تخيل الكون كفيلم سينمائي ضخم وغير مرئي يُعرض على شاشة. في كل مرة تسقط فيها ورقة شجر، أو تبرد فيها فنجان قهوة، أو تتحرك فيها سحابة، فإنها تتبع مجموعة من القواعد الصارمة وغير المرئية المكتوبة بلغة الرياضيات. تُسمى هذه القواعد "المعادلات التفاضلية الجزئية" (PDEs). فكر فيها ككتب وصفات نهائية للفيزياء. إذا كنت تعرف المكونات (مثل درجة حرارة قضيب معدني) وقواعد المطبخ (كيفية انتقال الحرارة)، يمكنك التنبؤ بدقة بشكل الطبق في المستقبل.

لفترة طويلة، حاول العلماء بناء "محاكيات" لمشاهدة هذه الأفلام دون الحاجة فعلياً لإجراء تجارب مكلفة وبطيئة في العالم الحقيقي. لكنهم ظلوا عالقين في مثلث محبط من المشكلات. الطرق الرياضية التقليدية دقيقة للغاية ولكنها تستغرق وقتاً طويلاً جداً للتشغيل، مثل محاولة عد كل حبة رمل على الشاطئ واحدة تلو الأخرى. أما أساليب الذكاء الاصطناعي الأحدث فهي سريعة ولكنها غالباً ما تخطئ في الفيزياء، مثل شخص يخمن بالحظ أحياناً ولكنه يفشل عندما تتغير الظروف. وبالنسبة لـ "نماذج التأسيس" (foundation models) الأحدث، وهي عقول ذكاء اصطناعي ضخمة مدربة على كميات هائلة من البيانات، فهي كبيرة وبطيئة جداً لدرجة أنها غالباً لا تستطيع التفوق على الطرق الرياضية القديمة، رغم وعودها بأن تكون عالمية. السؤال الكبير هو: هل يمكننا بناء محاكي سريع، ودقيق رياضياً، وذكي بما يكفي للتعامل مع أي موقف دون الحاجة لإعادة تدريبه في كل مرة تتغير فيها القواعد؟

هذه الورقة البحثية، التي تحمل عنوان "المشغل العصبي المعمم للمسائل البارامترية وقيم الحدود" (Generalized Neural Operator for Parametric and Boundary-Value Problems)، تقترح طريقة ذكية وجديدة لحل هذا اللغز. يقترح المؤلفون، وهم باحثون من جامعة كاليفورنيا في لوس أنجلوس (UCLA)، أن السبب في فشل نماذج الذكاء الاصطناعي السابقة هو أنها تحاول تخمين قواعد اللعبة بدلاً من أن تُخبر بها. لقد قدموا نظاماً جديداً يسمى المشغل العصبي المعمم (GNO). فبدلاً من مجرد تغذية الذكاء الاصطناعي بالصورة الابتدائية (مثل كوب قهوة ساخن) والأمل في أن يستنتج الباقي، يقوم الـ GNO بتسليم "كتاب القواعد" (البارامترات الفيزيائية المحددة) و"الشروط الحدية" (قواعد الوعاء، مثل ما إذا كان الكوب معزولاً أو مفتوحاً للهواء) إلى الذكاء الاصطناعي بشكل صريح.

وجدت الورقة أنه من خلال إعطاء هذه المدخلات الصريحة للذكاء الاصطناعي، يمكنه تعلم نموذج واحد قوي يعمل عبر العديد من السيناريوهات الفيزيائية المختلفة. اختبروا ذلك على أنواع عدة من المسائل الفيزيائية، بما في ذلك كيفية انتشار الحرارة، وكيفية تدفق السوائل، وكيفية تحرك الأمواج. وتشير النتائج إلى أن هذا النهج الجديد ليس فقط أكثر دقة في التنبؤ بما سيحدث لاحقاً، بل هو أيضاً سريع للغاية؛ حيث يتفوق غالباً على الحلول الرياضية التقليدية في مسائل الحرارة بمرتين، وعلى مسائل تدفق السوائل بأربع مرات، مع الحفاظ على دقة عالية.

معضلة الثلاثية لمحاكي الفيزياء

لفهم سبب أهمية هذا الاختراع الجديد، تخيل أنك تحاول تعليم روبوت الطبخ.

أولاً، لديك الطاهي التقليدي. هذا الروبوت يتبع وصفة صارمة وخطوة بخطوة كتبها عالم رياضيات بشري. هو لا يرتكب أخطاء أبداً، لكنه بطيء للغاية. إذا أردت تغيير الوصفة من "غلي الماء" إلى "قلي بيضة"، عليك إعادة كتابة كود الروبوت بالكامل. إنه جامد ومكلف في التشغيل.

ثانياً، لديك المتدرب الحدسي. هذا الروبوت يتعلم من خلال مشاهدة آلاف فيديوهات الطبخ. هو سريع ويمكنه تخمين الخطوة التالية. لكن العيب هنا هو: إذا طلبت منه طبخ طبق لم يره من قبل، أو إذا غيرت درجة حرارة الموقد قليلاً، فقد يرتبك ويقدم لك وجبة محترقة. هو لا يفهم حقاً "السبب" وراء الطبخ؛ بل قام فقط بحفظ الأنماط.

