🤖 machine learning

Toward a foundational thermal model for residential buildings

تقدم هذه الورقة بنية "ترانسفورمر" مستوحاة من الفيزياء تدمج المعرفة بالمجال لتحقيق تنبؤات حرارية دقيقة وقابلة للتعميم عبر مختلف المباني السكنية والمناخات دون الحاجة إلى معايرة خاصة بكل مبنى، مما يظهر قدرة واعدة على نقل التعلم الصفري (zero-shot transferability) على مجموعة بيانات CityLearn.

المؤلفون الأصليون: Ting-Yu Dai, Kingsley Nweye, Dev Niyogi, Zoltan Nagy

نُشر 2026-05-05

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Ting-Yu Dai, Kingsley Nweye, Dev Niyogi, Zoltan Nagy

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 أنك تحاول تعليم كمبيوتر كيف يتنبأ بمدى شعور المنزل بالحرارة غداً. في الوقت الحالي، تحتاج معظم أجهزة الكمبيوتر إلى "تدريب" لكل منزل على حدة. الأمر يشبه توظيف مدرس خصوصي لكل طالب في المدرسة؛ فأنت تعلم الطالب (أ) كيف يتفاعل مع الشمس، ثم تضطر للبدء من جديد لتعليم الطالب (ب)، الذي قد يعيش في منزل مختلف بنوافذ وعزل مختلفين. هذا الأمر بطيء، ومكلف، ولا يمكن التوسع فيه بشكل جيد.

تقترح هذه الورقة البحثية طريقة جديدة لبناء "عقل عالمي للمباني" يمكنه فهم فيزياء أي منزل دون الحاجة إلى مدرس خاص لكل واحد منها.

إليك تفصيل نهجهم، باستخدام تشبيهات بسيطة:

1. المشكلة: فخ "النموذج الذي لا يناسب أحداً"

حالياً، إذا كنت تريد التحكم في تدفئة أو تبريد مبنى بكفاءة، فأنت بحاجة إلى نموذج يعرف الخصائص الفريدة لذلك المبنى تحديداً.

الطريقة القديمة: تخيل الأمر كأنك تحاول تعلم لغة جديدة عبر حفظ كل جملة ينطقها شخص معين. إذا قابلت شخصاً جديداً، عليك البدء من الصفر.
الهدف الجديد: يريد المؤلفون بناء نموذج يتعلم قواعد الحرارة. إذا فهمت القواعد (الفيزياء)، يمكنك فهم أي متحدث جديد (مبنى) على الفور، حتى لو لم تقابله من قبل.

2. الحل: المترجم "المشبع بالفيزياء"

بنى المؤلفون نوعاً جديداً من الذكاء الاصطناعي يسمى Physics Transformer (محول الفيزياء). بدلاً من مجرد التحديق في الأرقام وتخمين الأنماط، أجبروا الذكاء الاصطناعي على "التفكير" كعالم فيزياء. فعلوا ذلك من خلال حيلتين رئيسيتين:

الحيلة (أ): تعلم "سرعة" التغيير (إثراء المشتقات)
- التشبيه: تخيل أنك تقود سيارة. الذكاء الاصطناعي العادي قد يحاول حفظ مكان السيارة بالضبط في كل ثانية. أما ذكاء المؤلفين، فيركز على مدى سرعة تسارع السيارة أو كبحها.
- لماذا ينجح هذا: من الأسهل تعلم قاعدة "إذا ضغطت على دواسة الوقود، ستزداد سرعتي" بدلاً من حفظ كل سرعة ممكنة قد تصل إليها السيارة. وبالمثل، يتعلم الذكاء الاصطناعي مدى سرعة ارتفاع حرارة المنزل أو انخفاضها، بدلاً من مجرد حفظ أن "المنزل (أ) درجة حرارته 72 فهرنهايت". هذه القاعدة تنطبق على معظم المنازل، مما يجعل من السهل نقل المعرفة إلى مبانٍ جديدة.
الحيلة (ب): التنبؤ بـ "الخطوة التالية" (التنبؤ بالبواقي القائم على طريقة أويلر)
- التشبيه: بدلاً من محاولة تخمين درجة الحرارة الدقيقة للمنزل عند الساعة 5:00 مساءً من الصفر، يسأل الذكاء الاصطناعي: "ما هي درجة الحرارة الآن، وكم سيتغير مقدارها في الساعة القادمة؟"
- لماذا ينجح هذا: الأمر يشبه التنبؤ بالطقس. من الصعب التنبؤ بدرجة الحرارة الدقيقة غداً، ولكن من الأسهل التنبؤ بأن "درجة الحرارة ستصبح أدفأ درجتين لأن الشمس طالعة". من خلال التركيز على التغيير بدلاً من الرقم المطلق، يتعلم الذكاء الاصطناعي قواعد عالمية لانتقال الحرارة تعمل في منزل في تكساس تماماً كما تعمل في منزل في فيرمونت.

