Single- to multi-fidelity history-dependent learning with uncertainty quantification and disentanglement: application to data-driven constitutive modeling

تخيل أنك تحاول تعليم روبوت كيفية التنبؤ بكيفية انثناء أو تمدد أو انكسار قطعة من المعدن عندما تسحبها. هذا ليس مجرد قاعدة بسيطة مثل "اسحب بقوة، ينكسر"؛ فالمعدن يتذكر كل مرة سحبته فيها من قبل، وتاريخه يغير طريقة استجابته لاحقًا. هذا هو عالم النمذجة التأسيسية (constitutive modeling)، وهو مصطلح معقد لوصف القواعد التي تحكم سلوك المواد. لتعليم الروبوت هذه القواعد، أنت بحاجة إلى بيانات. ولكن هنا تكمة المشكلة: الحصول على البيانات "المثالية" يشبه محاولة تصوير طائر طنان في وسط إعصار—الأمر يتطلب كميات هائلة من الوقت والمال وقدرات حوسبية. ومن ناحية أخرى، الحصول على بيانات "سريعة" أمر سهل، مثل التقاط صورة ضبابية من مسافة بعيدة، لكنها تكون مليئة بالأخطاء والضجيج. لطالما ظل العلماء عالقين في شد وجذب: هل تنفق ثروة للحصول على بيانات مثالية، أم توفر المال وتتعامل مع بيانات فوضوية وغير دقيقة؟

الورقة البحثية التي ستطالعها الآن تعالج هذا المعضل تحديدًا. فهي تقدم طريقة ذكية لتعليم الآلات باستخدام مزيج من كل من البيانات المثالية والفوضوية، مع تعليم الآلة أيضًا كيف تعترف عندما تكون في حالة تخمين. يستخدم المؤلفون طريقة تسمى التعلم متعدد الدقة (multi-fidelity learning)، وهي تشبه توظيف فريق من الخبراء حيث يكون لديك عدد قليل من المستشارين باهظي الثمن وعاليي الدقة، ومجموعة كاملة من المساعدين الأرخص والأسرع ولكنهم أقل دقة بقليل. الهدف هو دمج آرائهم للوصول إلى أفضل إجابة ممكنة دون كسر الميزانية. علاوة على ذلك، تتعامل الورقة مع عدم اليقين (uncertainty)، حيث تميز بين نوعين من "عدم المعرفة": عدم اليقين الأليوري (aleatoric uncertainty)، وهو العشوائية الطبيعية أو "الضجيج" في البيانات (مثل حبة رمل في صورة)، وعدم اليقين الإبستيمي (epistemic uncertainty)، وهو جهل النموذج نفسه لأنه لم يرَ أمثلة كافية بعد. يريد المؤلفون نظامًا لا يعطي إجابة فحسب، بل يخبرك أيضًا بمدى ثقته في تلك الإجابة، وإلى أي مدى يعود الخطأ إلى البيانات نفسها مقابل نقص معرفة النموذج.

الفكرة الكبرى للورقة: فريق ذكي من المتنبئين

يقترح المؤلفون، جياكسيانغ يي، وبرناردو ب. فيريرا، وميغيل أ. بيسا، إطار عمل جديدًا ومرنًا يمكنه التعلم من أي مزيج من أنواع البيانات هذه. لقد بنوا "سكينًا سويسريًا" من نماذج تعلم الآلة التي يمكنها التكيف مع سيناريوهات مختلفة. وفي قلب اختراعهم يوجد ما يسمونه الشبكات العصبية المتكررة البايزية لتقدير التباين (Variance estimation Bayesian Recurrent Neural Networks - VeBRNNs).

فكر في الشبكة العصبية القياسية كطالب يحفظ الإجابات عن ظهر قلب؛ إذا سألته سؤالاً لم يره من قبل، فقد يخمن بثقة حتى لو كان مخطئًا. أما الشبكة البايزية (Bayesian)، فهي تشبه طالبًا حذرًا يقول: "أعتقد أن الإجابة هي (س)، لكني متأكد بنسبة 80% فقط، وإليك نطاقًا من الاحتمالات الأخرى". الجزء "المتكرر" (Recurrent) يعني أن هذا الطالب لديه ذاكرة؛ فهو يتذكر تاريخ ما حدث من قبل، وهو أمر بالغ الأهمية للمواد التي تتغير بناءً على ماضيها. أما جزء "تقدير التباين" (Variance estimation) فهو السر الخاص: هذا الطالب يمكنه أيضًا النظر إلى البيانات الفوضوية والقول: "مهلًا، هذه البيانات مشوشة بسبب التجربة نفسها، وليس لأنني سيء في الرياضيات". هذه القدرة على الفصل بين "الضجيج" و"الجهل" تعد طفرة كبيرة.

