Physics constraints and response validation in discrete-time reduced-order modeling: from idealized turbulent systems to climate dynamics

تخيل أنك تحاول التنبؤ بالطقس، ولكن بدلاً من النظر إلى سحابة واحدة، أنت تحدق في محيط هائج وفوضوي من الهواء والماء لا يتوقف عن الحركة أبداً. هذا هو عالم "الأنظمة الديناميكية المضطربة" — الاسم العلمي الفخم لأي شيء يتدفق، ويختلط، ويتغير بطريقة جامحة وغير متوقعة، من الدخان المتصاعد من شمعة إلى الأنماط المناخية الضخمة التي تقرر ما إذا كان الصيف القادم سيشهد جفافاً أو فيضاناً. لطال many العلماء يحاولون بناء "نماذج مختزلة الرتبة" لهذه الأنظمة. فكر في هذه النماذج كخريطة مبسطة: بدلاً من تتبع كل قطرة ماء في المحيط، أنت تتبع التيارات الكبيرة والبطيئة الحركة. الهدف هو إنشاء برنامج حاسوبي يعمل مثل النظام الحقيقي، حتى نتمكن من طرح أسئلة "ماذا لو؟". ماذا لو أصبحت الشمس أكثر حرارة قليلاً؟ ماذا لو ثار بركان؟

ومع ذلك، هناك عقبة. عندما تبسط نظاماً معقداً، فإنك غالباً ما تفقد القواعد التي تمنعه من الانهيار. في العالم الحقيقي، يتم حفظ الطاقة؛ فهي لا تظهر من العدم ولا تتلاشى في الهواء. ولكن عندما تتعلم البرامج الحاسوبية من البيانات دون أن تُعلّم هذه القواعد، فقد تصاب بـ "الارتباك". قد تتعلم التنبؤ بالطقس بشكل مثالي لبضعة أيام، ولكن إذا سألتها عما سيحدث في الأسبوع التالي، فقد تنفجر في أرقام غير منطقية لأنها نسيت أن الطاقة يجب أن تذهب إلى مكان ما. علاوة على ذلك، مجرد حدوث شيئين في نفس الوقت لا يعني أن أحدهما تسبب في الآخر. قد يعتقد النموذج أن مبيعات الآيس كريم تسبب هجمات القرش لأن كليهما يرتفع في الصيف، متجاهلاً المسبب الحقيقي: الحرارة. يتناول هذا البحث مشكلة بناء نماذج حاسوبية ليست ذكية بما يكفي للتعلم من البيانات فحسب، بل هي أيضاً "منضبطة" بما يكفي للامتثال لقوانين الفيزياء وفهم السبب والنتيجة الحقيقيين.

مهمة البحث: تعليم الحواسيب اللعب وفق القواعد

في هذه الدراسة، يقترح فابريزيو فالاسكا ولورين زانا طريقة جديدة لبناء هذه النماذج الحاسوبية المبسطة. يعاملان المشكلة كتعليم طفل ركوب الدراجة. يمكنك فقط ترك الطفل يبدل بالدواسات والأمل في أن يظل منتصباً (وهذا ما تفعله العديد من نماذج الذكاء الاصطناعي الحالية)، أو يمكنك إعطاؤه عجلات تدريب تمنعه جسدياً من السقوط. قدم المؤلفان نظام "عجلات تدريب" لنماذجهما الحاسوبية يجبرها على احترام حفظ الطاقة في كل خطوة من الخطوات.

بدآ بإنشاء إطار رياضي يعمل في "الزمن المنفصل". تخيل مشاهدة فيلم إطاراً تلو الآخر بدلاً من تدفق سلس ومستمر. معظم قواعد الفيزياء مكتوبة للتدفقات السلسة، لكن بيانات العالم الحقيقي (مثل صور الأقمار الصناعية أو قراءات محطات الأرصاد الجوية) تأتي في شكل لقطات. توصل المؤلفان إلى كيفية ترجمة قاعدة "حفظ الطاقة" الصارمة إلى لغة الإطارات المتتالية هذه. لقد بنيا نماذجهما بحيث تعمل الأجزاء "غير الخطية" — التفاعلات المعقدة والملتوية التي تجعل الاضطراب صعب التنبؤ به — مثل راقص مثالي يدور في مكانه. يمكن للراقص أن يدور، ويلتوي، ويغير اتجاهه، لكنه لا يكتسب أو يفقد الارتفاع (الطاقة) أبداً. هذا يضمن أن النموذج لن يخلق طاقة لانهائية بالخطأ ويتعطل، وهو فشل شائع في نماذج الطقس الأخرى القائمة على الذكاء الاصطناعي.

