Online learning of subgrid-scale models for quasi-geostrophic turbulence in planetary interiors
تقدم هذه الورقة إطار عمل لتعلم الآلة عبر الإنترنت من طرف إلى طرف لنمذجة النطاق دون الشبكي في الاضطراب شبه الجيوفيزيائي الدوار والمحدود، والذي ينجح في إعادة إنتاج السلوكيات الديناميكية طويلة الأمد ويتفوق على مخططات الإغلاق الكلاسيكية، مما يتيح محاكاة فعالة للعمليات الداخلية الكوكبية طويلة الأمد التي تتجاوز قدرات الطرق العددية المباشرة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل داخل كوكب مثل الأرض أو المشتري كأنه قدر ضخم من الحساء يغلي، ولكن بدلاً من الخضروات، هو مكون من معدن سائل أو غاز شديد السخونة. هذا الحساء يدور بسرعة هائلة، وهذا الدوران يخلق قوى غير مرئية تنظم الفوضى إلى تيارات ضخمة تشبه الأنهار من الرياح أو التيارات تسمى "النفثات" (jets). يريد العلماء فهم كيفية عمل هذه المحركات الكوكبية لأنها هي التي تخلق المجالات المغناطيسية التي تحمينا من الإشعاع الفضائي وتقود الطقس. لكن هناك عقبة: هذه التدفقات تحدث على مقاييس صغيرة جداً تصل إلى المتر الواحد، وفي نفس الوقت على مقاييس ضخمة بحجم الكوكب نفسه. إن محاولة محاكاة كل دوامة صغيرة بمفردها على جهاز كمبيوتر تشبه محاولة عد كل حبة رمل على الشاطئ بينما يضرب المد؛ فهي تتطلب قدرة حوسبية هائلة لدرجة أن أسرع أجهزة الكمبيوتر العملاقة لا تستطيع القيام بذلك لملايين السنين التي استمرت فيها هذه الكواكب في الدوران.
للتغلب على ذلك، يستخدم العلماء "نماذج مقياس ما دون الشبكة" (subgrid-scale models). فكر في هذه النماذج كأنها اختصار ذكي. بدلاً من تتبع كل حبة رمل صغيرة، يقوم الكمبيوتر بمحاكاة الأمواج الكبيرة ويستخدم تخميناً ذكياً لمعرفة كيف تدفع وتشد الحبات الصغيرة الأمواج الكبيرة. لعقود من الزمن، استندت هذه التخمينات إلى معادلات رياضية بسيطة. ولكن مؤخراً، بدأ الباحثون في محاولة تعليم أجهزة الكمبيوتر كيف تقوم بهذه التخمينات بنفسها باستخدام التعلم الآلي، تماماً كما يتعلم الذكاء الاصطناติด في ألعاب الفيديو كيف يلعب بشكل أفضل من خلال مشاهدة آلاف الساعات من اللعب. السؤال الكبير هو: هل يمكن للكمبيوتر أن يتعلم تخمين التفاصيل الصغيرة بدقة كافية لتشغيل محاكاة لباطن كوكب لفترة طويلة دون أن ينهار النظام بأكمله؟
هذه الورقة البحثية، التي كتبها هوغو فريزات، توماس غاستين، وألكسندر فورنييه، تتناول هذا السؤال تحديداً لنوع معين من التدفق الكوكبي يسمى "اضطراب شبه الجيوستروفي" (quasi-geostrophic turbulence). قام الفريق ببناء برنامج كمبيوتر خاص يمكنه "تعلم" التفاصيل الصغيرة المفقودة أثناء تشغيل المحاكاة، وهي طريقة يسمونها "التعلم عبر الإنترنت" (online learning). لقد اختبروا ذلك على نموذج مبسط لباطن كوكب — وهو عبارة عن حاوية دائرية دوارة مليئة بسائل. أنشأوا ثلاثة سيناريوهات مختلفة: واحد ذو شكل أسي بسيط واثنان ذوا أشكال كروية (مثل كرة مجوفة)، يدوران بسرعات مختلفة. في هذه المحاكاة، شكل السائل طبيعياً نفثات ضخمة من الشرق إلى الغرب، وموجات ريزبي (Rossby waves)، وفي الحالات الكروية، انحرفت هذه النفثات ببطء نحو الداخل بمرور الوقت.
قام الباحثون بتدريب نموذج التعلم الآلي الخاص بهم باستخدام بيانات من محاكاة عالية الدقة للغاية استمرت لـ "زمن دورة واحدة" فقط (الوقت الذي تستغر🄴 فيه دوامة كبيرة دورة واحدة). ثم تركوا النموذج يشغل محاكاة "خشنة" — وهي محاكاة تتجاهل التفاصيل الصغيرة لتوفير الوقت — باستخدام تخمينه المتعلم لملء الفجوات. كانت النتائج مثيرة للإعجاب. فعلى الرغم من أن النموذج تم تدريبه لفترة قصيرة، إلا أنه نجح في التنبؤ بسلوك النظام لمدة أطول بـ 100 مرة من نافذة التدريب. لقد أعاد بدقة إنتاج طاقة التدفقات، وأنماط النفثات، وحتى الانحراف البطيء والغامض للنفثات نحو الداخل في الحاويات الكروية.
والأهم من ذلك، تجادل الورقة ضد فكرة أنه يمكنك فقط تدريب نموذج مرة واحدة ثم دمجه في محاكاة لاحقاً (نهج "دون اتصال" أو offline). وجد المؤلفون أن التدريب "دون اتصال" لهذا النوع المحدد من السوائل الدوارة ذات الجدران الصلبة أدى إلى محاكاة غير مستقرة ومنهارة. كانت طريقة "التعلم عبر الإنترنت"، حيث يتعلم النموذج أثناء تشغيل المحاكة، هي الطريقة الوحيدة للحفاظ على الاستقرار. كما قارنوا نموذج الذكاء الاصطناعي الخاص بهم بالطرق التقليدية القديمة مثل "الانتشار الفائق" (hyperdiffusivity) (الذي يعمل مثل الاحتكاك الإضافي) و"إغلاق ليث" (Leith closure) (وهو صيغة كلاسيكية للاضطراب). وبينما كانت الطرق القديمة تعمل بشكل جيد إذا حافظت على دقة الشبكة عالية، إلا أنها فشلت فشلاً ذريعاً عندما حاول الباحثون جعل المحاكاة أكثر خشونة لتوفير المزيد من الوقت. أما نموذج الذكاء الاصطناعي، فقد ازدهر على الشبكة الخشنة، حيث كان أسرع بنحو 11 مرة من المحاكاة عالية الدقة وبـ 5 مرات أسرع من الطرق القديمة، مع الحفاظ على صحة الفيزياء.
تشير الدراسة إلى أن نهج التعلم "عبر الإنترنت" هذا يعد أداة قوية لاستكشاف العمليات الكوكبية طويلة الأمد التي كان من المستحيل محاكاتها سابقاً. وهي تظهر أن نموذج التعلم الآلي، المدرب على شريحة زمنية صغيرة، يمكنه التقاط الفيزياء المعقدة اللازمة للتنبؤ بكيفية تحرك النفثات الكوكبية واندمالها على مدى ملايين السنين. وبينما كانت الاختبارات الحالية محدودة بإعدادات معينة ومبسطة، فإن هذا النجاح يفتح الباب لاستخدام هذه التقنيات لدراسة سيناريوهات أكثر تعقيداً وواقعية، مما قد يساعدنا في فهم التغيرات العميقة والبطيئة التي تحدث داخل كوكبنا والآخرين.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.