تخيل أنك محقق يحاول تحديد هوية سائل غامض يتدفق عبر أنبوب صغير غير مرئي. لا يمكنك رؤية السائل، ولا يمكنك تذوقه. كل ما تملكه هو مستشعران خاصان: أحدهما يشعر بمدى ثقل السائل أثناء اندفاعه (مثل ميزان لتدفق المياه)، والآخر يشعر بمدى صعوبة دفع السائل (مثل الشعور بمقاومة العسل مقابل الماء). هذا هو عالم الموائع الدقيقة (microfluidics)، وهو مجال يستخدم فيه العلماء والمهندسون كميات ضئيلة من السوائل لكل شيء، بدءًا من الاختبارات الطبية وصولًا إلى المراقبة البيئية. التحدي؟ هذه السوائل تتصرف بشكل مختلف اعتمادًا على سرعة تدفقها، أو درجة حرارتها، أو مقدار الضغط الذي يدفعها. غالبًا ما ترتبك برامج الكمبيوتر التقليدية بسبب هذه التغييرات، وتتصرف مثل طالب حفظ الإجابات لاختبار محدد، لكنه يفشل عندما تتغير الأسئلة قليلًا. فهي تعامل إشارات المستشعرات كمجرد أرقام عشوائية، متجاهلة "قواعد الطريق" الخفية التي تستخدمها الفيزياء لتنظيم حركة السوائل.

إليك PRIMS، وهو نوع جديد من البرامج الذكية المصممة لحل هذا اللغز. فكر في PRIMS ليس كروبوت يحفظ البيانات بشكل أعمى، بل كمحقق يفهم قوانين الفيزياء بالفعل. بينما قد تنظر البرامج الأخرى إلى الأرقام الخام وتخمن، فقد تم بناء PRIMS بـ "عقل فيزيائي" مدمج. فهو يعلم أنه إذا أصبح السائل أكثر لزوجة، فإن الضغط يتغير بطريقة معينة، وإذا أصبح السقل أثقل، فإن اهتزاز المستشعر يتغير بطريقة أخرى. ومن خلال دمج هذه القواعد الفيزيائية مباشرة في عقله، يمكن لـ PRIMS معرفة ماهية السائل، حتى لو كان يتدفق بسرعة أو درجة حرارة لم يسبق له رؤيتها من قبل. وقد وجد الباحثون أن هذا النهج ليس فقط أذكى، بل هو أيضًا أصغر وأسرع بكثير من البرامج الضخمة والمعقدة المستخدمة حاليًا، مما يجعله مثاليًا للأجهزة الصغيرة التي تحتاج للعمل أثناء التنقل.

المشكلة: عندما تتعثر الحواسيب الذكية

لسنوات، حاول العلماء استخدام تعلم الآلة (برامج الكمبيوتر التي تتعلم من الأمثلة) لتحديد السوائل. تخيل أنك تعرض على كمبيوتر ألف صورة للماء، وألف للزيت، وألف للكحول، وتطلب منه تعلم الفرق بينهم. هذا يعمل جيدًا إذا ظلت الظروف ثابتة. ولكن في العالم الحقيقي، تتغير الأشياء. إذا ارتفت درجة الحرارة، أو تدفق السائل بشكل أسرع، ترسل المستشعرات إشارات مختلفة. البرامج القياسية، التي تعامل هذه الإشارات كمجرد "بيانات"، غالبًا ما ترتبك. قد تعتقد أن كوبًا من الماء يتدفق بسرعة هو في الواقع زيت لأن الأرقام تبدو متشابهة، رغم أن الفيزياء مختلفة تمامًا.

يجادل الباحثون بأن هذه البرامج تفتقد للجوهر؛ فهي تتجاهل العلاقات الفيزيائية التي تربط بين المستشعرات. على سبيل المثال، هناك قاعدة شهيرة في الفيزياء (تسمى قانون هاجن-بوازوي) تربط بين سرعة حركة السائل، ومدى سماكته، ومقدار الضغط المطلوب لدفعه عبر أنبوب. البرامج القديمة تتجاهل هذه القاعدة وتحاول تخمين الإجابة بناءً على الأنماط في البيانات فقط. ويشير البحث إلى أن هذا هو سبب فشلها عندما تتغير الظروف: فهي لم تتعلم القواعد، بل اكتفت بحفظ الأمثلة.

الحل: PRIMS، المحقق الخبير بالفيزياء

لإصلاح ذلك، ابتكر الفريق PRIMS (التمثيل الموجه بالفيزياء لتحديد السوائل). بدلاً من تغذية بيانات المستشعر الخام مباشرة في عقل ضخم وعام، يقوم PRIMS بتفكيك العملية إلى ثلاث خطوات ذكية، كل منها مصمم لاحترام قوانين الفيزياء.

1. المترجم (الترميز القائم على الفيزياء)
أولاً، يعمل PRIMS كمترجم. إشارات المستشعرات الخام هي موجات كهربائية فوضوية. لا يبتلعها PRIMS كما هي؛ بل يترجمها إلى "رموز" ذات معنى فيزيائي. ينظر إلى مستشعر كوريوليس (الذي يقيس الوزن والكثافة) ومستشفر الضغط، ويسأل: "ما هي الخاصية الفيزيائية التي تمثلها هذه الموجة؟" إنه يحول البيانات الفوضوية إلى مفاهيم نظيفة وذات معنى مثل "تدفق الكتلة" و"انخفاض الضغط". الأمر يشبه أخذ مجموعة فوضوية من النوتات الموسيتية وتنظيمها في لحن واضح يحكي قصة عن سلوك السائل.

