Latent PDE mapping for efficient physics-informed learning across geometries with limited data

تخيل أنك تحاول تعليم روبوت كيف يتنبأ بحركة تموج عبر بركة ماء. إذا كانت البركة على شكل مربع مثالي، فسيتعلم الروبوت القواعد بسرعة. ولكن ماذا لو كانت البركة ذات شكل متذبذب، يتمدد ويتلوى ويتغير في كل مرة تنظر إليها؟ هذا هو الصراع اليومي الذي يواجهه العلماء أثناء محاولتهم استخدام الذكاء الاصطناعي لحل مشكلات الفيزياء. هذه المشكلات محكومة بقواعد رياضية معقدة تسمى المعادلات التفاضلية الجزئية (PDEs)، والتي تعمل بمثابة "قوانين الطبيعة" لأشياء مثل تدفق السوائل، أو الحرارة، أو الكهرباء. عادةً، لتدريب ذكاء اصطناعي على حل هذه القوانين لشكل معين، تحتاج إلى كمية هائلة من البيانات. ولكن في العالم الحقيقي — مثل تصميم جناح طائرة جديدة أو محاكاة قلب مريض فريد — يكون الحصول على هذا القدر من البيانات مستحيلاً، أو مكلفاً، أو يستغرق وقتاً طويلاً جداً. لقد ظل العلماء عالقين: إما يستخدمون أشكالاً بسيطة حيث يعمل الذكاء الاصطناعي بشكل جيد، أو يحاولون معالجة أشكال معقدة ومتغيرة مما يجعل الذكاء الاصطناعي يرتبك، مما يتطلب منهم إعادة تدريب النظام بالكامل في كل مرة يتغير فيها الشكل.

يقدم هذا البحث حيلة ذكية تسمى "رسم خرائط المعادلات التفاضلية الجزئية الكامنة" (Latent PDE Mapping) لحل هذا اللغز. فكر في الأمر كأنك تعطي الذكاء الاصطناعي مترجماً عالمياً. بدلاً من محاولة تعلم فيزياء كل شكل غريب ومتذبذب بشكل مباشر، يقوم الذكاء الاصطناعي أولاً بترجمة المشكلة إلى "شكل قالب" بسيط ومعياري (مثل مربع أو مكعب مثالي). يقوم بحل الفيزياء هناك، حيث يكون الأمر سهلاً، ثم يترجم الإجابة مرة أخرى إلى الشكل الغريب. اختبر المؤلفون ذلك على قلب بشري، حيث قاموا بمحاكاة كيفية انتقال الموجات الكهربائية عبر أنسجة القلب — وهي مهمة صعبة للغاية لأن الموجات تتحرك بسرعة، وتغير اتجاهها، والقلب نفسه عضو ثلاثي الأبعاد ومعقد يختلف من شخص لآخر. ووجدوا أنه باستخدام طريقة "الترجمة" هذه، استطاع الذكاء الاصطناعي التعلم من خمسة عشر شكلاً مختلفاً للقلب فقط، ثم التنبؤ بدقة بما سيحدث في أشكال قلوب جديدة تماماً لم يسبق له رؤيتها. وبدون هذه الحيلة، عانى الذكاء الاصطناعي بشدة، خاصة عندما كان القلب يدور أو يلتوي. تشير الدراسة إلى أن هذه الطريقة تعمل كقوة خارقة للذكاء الاصطناعي، مما يسمح له بتعميم معرفته عبر هندسات مختلفة ببيانات قليلة جداً، مما يجعلها أداة واعدة لمحاكاة الهندسة والطب في المستقبل.