3. الذاكرة "الثابتة"

يمتلك الذكاء الاصطناعي أيضاً "بطاقة ذاكرة" ينظر إليها قبل إجراء أي تنبؤ. تحتوي هذه البطاقة على الحقائق الدائمة عن المبنى: حجمه، سماكة جدرانه، وعدد نوافذه.

التشبيه: قبل أن تخمن كيف سيتفاعل شخص ما مع وجبة حارة، يجب أن تتحقق أولاً من "بطاقة ملفه الشخصي" لترى ما إذا كان حساساً للحرارة بشكل عام. يتحقق الذكاء الاصطناعي من ملف تعريف المبنى ليعرف ما إذا كان "طباخاً بطيئاً" (جدران سميكة) أو "مسخناً سريعاً" (جدران رقيقة).

4. النتائج: "سحر التنبؤ دون سابق معرفة" (Zero-Shot Magic)

اختبر الفريق هذا النموذج على 247 منزلاً محاكياً عبر ثلاثة مناخات مختلفة تماماً: تكساس الحارة، كاليفورنيا المعتدلة، وفيرمونت الباردة.

اختبار "الصفر معرفة" (Zero-Shot): قاموا بتدريب الذكاء الاصطناعي على منزلين اثنين فقط، ثم طلبوا منه التنبؤ بدرجة حرارة منزل لم يره من قبل.
النتيجة: أدى الذكاء الاصطناعي مهمة مذهلة. لقد كان دقيقاً تقريباً مثل النماذج التي تم تدريبها على 32 منزلاً مختلفاً.
المقارنة: قارنوا "ذكاء الفيزياء" الخاص بهم بذكاء اصطناعي ضخم وعام (يسمى TimesFM) تم تدريبه على ملايين من مجموعات البيانات الزمنية. فشل الذكاء الاصطناعي العام فشلاً ذريعاً في حالة المباني (حيث أخطأ في درجة الحرارة بأكثر من درجتين مئويتين). أما "ذكاء الفيزياء"، بفضل "قواعد الحرارة" الخاصة به، فقد كان أكثر دقة بكثير.

5. العقبة (القيود)

المؤلفون صرحوا بصدق عن حدود عملهم:

إنه محاكاة: لقد اختبروا هذا على منازل مولدة بالحاسوب، وليس مبانٍ حقيقية. المنازل الحقيقية تحتوي على سلوكيات بشرية فوضوية وغير متوقعة (مثل فتح نافذة لأن الشخص يشعر بالحر)، وهو ما قد لا تستطيع المحاكاة استيعابه بالكامل.
هو للمنازل فقط: اختبروا هذا على منازل عائلية مفردة فقط. لم يجربوا بعد تطبيقه على مبانٍ مكتبية ضخمة ذات أنظمة تدفئة معقدة ومتعددة المناطق.
حدود المناخ: اختبروه في ثلاثة مناخات أمريكية. ليس لديهم علم بعد ما إذا كان سيعمل بشكل مثالي في غابة استوائية أو صحراء دون بعض الضبط الإضافي.

الخلاصة

تشير هذه الورقة البحثية إلى أنه لبناء ذكاء اصطناعي "ذكي" حقاً للمباني، لا ينبغي لنا فقط إلقاء المزيد من البيانات على كمبيوتر عام. بدلاً من ذلك، يجب أن نبني عقل الكمبيوتر ليفهم القوانين الأساسية للفيزياء (الحرارة، العزل، التغير بمرور الوقت) منذ البداية. ومن خلال القيام بذلك، يمكن للذكاء الاصطناعي أن يتعلم من كمية ضئيلة من البيانات ويفهم فوراً المباني الجديدة التي لم يقابلها من قبل.

