Atmospheric Diffusion-Guided Spatio-Temporal Transformer for Nuclear Radiation Forecasting

تخيل الأرض كأنها محيط هائل وغير مرئي من الهواء، يتلاطم باستمرار بالرياح، ودرجات الحرارة، والرطوبة. أحياناً، يحمل هذا المحيط شيئاً لا يمكننا رؤيته ولكن يمكننا الشعور به: الإشعاع. إنه الطاقة المنبعثة عندما تتفكك الذرات، وهي عملية طبيعية تحدث في كل مكان، لكنها تصبح خطيرة عندما تزداد حدتها بالقرب من محطات الطاقة النووية. فكر في الإشعاع مثل قطرة حبر في نهر؛ بمجرد دخولها الماء، لا تظل ساكنة في مكانها. الرياح تدفعها، والمطر يغسلها للأسفل، والحرارة تجعلها تتدفق وتدور. لعقود من الزمن، حاول العلماء التنبؤ بمكان ذهاب هذا "الحبر" تالياً. إنهم يستخدمون نماذج حاسوبية ضخمة تحاول محاكاة فيزياء الرياح، أو ينظرون إلى البيانات الماضية لتخمين المستقبل. لكن هناك عقبة: أجهزة الاستشعار التي تقيس هذا الإشعاع ليست موزعة بانتظام مثل الشبكة على الخريطة، بل هي متجمعة بكثافة حول الأماكن التي نخشاها أكثر، مما يترك مساحات شاسعة فارغة بينها. الأمر يشبه محاولة التنبؤ بالطقس لبلد بأكم، باستخدام عدد قليل فقط من موازين الحرارة المثبتة في وسط مدينة، بينما تظل الأرياف لغزاً غامضاً.

هذا هو اللغز الذي واجهه "تينغفي لو"، و"جيندونغ هان"، و"هاو ليو" في بحثهم الجديد. لقد أرادوا بناء "متنبئ طقس" أفضل للإشعاع يعمل عبر دولة بأكملة، حتى عندما تكون أجهزة الاستشعار فوضوية وموزعة بشكل غير متساوٍ. وأدركوا أن الطرق القديمة كانت تفشل لأنها تعاملت مع البيانات كمجرد قائمة بسيطة من الأرقام أو افترضت أن أجهزة الاستشافة موزعة بمسافات مثالية. لذا، ابتكروا نموذج ذكاء اصطناعي جديداً يسمى NRFormer+. فكر في هذا النموذج كأنه محقق فائق الذكاء لا يكتفي فقط بالنظر إلى الأرقام، بل يفهم أيضاً "قواعد اللعبة" التي تمارسها الطبيعة. إنه يعلم أن الرياح تدفع الإشعاع في اتجاهات محددة، وأن الحرارة تغير كيفية اختلاطه، وأن أجهزة الاستشعار في المدن المزدحمة ترى أشياءً مختلفة عن تلك الموجودة في الجبال المنعزلة. ومن خلال الجمع بين عقل ذكاء اصطناعي قوي وهذه القواعد الفيزيائية، بنوا نظاماً يمكنه التنبؤ بمستويات الإشعاع بدقة أكبر بكثير من الطرق السابقة، خاصة عند حدوث طفرات مفاجئة وخطيرة.

المشكلة: خريطة فوضوية وهدف متغير

بدأ الباحثون بالنظر إلى البيانات من اليابان، وهي دولة تمتلك آلاف أجهزة استشعار الإشعاع. ووجدوا ثلاث مشكلات كبيرة جعلت التنبؤ صعباً للغاية.

أولاً، البيانات غير مستقرة (non-stationary). وباللغة البسيطة، هذا يعني أن القواعد تتغير باستمرار. مستويات الإشعاع ليست مجرد ضجيج عشوائي؛ بل تشكلها عوامل مثل التحلل البطيء للمواد المشعة (الذي يحدث على مدى عقود)، والتغيرات المفاجئة في كيفية تشغيل محطات الطاقة، والطقس. إنه يشبه محاولة تعلم قواعد لعبة حيث تتحرك أعمدة المرمى في كل مرة ترمش فيها بعينك. معظم نماذج الذكاء الاصطناعي تفترض أن الماضي يشبه المستقبل، لكن هنا، فإن "متوسط" مستوى الإشعاع ينخفض ببطء بمرور الوقت مع وجود قفزات مفاجئة وغير متوقعة.