السيناريوهات الأربعة: اختبار الفريق

لإثبات نجاح طريقتهم، أنشأ المؤلفون أربعة "معسكرات تدريب" باستخدام مواد محاكية. لم يستخدموا نوعًا واحدًا فقط من البيانات؛ بل قاموا بالخلط والمزاوجة ليروا كيف سيتعامل نظامهم مع تحديات مختلفة:

1. العازف المنفرد المشوش: بدأوا بنوع واحد من البيانات التي يتم إنتاجها بسرعة ولكنها مليئة بالضجيج (مثل صورة ضبابية). قاموا بتدريب الـ VeBRNN هنا ووجدوا أنه يمكنه التنبؤ بسلوك المادة بدقة مع تحديد مقدار "الضجيج" في البيانات بدقة. لقد تعلم كيفية فصل الإشارة عن التشويش.
2. الثنائي المثالي: بعد ذلك، جربوا إعدادًا كلاسيكيًا: مزيج من بيانات رخيصة أقل دقة وبيانات باهظة الثمن عالية الدقة (لم يكن أي منهما يحتوي على ضجيج في هذه الحالة المحددة). هنا، أظهروا أنه من خلال استخدام البيانات الرخيصة لتعلم الشكل العام للمشكلة والبيانات الغالية لضبط التفاصيل، يمكنهم الحصول على نتائج أفضل مما لو استخدموا البيانات الغالية وحدها، خاصة عندما لا يملكون الكثير من البيانات الغالية في البتيب.
3. المشكلة المزدوجة: كان هذا أصعب اختبار. كانت كل من البيانات الرخيصة والغالية تحتوي على ضجيج. الأمر يشبه محاولة تعلم أغنية عندما يكون لدى المعلم والكتاب أخطاء مطبعية. ومن المثير للدهشة أن نموذجهم متعدد الدقة لا يزال يعمل بشكل جيد، خاصة عند التنبؤ بأشياء خارج نطاق بيانات التدريب (الاستقراء)، متفوقًا على نموذج يعتمد فقط على البيانات الغالية.
4. البطل الهجين: أخيرًا، مزجوا بين بيانات رخيصة مشوشة وبيانات غالية مثالية. هذا سيناريو شائع جدًا في الواقع. استخدم نظامهم البيانات المشوشة لأخذ فكرة تقريبية، والبيانات المثالية لتصحيح الأخطاء. وجدوا أنه حتى لو كانت البيانات الرخيعة فوضوية بعض الشيء، فإن استخدامها ساعد النموذج على التعلم بشكل أسرع وأكثر دقة مما لو انتظروا البيانات الغالية فقط.

ما وجدوه: سحر المزج

كانت النتائج مشجعة للغاية. اكتشف المؤلفون أن طريقتهم متعددة الاستخدامات بشكل مذهل. يمكنها أن تبدأ كنموذج حتمي بسيط (يتنبأ بالمتوسط فقط) وتتوسع لتصبح نموذجًا بايزيًا معقدًا يقيس كل نوع من أنواع عدم اليقين.

كان أحد أكثر الاكتشافات إثارة للاهتمام هو مقدار البيانات الرخيصة التي تحتاجها. إذا كانت ميزانيتك محدودة، فلا ينبغي عليك شراء القليل من البيانات الغالية أو القليل من البيانات الرخيصة فقط. يقترح المؤلفون وجود "نقطة مثالية" حيث تنفق ما بين 30% إلى 70% من ميزانيتك على البيانات الأرخص. إذا أنفقت القليل جدًا على البيانات الرخيصة، فلن يتعلم النموذج الأنماط العامة جيدًا. وإذا أنفقت القليل جدًا على البيانات الغالية، فلن يضبط النموذج التفاصيل أبدًا. ولكن إذا وجدت ذلك التوازن، فإن نهج تعدد الدقة يتفوق باستمرار على استخدام نوع واحد فقط من البيانات.

كما أظهروا أن طريقتهم جيدة بشكل خاص في الاستقراء (extrapolation)—أي التنبؤ بما يحدث في المواقف التي لم يسبق للنموذج رؤيتها. عندما يُطلب من نموذج قياسي التخمين خارج منطقة التدريب الخاصة به، فقد يعطي إجابة خاطئة بكل ثقة. ومع ذلك، فإن الـ VeBRNN يدرك أنه لا يعرف ما يكفي ويقوم بتوسيع "فترة الثقة" الخاصة به، وكأنه يقول: "أنا لست متأكدًا من هذا". هذه ميزة أمان حاسمة في الهندسة، حيث يمكن أن تؤدي الثقة الزائدة إلى كوارث.

الخلاصة

لا تدعي هذه الورقة أنها حلت كل المشكلات في علم المواد. بدلاً من ذلك، هي تقدم مجموعة أدوات قوية وقابلة للتكيف. إنها تثبت أنه ليس عليك الاختيار بين السرعة والدقة؛ يمكنك الحصول على كليهما من خلال دمج مستويات مختلفة من جودة البيانات بذكاء. من خلال تعليم الآلات فهم عدم اليقين الخاص بها والفصل بين ضجيج البيانات ونقص معرفتها، فتح المؤلفون الباب أمام تصميمات أكثر موثوقية قائمة على البيانات. وسواء كنت تصمم جناح طائرة جديدة أو جسرًا أكثر أمانًا، فإن هذه الطريقة تشير إلى أنه يمكننا بناء نماذج أفضل بشكل أسرع، باستخدام بيانات أقل مثالية، مع الحفاظ على جرعة صحية من الشك تجاه ما لا نعرفه بعد.