Agentic Exploration of PDE Spaces using Latent Foundation Models for Parameterized Simulations

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "الاستكشاف الوكيل لمساحات المعادلات التفاضلية الجزئية باستخدام نماذج التأسيس الكامنة للمحاكاة ذات المعلمات".

1. بيان المشكلة

يعتمد الاكتشاف العلمي في ديناميكا السوائل والمجالات الأخرى التي تحكمها المعادلات التفاضلية الجزئية (PDEs) تقليديًا على دراسات منهجية للمعلمات تتضمن محاكاة عددية مكلفة وتفسيرًا يدويًا. يواجه هذا النهج عقبتين رئيسيتين:

• التكلفة الحسابية: الاستكشاف الشامل لمساحات المعلمات عالية الأبعاد والمستمرة أمر باهظ التكلفة بشكل لا يمكن تحمله.
• عدم تطابق التمثيل: على عكس النطاقات المنفصلة (مثل اكتشاف الأدوية باستخدام سلاسل SMILES أو علوم المواد باستخدام الرسوم البيانية للبلورات)، تنتج الأنظمة الفيزيائية التي تحكمها المعادلات التفاضلية الجزئية بيانات مكانية-زمانية مستمرة وعالية الأبعاد وفوضوية. وهذا يجعلها غير متوافقة مع النماذج اللغوية الكبيرة (LLMs)، التي تعمل عادةً على مدخلات رمزية منفصلة.
• الأدوات السلبية: تعمل نماذج النظم المختزلة (ROMs) القائمة على البيانات حاليًا كنماذج تنبؤ سلبية ضمن سير عمل يقوده البشر، وتفتقر إلى الاستقلالية لاتخاذ القرار بشأن ماذا يجب محاكاته أو كيف يتم تركيب النتائج.

تعالج الورقة تحدي إنشاء نظام اكتشاف علمي مستقل وآلي قادر على استكشاف مساحات معلمات المعادلات التفاضلية الجزئية المستمرة دون تدخل بشري.

2. المنهجية

يقترح المؤلفون إطار عمل يربط بين النماذج اللغوية الكبيرة متعددة الوكلاء (Multi-Agent LLMs) ونموذج تأسيسي كامن (Latent Foundation Model - LFM). ينشئ هذا النظام حلقة مغلقة من الفرضية، والتجربة، والتحليل، والتحقق.

أ. النموذج التأسيسي الكامن (LFM)

يعمل الـ LFM كـ "محاكي بديل عند الطلب"، حيث يستبدل الحلول العددية المكلفة بنموذج توليدي يمكنه أخذ عينات من حقول التدفق لأي معلمات. ويتكون من مكونين:

1. المشفر التلقائي التبايني بإجمالي الارتباط (TC-VAE):
   • يتعلم تمثيلًا كامنًا مضغوطًا ومنفصلًا ($z$) لحقول التدفق عالية الأبعاد ($x$).
   • يستخدم دالة خسارة $\beta$-TC-VAE لتقليل الاعتماد الإحصائي بين الأبعاد الكامنة، مما يضمن أن كل بُعد يلتقط عوامل مستقلة من التباين من مساحة المعلمات.
2. نموذج الانتشار المشروط بالمعلمات (Parameter-Conditioned Latent Diffusion Model):
   • يعمل في الفضاء الكامن الذي تعلمه الـ VAE.
   • يأخذ المدخلات المعلمية $P$ (مثل المسافات بين الأسطوانات) ومستويات الضجيج لتوليد مسارات كامنة.
   • يستخدم بنية Transformer مع انتباه مكاني-زماني مفكك وتضمينات موضعية دورانية (Ropty Positional Embeddings - RoPE) لضمان التماسك الزمني.
   • القدرة: يتيح الاستكمال (Interpolation) المستمر والاستكمال الخارجي (Extrapolation) المتوسط عبر مساحة المعلمات، مما يولد حقول تدفق منطقية فيزيائيًا بتكلفة حسابية ضئيلة.

ب. إطار الاستكشاف متعدد الوكلاء

بناءً على LangGraph، يستخدم النظام بنية وكيل هرمية لتنسيق عملية الاستكشاف:

• المخطط (Planner): يصيغ استراتيجيات التحقيق (مثل أخذ العينات القائم على التغطية أو التحسين المستهدف) بناءً على حالة المعرفة الحالية ومجموعة البيانات. وهو يقرر أي المناطق في مساحة المعلمات سيتم استكشافها تاليًا.
• المحلل (Analyst): عقدة تنفيذ حتمية تتفاعل مع الـ LFM والأدوات المدركة للفيزياء. يقوم بالاستعلام من الـ LFM لتوليد حقول التدفق، ويحسب إحصائيات قابلة للتفسير (مثل سمك الإزاحة، وسمك الزخم)، ويجمع البيانات المهيكلة.
• الناقد (Critic): يتحقق من المخرجات من حيث الدقة الهندسية (مثل التحقق من مواضع الأسطوانات) واتساق البيانات. يعمل عبر حلقة ReAct لتقييم التغطية وسلاسة الاتجاهات، ويقوم بتمييز التشغيلات غير الموثوقة.
• الكاتب (Writer): يلخص النتائج النهائية في تقرير مهيكل، ورسوم توضيحية، ووثائق.
• واجهة الأدوات (Tool Interface): يصل الوكلاء إلى أدوات التحليل القائمة على الفيزياء (مثل flow_generator و scan و evaluate_pair) كدوال قابلة للاستدعاء، مما يسمح لهم بإجراء تحليل متخصص في المجال دون معرفة فيزيائية صريحة في مطالباتهم (prompts).

