويخلق عدة نسخ "شبحية" منها، مزاحة قليلاً في اتجاهات مختلفة (مثل النظر إلى نفس البقعة من زوايا مختلفة قليلاً).
2. الإسقاط المشترك (Shared Projection): يتم تغذية جميع هذه النقاط (الأصلية والأشباح) في "مترجم" مشترك يحولها إلى لغة واحدة.
3. الخلط متعدد المناطق (Multi-Region Mixing): هذه هي الخطوة السحرية. يأخذ الذكاء الاصطناعي المعلومات من النقطة الأصلية وأشباحها، ويمزجها معاً، ويقوم بعمل متوسط لها. الأمر يشبه أن الطالب في منتصف الغرفة أصبح الآن قادراً على سماع أفكار كل من في دائرته المباشرة قبل اتخاذ قرار.

من خلال خلط التدرجات ("الأفكار") للنقاط القريبة، تضمن ProPINN أن الذكاء الاصطناعي لا يتعلم فقط لنقطة واحدة بمعزل عن غيرها، بل يتعلم نمطاً متسقاً لمنطقة كاملة. هذا يخلق "صلابة" أو اتصالاً قوياً بين الجيران، تماماً مثل الزنبركات في طريقة FEM القديمة. يمكن الآن للاشراف "الصحيح" من الحدود أن يتدفق بسلاسة عبر التدرجات المختلطة، ليصل إلى الداخل دون أن يضيع.

النتائج: أسرع، أذكى، وأكثر دقة

لا يكتفي البحث بالحديث عن النظرية؛ بل وضعوا ProPINN تحت الاختبار ضد بعض أصعب المسائل الفيزيائية. لقد اختبروها على أشياء مثل:

• الحمل الحراري (Convection): محاكاة كيفية تحرك موجة من الحرارة أو السوائل بسرعة عبر مساحة ما.
• التفاعل والانتشار (Reaction-Diffusion): نمذجة كيفية اختلاط المواد الكيميائية وتفاعلها، مما يخلق أنماطاً معقدة.
• ديناميكا السوائل (Fluid Dynamics): محاكة الحركة الدوامية الفوضوية للهواء حول أسطوانة (شارع كرمان الدوامي الشهير) وتدفق الماء في شكل توروس (شكل الدونات).

في هذه الاختبارات، غالباً ما فشلت شبكات PINNs القياسية فشلاً ذريعاً، حيث أنتجت أخطاءً ضخمة أو علقت في حلول خاطئة. حتى النماذج المتقدمة التي حاولت استخدام "آليات الانتباه" (Attention Mechanisms) — وهي طريقة متطورة للسماح للنقاط بالتحدث مع بعضها، تشبه طريقة عمل نماذج Transformer في اللغة — واجهت صعوبات، حيث كانت بطيئة جداً وغير مستقرة أحياناً.

أما ProPINN، فقد تألقت:

• الدقة: قللت الخطأ بمتوسط 46% مقارنة بثاني أفضل نموذج. وفي مهام محددة، مثل معادلة الموجة أحادية البعد (1D-Wave equation)، حسنت الأداء بنسبة تزيد عن 70%.
• السرعة: على الرغم من قيامها بمزيد من العمل عبر خلط المناطق، كانت ProPINN في الواقع أسرع بمرتين إلى ثلاث مرات من النماذج القائمة على Transformer. وذلك لأنها تستخدم طبقة خلط بسيطة وفعالة بدلاً من الحسابات الثقيلة والمعقدة التي تتطلبها آليات الانتباه.
• الاستقرار: في محاكيات السوائل الأكثر فوضوية، حيث تعطلت النماذج الأخرى أو أنتجت أخطاء "NaN" (ليس رقماً)، استمرت ProPINN في العمل بسلاسة.

كما أظهر المؤلفون أن هذه الطريقة تعمل جيداً حتى مع زيادة حجم النماذج. تميل شبكات PINNs القياسية إلى التدهور مع إضافة المزيد من الطبقات (جعلها "أعمق")، لكن ProPINN تصبح أفضل بالفعل، مما يظهر قدرتها على التوسع بفعالية.

لماذا يهم هذا؟

هذا البحث يعد أمراً هاماً لأنه يتجاوز مجرد "تجربة حيل مختلفة" لحل المسائل الفيزيائية. إنه يحدد السبب الجوهري لفشل نماذج الذكاء الاصطناعي هذه: وهو افتقارها إلى اتصال فيزيائي بين الجيران. ومن خلال إصلاح البنية لتُحاكي كيفية انتقال القوى الفيزيائية فعلياً (مثل الزنبركات في الشبكة)، تطلق ProPINN العنان للإمكانات الحقيقية لهذه الشبكات العصبية.

إنه تذكير بأنه في بعض الأحيان، أفضل طريقة لجعل الآلة الذكية أكثر ذكاءً ليست بجعلها أكبر أو إعطائها مزيداً من البيانات، بل بتغيير كيفية اتصالها بنفسها. تُظهر ProPINN أنه من خلال السماح للجيران بمشاركة أحمالهم ببساطة، يمكننا حل بعض أكثر المعادلات تعقيداً في الفيزياء بسرعة ودقة غير مسبوقتين. وسواء كان ذلك في تصميم طائرات أفضل، أو التنبؤ بأنماط الطقس، أو محاكاة مواد جديدة، فإن هذا النهج الجديد يوفر مساراً موثوقاً لمستقبل الحوسبة العلمية.