العمل الاستقصائي: استخدام التقلبات لإيجاد الحقيقة

بمجرد بناء النماذج لتكون مستقرة، احتاج المؤلفون لمعرفة ما إذا كانت صحيحة بالفعل. عادةً، لاختبار نموذج ما، ستقوم بإجراء تجربة حقيقية: تسخين المحيط ورؤية ما سيحدث. لكن لا يمكنك تسخين الأرض الحقيقية لاختبار نظرية ما. لذا، استخدم المؤلفون حيلة ذكية تسمى مبرهنة التقلب والتبدد (FDT).

فكر في مبرهنة (FDT) كعدسة مكبرة للمحقق. وهي تعمل بناءً على فكرة بسيطة: الطريقة التي يتذبذب بها النظام من تلقاء نفسه (التقلبات العفوية) تخبرك بالضبط كيف سيتفاعل إذا قمت بوخزه (الاستجابة القسرية). من خلال دراسة "التمايلات" الطبيعية في البيانات غير المضطربة، يمكن للنموذج التنبؤ بكيفية استجابة النظام للاضطراب دون الحاجة فعلياً إلى اضطرابه. استخدم المؤلفون هذا للتحقق من نماذجهم. لقد تحققوا مما إذا كانت نماذجهم "المنضبطة" تستطيع التنبؤ بشكل صحيح برد فعل النظام تجاه "وخزة"، رغم أنهم تدربوا فقط على بيانات لم يقم فيها أحد بوخز النظام أبداً.

بوصلة السببية

يقدم البحث أيضاً طريقة لتعليم النموذج مفهوم السببية. أدرك المؤلفون أنه إذا تمكنوا من معرفة المتغيرات التي تؤثر في بعضها البعض مباشرة، فيمكنهم منع النموذج من تعلم روابط وهمية. استخدموا مبرهنة (FDT) مرة أخرى، وهذه المرة لتحديد "الروابط السببية المباشرة المرشحة". الأمر يشبه محققاً ينظر إلى مسرح الجريمة ويسأل: "من الذي لمس الضحية حقاً؟". إذا اقترحت البيانات أن المتغير (أ) يسبب المتغير (ب)، فإنه يتم تشجيع النموذج على تعلم هذا الرابط. وإذا اقترحت البيانات عدم وجود رابط، فإنه يتم معاقبة النموذج لمحاولته اختراع واحد. ومع ذلك، فإن المؤلفين حذرون: فهم يستخدمون هذه القواعد السببية فقط إذا اجتازت اختبار تحقق صارم أولاً. فهم لا يريدون إجبار النموذج على الإيمان برابط وهمي لمجرد أن البيانات بدت مشبوهة.

اختبار النظرية: من النماذج التجريبية إلى المناخ الحقيقي

وضع المؤلفون إطار عملهم تحت الاختبار في ثلاثة سيناريوهات مختلفة:

1. النماذج التجريبية (النماذج اللعبة): أولاً، اختبروا الإطار على نظامين مثاليين مُصطنعين (نموذج شارني-ديفور ونظام لورنز-96 المكسور التماثل). هذه تشبه عجلات التدريب على دراجة ثابتة. في هذه البيئات المحكومة، كانوا يعرفون "الحقيقة المطلقة". كانت النتائج مبهرة: ظلت نماذجهم المقيدة بالفيزياء مستقرة وتنبأت بدقة بكيفية تفاعل الأنظمة مع "الوخزات" الضعيفة والقوية. في المقابل، غالباً ما أصبحت النماذج القياسية غير المقيدة (النماذج "العادية") غير مستقرة أو أعطت إجابات خاطئة عند دفعها، رغم أنها بدت مثالية عندما تُركت بمفردها.

2. تحدي العالم الحقيقي: بعد ذلك، انتقلوا إلى الشيء الحقيقي: المناخ الاستوائي، وتحديداً ظاهرة النينيو - التذبذب الجنوبي (ENSO). هذه هي النمط المناخي الضخم الذي يسبب أحداث "النينيو" (الدافئة) و"اللا نينيا" (الباردة). استخدموا بيانات حقيقية للمحيطات من عام 1960 إلى 2025. كان هذا أصعب بكثير لأن البيانات كانت قصيرة (حوالي 60 عاماً فقط) والنظام مرصود جزئياً (لا يمكننا رؤية كل ما يحدث في أعماق المحيط).