ملخص تقني: نحو نموذج حراري تأسيسي للمباني السكنية

بيان المشكلة
يفتقر مجتمع طاقة المباني حالياً إلى "نموذج حراري تأسيسي" — وهو نموذج واحد مُدرب مسبقاً وقادر على التعميم عبر مختلف أنواع المباني، والمناخات، واستراتيجيات التحكم دون الحاجة إلى معايرة خاصة بكل مبنى. تواجه النهج الحالية عقبات كبيرة: فالنماذج القائمة على الفيزياء تتطلب معايرة مكثفة خاصة بكل مبنى؛ والنماذج القائمة على البيانات غالباً ما تتطلب مجموعات بيانات ضخمة وتتعثر في التعميم؛ كما تعاني نماذج (RC) ذات الصندوق الرمادي من مشكلات عدم الخطية. علاوة على ذلك، تُظهر نماذج السلاسل الزمنية التأسيسية (TSFMs) الحديثة قدرة محدودة على التعميم لمهام طاقة المباني، كما أن حجمها غالباً ما لا يتناسب مع متطلبات زمن استجابة التحكم. السؤال البحثي المركزي هو كيفية بناء نموذج حراري قابل للنقل قادر على التعميم بـ "صفر محاولة" (zero-shot generalization) على مبانٍ غير مرئية.

المنهجية: المحول الفيزيائي (The Physics Transformer)
يقترح المؤلفون "المحول الفيزيائي"، وهو بنية محول (Transformer) من نوع "المفكك فقط" (decoder-only)، مصممة لدمج المعرفة بالمجال مباشرة في الشبكة العصبية بدلاً من الاعتماد فقط على التدريب المسبق الضخم للبيانات. تدمج هذه البنية ثلاثة مبادئ رئيسية مستمدة من الفيزياء:

إثراء المشتقات (Derivative Enrichment): لالتقاط ديناميكيات معدل التغير المتأصلة في انتقال الحرارة بشكل صريح، يقوم النموذج بتعزيز مساحة المدخلات بالمشتقات الزمنية من الدرجة الأولى للمتغيرات المصاحبة. ويتم حساب هذه المشتقات باستخدام مخططات الفرق المركزي من الدرجة الثانية.
التنبؤ بالبواقي القائم على طريقة أويلر (Euler-Based Residual Prediction): بدلاً من التنبؤ بقيم درجات الحرية المطلقة، يتنبأ النموذج بتغير درجة الحرارة ( $\Delta T_t$ ) عند الخطوة الزمنية التالية. هذا الصياغة تعادل تكامل "أويلر الصريح" لمعادلة تفاضلية عادية (ODE). ومن خلال تعلم أنماط الاستجابة الحرارية (على سبيل المثال: "هذا المدخل الحراري يسبب ارتفاعاً بمقدار 0.5 درجة مئوية/ساعة") بدلاً من نطاقات درجات الحرارة المطلقة، يركز النموذج على الديناميكيات العالمية التي تكون أكثر اتساقاً عبر المباني مقارنة بنقاط الضبط (setpoints) المحددة.
إثراء الميزات الثابتة (Static Feature Enrichment): يدمج النموذج الخصائص الثابتة للمبنى (مثل مساحة الأرضية، نسبة العرض إلى الارتفاع، نسبة النوافذ إلى الجدران، قيم المقاومة الحرارية R-values، وكثافة الكسب الداخلي) المستخرجة من نماذج المحاكاة. يتم إسقاط هذه الميزات الثاتبة وإضافتها إلى التمثيل الزمني بعد الترميز، مما يسمح للنموذج بتعديل التنبؤات بناءً على فيزياء المبنى دون الحاجة لتعلم هذه العلاقات من الأنماط الزمنية وحدها.

تستخدم البنية "تضمين الموضع الدوار" (Rotary Position Embedding - RoPE) لترميز التبعيات الزمنية، مما يتيح التعميم لمواقع التسلسل غير المرئية أثناء التدريب. تم تدريب النموذج على مجموعة بيانات (CityLearn)، والتي تتضمن استجابات حرارية محاكات لـ 247 مبنى سكنياً عبر ثلاثة مناطق مناخية (تكساس، كاليفورنيا، فيرمونت) تحت خمس استراتيجيات تحكم مختلفة لأنظمة التدفئة والتهوية وتكييف الهواء (HVAC).