ثالثاً، لديك المتدرب الخارق. هذا هو نموذج الذكاء الاصطناعي الضخم الذي شاهد كل برامج الطبخ على الإطلاق. من المفترض أن يكون خبيراً في جميع المطابخ. ولكن نظرًا لضخامته، فإنه يستغرق وقتاً طويلاً للتفكير، وغالباً ما يكون بطيئاً مثل الطاهي التقليدي. بالإضافة إلى ذلك، لا يزال يعاني عندما تتغير قواعد المطبخ بطريقة لم يتم تعليمه إياها صراحة.

يجادل مؤلفو هذه الورقة بأن جميع هذه الأساليب عالقة في "معضلة ثلاثية". يمكنك الحصول على السرعة، أو الدقة، أو المرونة، لكن لا يمكنك الحصول على الثلاثة معاً في وقت واحد. الطاهي التقليدي دقيق ولكنه بطيء. المتدرب الحدسي سريع ولكنه غير دقيق في المهام الجديدة. والمتدرب الخارق مرن ولكنه بطيء جداً وغالباً ما يخمن بشكل خاطئ.

المكون السري: التعليمات الصريحة

تقترح الورقة حلاً يسد هذه الفجوات. الفكرة الجوهرية بسيطة ولكنها عميقة: توقف عن تخمين القواعد.

في الفيزياء، تُعرف المسألة بثلاثة أشياء:

1. المعادلة: القانون العام (مثل "الحرارة تنتقل من الساخن إلى البارد").
2. البارامترات (المعلمات): الأرقام المحددة (مثل "هذا المعدن ينقل الحرارة بمعدل 0.5").
3. الحدود: حواف العالم (مثل "الجانب الأيسل مجمد، والجانب الأيمن مفتوح").

حاولت نماذج الذكاء الاصطناعي السابقة تعلم البارامترات والحدود من خلال النظر إلى البيانات، مثل المحقق الذي يحاول استنتاج مسرح الجريمة من خلال النظر فقط إلى الجثث. يجادل المؤلفون بأن هذه فكرة سيئة. إنها تشبه طلب من محقق أن يخمن حالة الطقس أثناء حل جريمة قتل. إنها مسألة "سيئة التحديد" (ill-posed)، مما يعني وجود الكثير من الإجابات الممكنة، وينتهي الأمر بالذكاء الاصطناعي بمجرد تخمين المتوسط، وهو ما يكون خاطئاً في الغالب.

بدلاً من ذلك، يعمل "المشغل العصبي المعمم" كطاهٍ يتسلم بطاقة الوصفة الدقيقة. يتم إخبار الذكاء الاصطناعي صراحة: "اليوم، الانتشار الحراري (سرعة انتقال الحرارة) هو 0.5، والحد هو معزول". من خلال تغذية هذه المعلومات مباشرة في عقل الذكاء الاصطناعي، لا يضطر النموذج لإضاعة الطاقة في التخمين، بل يمكنه التركيز تماماً على حساب النتيجة.

كيف تعمل الآلة: صندوق الأدوات السحري

لجعل هذا يعمل دون إبطاء الكمبيوتر، بنى المؤلفون ثلاث أدوات خاصة في بنية الذكاء الاصطناعي الخاصة بهم:

1. خليط النوى الموجه بالبارامترات (مفتاح الحرباء)
تخيل صندوق أدوات حيث كل أداة هي نوع مختلف من المفكات. إذا كنت تربط مسماراً في أنبوب نحاسي، فأنت بحاجة إلى مفك محدد. إذا كان الأنبوب فولاذياً، فستحتاج إلى مفك آخر. استخدمت نماذج الذكاء الاصطناعي القديمة مفكاً واحداً ضخماً وثقيلاً يحاول العمل على كل شيء، مما أدى إلى ملاءمة سيئة.
النموذج الجديد يحتوي على "مفتاح حرباء". عندما يرى الذكاء الاصطناعي البارامتر (مثل "رقم رينولدز 500")، فإنه يختار فوراً "النواة" المثالية (الأداة الرياضية المحددة) لهذا العمل. هو لا يستخدم كل الأدوات في وقت واحد؛ بل يختار الأداة التي تناسب النظام الفيزيائي الحالي. وهذا يسمح له بالتعامل مع كل شيء، من التدفق الهادئ (laminar flow) إلى التدفق المضطرب (turbulent flow) دون ارتباك.

2. مؤثر نقل الحدود المعمم (المترجم العالمي)
تأتي المسائل الفيزيائية بأنواع مختلفة من الحدود. أحياناً يكون الحرف ثابتاً عند درجة حرارة معينة (Dirichlet). وأحياناً يكون تدفق الحرارة ثابتاً (Neumann). وأحياناً تلتف الحواف حول نفسها مثل عوالم ألعاب الفيديو (Periodic).
عانت النماذج القديمة من التعامل مع كل هذه الأنواع المختلفة في آن واحد. يتضمن النموذج الجديد "مترجماً" يأخذ أي نوع من الشروط الحدية ويحولها إلى لغة واحدة عالمية (تمثيل Dirichlet كامن). بهذه الطريقة، يتعين على العقل الرئيسي للذكاء الاصطناعي تعلم نوع واحد فقط من الحدود، مما يجعله أكثر ذكاءً وعموماً.