قصة القلب المتغير في الشكل

تخيل أنك محقق تحاول حل لغز: كيف تسابق موجة كهربائية عبر قلب؟ في العالم الحقيقي، كل قلب مختلف؛ بعضها مستدير، وبعضها طويل، وبعضها ملتوي مثل قطعة "البريتزل". لمحاكاة هذا على الكمبيوتر، يستخدم العلماء مجموعة من القواعد الصارمة (معادلات أليف-بانفيلوف) التي تصف كيفية انتقال الكهرباء عبر الأنسجة. ولكن إليك المشكلة: إذا غيرت شكل القلب ولو قليلاً، تتغير الرياضيات تماماً.

تقليدياً، إذا أردت من محقق الذكاء الاصطناعي الخاص بك حل اللغز لقلب ملتوٍ، فسيتعين عليك تغذيته بآلاف الأمثلة للقلوب الملتوية. ولكن ماذا لو كان لديك خمسة عشر مثالاً فقط؟ هذه هي مشكلة "البيانات المحدودة". عادة ما يرتبك الذكاء الاصطناعي، ويحاول حفظ الشكل المحدد بدلاً من تعلم القواعد الفعلية للعبة. الأمر يشبه محاولة تعلم القيادة من خلال التدرب فقط في موقف للسيارات؛ عندما تصل إلى طريق جبلي متعرج، لن تملك أدنى فكرة عما يجب فعله.

الخدعة السحرية: القالب العالمي

ابتكر مؤلفو هذا البحث حلاً بديلاً عبقرياً. أدركوا أنه بدلاً من إجبار الذكاء الاصطناعي على تعلم فيزياء كل شكل غريب، يمكنهم "سحب" المشكلة إلى قالب محدد مسبقاً ومعياري. لنطلق على هذا القالب اسم "الهندسة الكامنة".

تخيل أن لديك قطعة من الطين بشكل غريب ومتكتل (القلب الحقيقي). تريد معرفة كيفية تدفق الكهرباء من خلالها. بدلاً من حساب التدفق على الطين المتكتل مباشرة، تخيل خريطة سحرية تقوم بتسطيح ذلك الطين المتكتل وتحويله إلى مكعب مثالي وناعم (الهندسة الكامنة). تقوم بحل مشكلة الفيزياء على المكعب المثالي، حيث تكون الرياضيات لطيفة وسهلة. ثم تستخدم "تدرج تشوه" خاص (فكر فيه كقطعة من المطاط المرن) لتعيين إجابتك مرة أخرى على الطين المتكتل.

عبقرية هذا البحث تكمن في أنهم لم يكتفوا برسم خريطة للشكل فحسب؛ بل رسموا خريطة لـ "قوانين الفيزياء" نفسها. لقد أظهروا أنه من خلال ترجمة المعادلات إلى عالم القالب هذا، يمكن للذكاء الاصطناعي تعلم القواعد الحقيقية للعبة دون أن يتشتت بالغرابة الناتجة عن الشكل. وهذا يسمح للذكاء الاصطناعي بحساب "تدرجات الشكل" — وهي طريقة معقدة للقول بأنه يفهم بالضبط كيف يتغير الحل عندما يتغير الشكل. وبدون ذلك، كان الذكاء الاصطناعي يفتقد جزءاً كبيراً من المعلومات، مثل محاولة قيادة سيارة وأنت معصوب العينين عن المنعطفات.

اختبار القلب: الالتواءات، المنعطفات، والمفاجآت

لاختبار هذه الفكرة، قام الباحثون بمحاكاة النشاط الكهربائي للقلب باستخدام نموذج حاسوبي. وقد أنشأوا نوعين من أشكال القلب:

1. المجموعة "الداخلية": وهي الأشكال التي رآها الذكاء الاصطناعي أثناء التدريب.
2. المجموعة "الخارجية": وهي أشكال جديدة تماماً لم يسبق للذكاء الاصطناعي مواجهتها، صُممت لاختبار قدرته على التعميم.

وقد اختبروا أربعة أنواع من تغيرات الشكل:

• التمدد (Expansion): زيادة حجم القلب أو نقصانه.
• القص (Shearing): انضغاط القلب جانبياً.
• اللانمطية (Nonlinear): جعل القلب متذبذباً ومنحنياً.
• الدوران (Rotation): دوران القلب حول محوره.