   • النموذج الماركوفي (Markovian Model): بنوا أولاً نموذجاً يفترض أن المستقبل يعتمد فقط على الحاضر. نجح هذا النموذج في إعادة إنتاج الإحصائيات الأساسية لظاهرة (ENSO)، بما في ذلك حدث النينيو الشهير 1997/1998، رغم أنه لم يرَ هذا الحدث إلا مرة واحدة في بيانات التدريب. كما تطابق نوعياً مع كيفية استجابة (ENSO) للتغيرات في درجة حرارة سطح البحر وارتفاع سطح البحر.
   • التطوير غير الماركوفي (Non-Markovian Upgrade): ومع ذلك، لم يكن النموذج البسيط مثالياً. فقد فاته بعض التفاصيل في كيفية استجابة (ENSO) عبر فترات زمنية أطول. أدرك المؤلفون أن المحيط يمتلك "ذاكرة" — فالظروف الماضية تؤثر على المستقبل بطرق لا يمكن لنموذج بسيط يعتمد على "الحاضر فقط" استيعابها. ولإصلاح ذلك، أضافوا "إغلاقاً عشوائياً غير ماركوفي". فكر في هذا كإعطاء النموذج "مذكرات" ليتذكر تاريخه الأخير. أدى هذا التطوير إلى تحسين كبير في قدرة النموذج على مطابقة معايير الاستجابة في العالم الحقيقي.

ما وجدوه وما لم يجدوه

النتيجة الرئيسية هي أنه من خلال الجمع بين القيود الفيزيائية (حفظ الطاقة) مع التنظيم السببي (تعلم روابط السبب والنتيجة الحقيقية فقط) والتحقق من الاستجابة (التحقق مقابل مبرهنة FDT)، يمكنك بناء نماذج مستقرة وموثوقة للأنظمة المعقدة.

• ما ينجح: النماذج المقيدة مستقرة على فترات طويلة، وتعيد إنتاج الإحصائيات الصحيحة، وتتنبأ بالاستجابات للمؤثرات بشكل أفضل بكثير من النماذج غير المقيدة. في تطبيق المناخ العالمي، نجح النموذج في تحديد أن ظاهرة (ENSO) حساسة للتغيرات في المحيط الهادي الاستوائي، والمحيط الهادي شمال الاستوائي، والمحيط الأطلسي الاستوائي.
• ما يتم استبعاده: يوضح البحث صراحة أنه لا يمكنك الاعتماد على الشبكات العصبية القياسية غير المقيدة لهذه المهام. قد تبدو جيدة في بيانات التدريب، لكنها تفشل عندما يُطلب منها التنبؤ بالاستجابات لظروف جديدة أو عند تشغيلها لفترات طويلة.
• ما هو مقترح مقابل ما هو مثبت: تم إثبات نجاح التنظيم السببي في الأنظمة المثالية حيث كانت "الحقيقة" معروفة. أما في تطبيق المناخ العالمي، فلم يستطع المؤلفون إثبات أن الروابط السببية صحيحة بنسبة 100% لعدم وجود "حقيقة مطلقة" لمناخ الأرض. بدلاً من ذلك، تحققوا من النموذج من خلال إظهار أن تنبؤاته تطابقت مع معيار (FDT) المستقل. يشير البحث إلى أن الإغلاق غير الماركوفي ضروري لالتقاط التعقيد الكامل للمناخ، لكنه يظل تحسيناً قائماً على المحاكاة وليس حقيقة مثبتة عن العالم المادي.

الخلاصة

لا يدعي هذا البحث أنه حل مشكلة تغير المناخ أو تنبأ بظاهرة "النينيو" القادمة بدقة مثالية. بدلاً من ذلك، فإنه يقدم مجموعة أدوات جديدة وقوية لبناء الجيل القادم من النماذج المناخية. إنه يوضح أنه إذا علمت الذكاء الاصطناعي احترام القواعد الأساسية للفيزياء وأن يكون متشككاً في الروابط الوهمية، فستحصل على نموذج لا يحفظ الماضي فحسب، بل يمكنه فعلياً التفكير في المستقبل. إنها خطوة نحو جعل "التوائم الرقمية" للأرض أكثر موثوقية واستقراراً وجاهزية للإجابة على أسئلة "ماذا لو" الأكثر أهمية.