المساهمات الرئيسية

مبادئ البنية القائمة على الفيزياء: يحدد البحث ويتحقق من صحة "إثراء المشتقات" و"التنبؤ بالبواقي القائم على أويلر" كتحيزات استقرائية (inductive biases) تدمج فيزياء انتقال الحرارة في البنى العصبية، مما يتيح التعلم بنقل البيانات بكفاءة.
الأدلة التجريبية على نقل النموذج بـ "صفر محاولة": تقدم الدراسة أول تقييم منهجي لقابلية نقل النموذج الحراري عبر كل من المباني داخل المناخ الواحد وعبر مناطق مناخية مختلفة، مما يثبت نجاح النقل بـ "صفر محاولة" دون الحاجة لضبط دقيق (fine-tuning).
يدحض العمل فكرة أن التدريب المسبقي الضخم والعام كافٍ لمهام طاقة المباني، ويقارن التصميمات المعلوماتية بالفيزياء مع نهج النماذج التأسيسية السائدة (الحجم + البنية العامة).

النتائج
عند تقييمه على مجموعة بيانات (CityLearn)، حقق "المحول الفيزيائي" أداءً فائقاً (state-of-the-art):

الدقة: حقق النموذج خطأ جذر متوسط المربعات (RMSE) لخطوة واحدة قدره 0.30 درجة مئوية في تكساس و0.29 درجة مئوية في فيرمونت، متفوقاً على النماذج المرجعية التقليدية (LSTM, XGBoost) والنماذج التأسيسية للسلاسل الزمنية التي خضعت لضبط دقيق (TimesFM).
كفاءة البيانات: أظهر النموذج كفاءة ملحوظة في العينات؛ حيث أدى التدريب على مبنيين فقط إلى أداء يضاهي نموذج LSTM تم تدريبه على 32 مبنى، مما يمثل انخفاضاً بمقدار 16 ضعفاً في متطلبات البيانات.
النقل بـ "صفر محاولة": أظهرت النماذج المدربة على مجموعة فرعية صغيرة من المباني (مثلاً 2-4 مبانٍ) قدرة فعالة على التعميم لمبانٍ غير مرئية وحتى لمناطق مناخية مختلفة (مثل تطبيق نموذج مدرب في تكساس على فيرمونت) دون أي ضبط دقيق.
المقارنة مع النماذج المرجعية: فشلت النماذج التأسيسية العامة (TimesFM-200M) فشلاً ذريعاً في التنبؤ الحراري للمباني (RMSE > 2 درجة مئوية) دون تكييف خاص بالمجال، بينما نجح النهج القائم على الفيزياء بأقل قدر من البيانات.

الأهمية والادعاءات
يضع المؤلفون هذا العمل كخطوة نحو رؤية النماذج الحرارية التأسيسية، مؤكدين على المبادئ الهيكلية بدلاً من ادعاء تقديم حل عالمي كامل. ويجادلون بأن الديناميكيات الحرارية للمباني تتطلب أن التحيزات الاستقرائية الخاصة بالمجال تتفوق على البنى الضخمة العامة، حتى عندما تخضع الأخيرة لضبط دقيق على بيانات المجال.

يدعي البحث أن دمج فيزياء انتقال الحرارة من خلال إثراء المشتقات والتنبؤ بالبواقي يشكل أساساً ضرورياً لنماذج طاقة المباني العالمية. وتوفر النتائج دليلاً تجريبياً على أن النقل بـ "صفر محاولة" ممكن للديناميكيات الحرارية، مما يقدم إثباتاً لمفهوم (proof-of-concept) لنماذج عالمية، قابلة للنقل، وقابلة للتطبيق العملي.

القيود والنطاق
يتسم المؤلفون بالتواضع فيما يتعلق بنطاق ادعاءاتهم، حيث يقرون بما يلي:

التقييم محدود بالمباني السكنية وحيدة العائلة؛ أما المباني التجارية ذات أنظمة HVAC متعددة المناطق والتحكم المعقد فما زالت غير مختبرة.
تعتمد جميع عمليات التدريب والتقييم على محاكاة (EnergyPlus) بدلاً من البيانات الواقعية، مما يخلق فجوة "من المحاكاة إلى الواقع" (sim-to-real) قد تتطلب تكييفاً مستقبلياً للمجال.
التنوع المناخي محدود بثلاث مناطق أمريكية (حار رطب، بحري، بارد)، مما يستبعد الظروف الاستوائية شديدة الرطوبة، أو القاحلة، أو شبه القطبية.

يخلص البحث إلى أنه بينما تعد هذه المبادئ الهيكلية ضرورية، فإن توسيع نطاقها ليشمل مجموعات أكبر من المباني والتحقق منها باستخدام بيانات واقعية هي الخطوات التالية الضرورية نحو نماذج تأسيسية حقيقية.