كانت النتائج مذهلة. عندما كان القلب يتمدد أو ينضغط قليلاً، كان أداء الذكاء الاصطناعي جيداً حتى بدون الخدعة السحرية. ولكن عندما كان القلب يدور أو يلتوي بطرق معقدة، كان الفرق هائلاً.

بدون "رسم خرائط المعادلات التفاضلية الجزئية الكامنة"، كانت تنبؤات الذكاء الاصطناعي كارثية. فقد أنتج حلولاً لا تشبه الفيزياء الحقيقية على الإطلاق، وغالباً ما أظهرت الموجة الكهربائية وهي تتعثر أو تتحرك في الاتجاه الخاطئ. كان الأمر يبدو وكأن الذكاء الاصطناعي يخمن بشكل عشوائي.

أما مع استخدام "رسم خرائط المعادلات التفاضلية الجزئية الكامنة"، فقد أصبح الذكاء الاصطناعي محترفاً. في الأشكال الأكثر صعوبة (الدوارة)، قللت الطريقة الجديدة نسبة الخطأ بمقدار 4 إلى 6 أضعاف. وباللغة البسيطة، أصبحت تنبؤات الذكاء الاصطناعي أكثر دقة بـ 4 إلى 6 مرات. كانت الموجات الكهربائية التي تنبأ بها تبدو مطابقة تقريباً لـ "الحقيقة الأرضية" (المحاكاة الحاسوبية المثالية)، مع الحفاظ على النمط الصحيح لحركة الموجة عبر القلب.

لماذا يهم هذا (وما لا يهم)

يشير المؤلفون بحذر إلى أن هذه ليست عصا سحرية تصلح كل شيء فوراً. تعمل هذه الطريقة بشكل أفضل عندما تسبب تغيرات الشكل تحولات كبيرة ودراماتيكية في كيفية سلوك الفيزياء — مثل عندما يغير الدوران اتجاه ألياف عضلة القلب. إذا كان تغير الشكل صغيراً وبسيطاً، يمكن للذكاء الاصطناعي أحياناً الاكتفاء بالطرق القديمة.

أيضاً، هناك تكلفة بسيطة. لضبط هذه "الخريطة السحرية"، يجب على الكمبيوتر إجراء بعض العمليات الحسابية الإضافية قبل بدء التدريب. يستغرق الأمر بضع ثوانٍ لحساب الخريطة المرنة لكل شكل. ومع ذلك، بمجرد تدريب الذكاء الاصطناعي، فإن استخدامه لإجراء التنبؤات يكون بنفس سرعة الطرق القديمة. العمل الإضافي هو رسوم إعداد لمرة واحدة، وليس تباطؤاً في كل عملية تنبؤ.

تشير الدراسة إلى أن هذا النهج هو أداة جديدة قوية لـ "التعلم الآلي المستند إلى الفيزياء". فهو يسمح للعلماء ببناء نماذج قوية وقابلة للتعميم، حتى عندما يمتلكون كمية ضئيلة جداً من البيانات. وبينما ركز البحث على كهرباء القلب، يلمح المؤلفون إلى أن فكرة "القالب" هذه يمكن أن تعمل في مشاكل معقدة أخرى، مثل تصميم أجنحة الطائرات أو فهم كيفية تدفق الدم عبر الشرايين المختلفة.

في النهاية، يظهر هذا البحث أنه من خلال تعليم الذكاء الاصطناعي رؤية العالم من خلال عدسة معيارية، يمكننا مساعدته على فهم الواقع الفيزيائي المتغير والفوضوي بعدد أقل بكثير من الأمثلة مما كنا نعتقد. إنها خطوة نحو جعل الذكاء الاصطناعي لا يكتفي بحفظ البيانات، بل يفهم حقاً قواعد اللعبة، بغض النظر عن شكل اللوحة.