2. المُركِّب (مُركِّب المكونات الفيزيائية)
بعد ذلك، يستخدم PRIMS وحدة خاصة لتحديد لزوجة السائل (مدى سماكته أو لزوجته). في العالم الحقيقي، اللزوجة هي الرابط بين سرعة حركة السائل ومقدار الضغط المطلوب لدفعه. يستخدم PRIMS تقنية تسمى "الانتباه المتقاطع" (cross-attention) للسماح لجزء "الضغط" من البيانات بالتواصل مع جزء "التدفق". تخيل محققين يتبادلان الأدلة: أحدهما يقول: "الضغط مرتفع"، والآخر يقول: "التدفق بطيء". معًا، يستنتجان: "آه، لا بد أن هذا سائل سميك ولزج!". تضمن هذه الخطوة أن الكمبيوتر لا يخمن فحسب، بل يحسب العلاقة بين المتغيرات تمامًا كما يفعل عالم الفيزياء.

3. الدمج (الدمج الموجه بالفيزياء)
أخيرًا، يجمع PRIMS كل هذه الأدلة معًا. يأخذ الإشارات المترجمة واللزوجة المحسوبة ويمزجها باستخدام آلية "الانتباه الذاتي" (self-attention). يسمح هذا للنموذج بوزن أهمية كل دليل لتحديد السائل بدقة. الأمر يشبه قاضٍ يستمع إلى جميع الأدلة قبل إصدار حكم نهائي. ولأن الأدلة بُنيت على القوانين الفيزيائية، فإن الحكم يكون أكثر موثوقية، حتى لو كانت القضية صعبة.

النتائج: أذكى، أصغر، وأقوى

اختبر الباحثون PRIMS على خمسة سوائل مختلفة: النيتروجين (غاز)، الماء، الأيزوبروبانول، الإيثانول، والأسيتون. وضعوا هذه السوائل في اختبار شاق من الظروف المتغيرة، بما في ذلك درجات الحرارة والضغط وسرعات التدفق المختلفة.

كانت النتائج مبهرة. حقق PRIMS متوسط درجة دقة (F1-score) بلغت 98.92%. ولوضع ذلك في السياق، فإن أفضل النماذج الحاسوبية "المتطورة" السابقة (مثل iTransformer) حققت حوالي 97.37%. لكن السحر الحقيقي يكمن في الحجم. النماذج الضخمة التي اقتربت من دقة PRIMS كانت ضخمة جدًا، حيث تحتوي على حوالي 6.5 مليون معلمة (تخيلها كعدد الروابط في عقل الكمبيوتر). ومع ذلك، حقق PRIMS ذلك بـ 0.46 مليون معلمة فقط. هذا يمثل انخفاضًا بمقدار 14 مرة في الحجم!

هذا الأمر مهم لأن النماذج الأصغر يمكنها العمل على أجهزة صغيرة تعمل بالبطارية (مثل رقائق الموائع الدقيقة المستخدمة في المستشفيات أو المستشعرات البيئية) دون الحاجة إلى خادم كمبيوتر ضخم. PRIMS ليس دقيقًا فحما، بل هو فعال أيضًا.

لماذا يهم الأمر: التعلم من القواعد، وليس مج من الأمثلة فقط

الجزء الأكثر إثارة في البحث هو كيف يتعامل PRIMS مع اختبارات "خارج التوزيع" (out-of-distribution). وهي طريقة تقنية لقول: "ماذا يحدث إذا اختبرناه على درجة حرارة أو سرعة تدفق لم يسبق له رؤيتها من قبل؟"

عندما اختبر الباحثون النماذج في درجات حرارة لم يتم تدريبها عليها، بدأت النماذج القديمة في الانهيار. على سبيل المثال، عند درجة حرارة معينة، قد تنخفض دقة نموذج منافس بشكل كبير لأنه لم يرَ هذا المزيج المحدد من الأرقام من قبل. أما PRIMS، فقد ظل قويًا. ولأنه تعلم القواعد الفيزيائية الأساسية (مثل كيفية تغير اللزوجة مع درجة الحرارة)، فقد استطاع التكيف مع المواقف الجديدة دون الحاجة إلى إعادة تدريب. يشير البحث إلى أنه من خلال دمج هذه العلاقات الفيزيائية مباشرة في البنية، يتعلم النموذج أن يكون "مستقلاً عن البيئة".

كما نظر الباحثون في "عقل" النموذج لمعرفة ما كان يتعلمه. ووجدوا أن الجزء المسؤول عن "اللزوجة الديناميكية" في PRIMS أنشأ مجموعات واضحة ومتميزة لكل سائل، تمامًا مثل فرز الكرات الملونة حسب لونها. وهذا يؤكد أن النموذج لم يكن يحفظ فحسب، بل كان يتعلم بالفعل الاختلافات الفيزيائية بين السوائل.

الخلاصة

يظهر PRIMS أنه عندما تعلم الكمبيوتر قواعد الفيزياء، فإنه يصبح محققًا أفضل بكثير. فهو لا يحفظ الماضي فحسب، بل يفهم الحاضر ويمكنه التنبؤ بالمستقبل، حتى في الظروف التي لم يسبق له رؤيتها. ومن خلال الجمع بين التعلم العميق وقوانين ميكانيكا الموائع الخالدة، ابتكر المؤلفون أداة ليست دقيقة فحسب، بل هي أيضًا صغيرة بما يكفي لتناسب الرقائق الدقيقة للمستقبل. وبينما يشير البحث إلى أنه يركز حاليًا على التدفقات البسيطة والناعمة (التدفق الطبقي) ويمكن تحسينه بإضافة المزيد من القيود الفيزيائية، إلا أن النتائج تشير إلى اتجاه جديد وقوي: بناء ذكاء اصطناعي يحترم قوانين الطبيعة.