3. هدف التدريب القوي (مدرب العدالة)
عند تدريب الذكاء الاصطناعي، من السهل أن تصبح جيداً في المسائل السهلة وسيئاً في المسائل الصعبة. استخدم المؤلفون طريقة تدريب خاصة تسمى "التحسين المتين لتوزيع المجموعات" (Group Distributionally Robust Optimization). فكر في هذا كمدرب يرفض السماح للطالب بالراحة حتى يتمكن من حل أصعب المسائل بنفس جودة المسائل السهلة. هذا يضمن أن النموذج لا يحصل فقط على "متوسط" درجة، بل يكون موثوقاً عبر كامل نطاق الاحتمالات.

النتائج: سريع، دقيق، وجاهز لكل شيء

اختبر المؤلفون "المشغل العصبي المعمم" الخاص بهم على عدة مسائل فيزيائية كلاسيكية:

• معادلة الحرارة: كيفية انتشار الحرارة عبر مادة ما.
• معادلة الحمل (Advection Equation): كيفية تحرك مادة (مثل الدخان) مع الرياح.
• معادلة بورغرز (Burgers Equation): نموذج مبسط لتدفق السوائل وموجات الصدمة.
• معادلات نافيير-ستوكس غير القابلة للانضغاط: الرياضيات المعقدة وراء تدفق المياه والهواء (تستخدم للأرصاد الجوية والديناميكا الهوائية).

في هذه الاختبارات، تفوق النموذج الجديد باستمرار على المنافسين.

• الدقة: ارتكب أخطاءً أقل بكثير من نماذج الذكاء الاصطناعي الأخرى، خاصة عندما تغيرت البارامترات الفيزيائية. على سبيل المثال، في اختبارات نافيير-ستوكس، حقق معدل خطأ يبلغ حوالي $5.23 \times 10^{-5}$، وهو منخفض للغاية مقارنة بالنماذج الأخرى التي عانت من أخطاء في نطاق $10^{-2}$ أو أعلى.
• السرعة: هنا تظهر المعجزة. قارن المؤلفون نموذجهم بالمحاكيات العددية التقليدية ("الطاهي التقليدي"). للحصول على نفس المستوى من الدقة، اضطر المحلل التقليدي للعمل بدقة منخفضة (تبسيط الرياضيات)، وهي طريقة عادلة للمقارنة من حيث السرعة. وحتى مع هذا التسهيل، كان نموذج الذكاء الاصطناعي الجديد أسرع بنحو مرتين لمسائل الحرارة وأربع مرات لمسائل الحمل.
• التعميم: استطاع النموذج التعامل مع تغييرات لم يسبق له رؤيتها. سواء كانت الحدود درجة حرارة ثابتة، أو تدفقاً ثابتاً، أو حلقة متكررة، فقد تكيف النموذج فوراً دون الحاجة لإعادة التدريب.

لماذا يهم هذا الأمر

تشير الورقة إلى أن عصر "تخمين" الفيزياء باستخدام الذكاء الاصطناعي قد يقترب من نهايته. من خلال إخبار الذكاء الاصطناعي بقواعد اللعبة صراحة، يمكننا بناء محاكيات سريعة وموثوقة. هذا ليس مجرد فوز نظري؛ بل يعني أننا قد نتمكن في النهاية من محاكاة أنماط الطقس المعقدة، أو تصميم طائرات أفضل، أو نمذجة تدفق الدم في جسم الإنسان بشكل أسرع بكثير مما يمكننا فعله اليوم، دون التضحية بالدقة.

يشير المؤلفون بحذر إلى أنه بينما تعد نتائجهم واعدة، إلا أنها تعتمد على مجموعات بيانات ومحاكاة محددة. كما يقرون بأن إنشاء "نموذج تأسيس" واحد يحل كل مشكلة فيزيائية في الكون لا يزال تحدياً هائلاً، وأن المعايير الحالية لتنوع الشروط الحدية لا تزال شحيحة. ومع ذلك، فإن عملهم يقدم دليلاً قوياً على المفهوم: إذا أعطيت الذكاء الاصطناعي التعليمات الصحيحة، فيمكنه أن يتعلم ليكون خبيراً في الفيزياء، وليس مجرد مخمن.

في النهاية، يشبه "المشغل العصبي المعمم" إعطاء طالب فائق الذكاء الكتاب المدرسي، وأرقام المسائل المحددة، وقواعد الامتحان معاً. بدلاً من محاولة حفظ الإجابات، يتعلم الطالب الطريقة، مما يسمح له بحل أي مسألة تُلقى عليه، بسرعة وبشكل صحيح.