3. المساهمات الرئيسية

1. الربط بين الفيزياء المستمرة والنماذج اللغوية الكبيرة: تقدم الورقة الـ LFM كوسيط تمثيل حيوي، حيث تترجم حلول المعادلات التفاضلية الجزئية المستمرة والفوضوية إلى فضاء كامن قابل للترميز (tokenizable) يمكن للنماذج اللغوية الكبيرة استخدامه في الاستنتاج.
2. الاكتشاف العلمي المستقل: تُظهر نظامًا مستقلاً تمامًا حيث يمكن للوكلاء صياغة الفرضيات، وتنفيذ "التجارب" (عبر الـ LFM)، وتحليل النتائج، وتكرار الاستراتيجيات دون توجيه بشري.
3. المحاكي البديل للاستكشاف: تؤسس الـ LFM ليس فقط كنماذج تنبؤ، بل كمحرك توليدي يسمًا للوكلاء الاستعلام عن تكوينات معلمات عشوائية بتكلفة هامشية تقارب الصفر، مما يتيح أخذ عينات كثيفة مستحيلة باستخدام الحلول التقلية.
4. بنية نمطية الأدوات: يفصل الإطار بين استنتاج الوكيل وأدوات التحليل، مما يسم يسمح بتكييف النظام مع كميات فيزيائية مختلفة (مثل ترددات انفصال الدوامات، أو المعاملات الديناميكية الهوائية) ببساطة عن طريق استبدال الأدوات.

4. النتائج

تم تطبيق الإطار على تدفق غير قابل للانضغاط حول أسطوانات دائرية متتالية عند رقم رينولدز $Re = 500$. استكشف الوكيل بشكل مستقل المسافة بين الأسطوانات ($S$) من $3.5D$ إلى $10D$.

• نطاق الاستكشاف: قيم الوكيل 1,600 زوج من المعلمات والمواقع عبر 41 تكوينًا للمسافات، وهو نطاق يصعب تنفيذه يدويًا.
• اكتشاف قوانين القياس المتباعدة:
  • أقصى سمك زخم ($\theta$): اتبع موقع ذروة نقص الزخم ($x^*_\theta$) قانونًا خطيًا واحدًا قويًا ($x^*_\theta \approx S - 1.2D$) عبر جميع المسافات، متتبعًا الأسطوانة المتجهة لأسفل.
  • أدنى سمك إزاحة ($\delta^*$): أظهر موقع أدنى نقص كتلة ($x^*_{\delta^*}$) بنية ثنائية الأنماط تعتمد على النظام:
    • نظام خلفية التدفق (Near-wake regime) ($S \lesssim 6\text{--}7D$): ظل $x^*_{\delta^*}$ ثابتًا بالقرب من $0.5D$ (خلف الأسطوانة الأمامية).
    • نظام التذرية المشتركة (Co-shedding regime) ($S \gtrsim 7D$): انتقل $x^*_{\delta^*}$ نحو الأسفل متبعًا اتجاهًا خطيًا جديدًا ($0.71S - 2.2D$).
  • كشف انتقال النظام: حدد الوكيل انتقالًا حادًا بالقرب من $S \approx 7D$. تباينت المسافة بين الموقعين الأمثلين ($|\Delta x^*|$) بشكل مستمر في نظام خلفية التدفق، ثم انخفضت بشدة عند الانتقال، واستقرت في نظام التذرية المشتركة. كان هذا التوقيع غير الرتيب بمثابة علامة كمية لتغير النظام الفيزيائي.
• التحقق: أظهرت النتائج المستمدة من الـ LFM (العلامات المملوءة) توافقًا عاليًا مع بيانات المحاكاة الأصلية (العلامات المفتوحة)، مما يؤكد دقة النموذج البديل.

5. الأهمية

• تحول جذري في استكشاف المعادلات التفاضلية الجزئية: ينتقل هذا العمل من مجرد تحليل البيانات السلبي إلى الاستكشاف النشط القائم على الوكلاء. إنه يثبت أن النماذج اللغوية الكبيرة يمكنها قيادة الاكتشاف العلمي في الأنظمة الفيزيائية المستمرة عندما تقترن بتمثيلات فيزيائية متعلمة.
• الكفاءة والقابلية للتوسع: باستخدام الـ LFM كمحاكي بديل، يتجاوز النظام العقبة الحسابية المتمثلة في تشغيل ملايين عمليات محاكاة CFD، مما يجعل عمليات مسح المعلمات واسعة النطاق أمرًا ممكنًا.
• القابلية للتعميم: لا يقتصر الإطار على ديناميكا السوائل؛ بل يقدم نموذجًا عامًا لأي نظام محكوم بمعادلات تفاضلية جزئية يمكن تدريب LFM له. يمكن للأعمال المستقبلية توسيع ذلك ليشمل التدفقات ثلاثية الأبعاد، ومساحات المعلمات المتعددة، واكتشاف الآليات السببية.
• الأثر الهندسي: يوفر الاكتشاف المستقل لقوانين القياس المعتمدة على النظام رؤى هندسية فورية لتصميم أنظمة التحكم في التدفق (مثل تقليل السحب مقابل تقليل انسداد التدفق) التي تتطلب استراتيجيات مختلفة اعتمادًا على نظام التدفق.