ثانياً، أجهزة الاستشعار غير متوازنة بشدة. إذا نظرت إلى خريطة أجهزة الاستشعار في اليابان، سترى تجمعاً هائلاً بالقرب من منطقة فوكوشيما (حيث وقع حادث عام 2011) وعدد قليل جداً من الأجهزة في أما_ن أخرى. حوالي 78% من أجهزة الاستشعار محشورة في أقل من 6% من مساحة الأرض. النماذج القياسية للذكاء الاصطناعي التي تحاول ربط أجهزة الاستشعار كشبكة عادة ما تفشل هنا؛ فهي تصاب بـ "الارتباك" في المناطق المزدحمة، مما يؤدي إلى تسوية التفاصيل المهمة، بينما تتجاهل المناطق المتناثرة حيث لا تملك أي بيانات للعمل بها. الأمر يشبه محاولة رسم خريطة لمدينة باستخدام شوارع المنطقة المركزية فقط، ثم التخمين فيما يخص الضواحي.

ثالثاً، الإشعاع لا يسافر وحيداً؛ بل يتطور بالتزامن مع الطقس. تعمل الرياح، ودرجة الحرارة، والرطوبة مثل السائق والمكابح للإشعاع. لكن هذه العلاقة معقدة؛ فالرياح لا تدفع الإشعاع فوراً، بل يستغرق الأمر وقتاً لينتقل هذا "الحبر". كما أن الرياح القوية تغير طريقة انتشار الإشعاع، مما يجعله يتحرك في اتجاه واحد بدلاً من الانتشار بانتظام. غالباً ما تجاهلت النماذج القديمة هذه القواعد الفيزيائية أو عاملت بيانات الطقس كمجرد قائمة أخرى من الأرقام، مما أدى لفقدان الارتباط العميق بين الرياح والإشعاع.

الحل: NRFormer+

لحل هذه المشكلات، بنى الفريق NRFormer+، وهو نوع جديد من نماذج الذكاء الاصطناعي يعمل كمسافر عبر الزمن مدرك للفيزياء. فبدلاً من مجرد حفظ الأنماط، يتعلم النموذج "قوانين الفيزياء" التي تحكم حركة الإشعاع.

1. "انتباه" السفر عبر الزمن (Time-Travel Attention)
للتعامل مع القواعد المتغيرة (عدم الاستقرار)، يستخدم النموذج آلية "انتباه" خاصة. تخيل أنك تقرأ كتاباً يتغير فيه حجم الخط ونمطه في كل صفحة؛ القارئ العادي قد يرتبك، لكن هذا النموذج لديه عدسة خاصة تقوم بتوحيد النص، مما يجعله قابلاً للقراءة بغض النظر عن التغييرات. ينظر النموذج إلى التاريخ القريب لكل جهاز استشعار، ويعدل المسارات وفقاً للاتجاهات البطيئة (مثل التحلل الإشعاعي)، ويركز على التغيرات المفاجئة والهامة. وهذا يسمح له بالبقاء حاد التركيز حتى عندما تتصرف البيانات بشكل غريب.

2. "الخريطة الذكية" (Smart Map Attention)
لإصلاح خريطة أجهزة الاستشافة الفوضوية، يستخدم النموذج نهجاً "متكيفاً مع الكثافة". فبدلاً من إجبار كل جهاز استشعار على التواصل مع جيرانه بنفس الطريقة، يتعلم النموذج أن يكون مرناً. في المناطق المزدحمة، يعرف كيف يتجنب طمس التفاصيل، وفي المناطق المتناثرة، يبحث في نطاق أوسع للعثور على المعلومات ذات الصلة. إنه يشبه المحقق الذي يعرف أنه في مدينة مزدحمة، تحتاج للاستماع إلى الشخص المحدد بجانبك، ولكن في قرية هادئة، قد تحتاج للاستماع إلى الشخص في الطرف الآخر من الوادي للحصول على القصة الكاملة.

3. محرك الفيزياء (The Physics Engine)
الجزء الأكثر إثارة هو وحدة الانتشار الجوي الموجهة بالفيزياء. هذا هو "عقل الفيزياء" للنموذج. فهو يحسب صراحةً كيف يجب أن تؤثر الرياح ودرجة الحرارة على الإشعاع:

• الرياح: يقدر سرعة دفع الرياح للإشعاع وفي أي اتجاه.
• الانتشار: يحسب مدى "تشتت" الإشعاع بناءً على حالة الطقس.
• السحر: يقوم بحقن هذه الحسابات الفيزيائية مباشرة في عملية اتخاذ القرار للذكاء الاصطناعي. النموذج لا يخمن فحداً؛ بل يستخدم القوانين الفعلية للنقل الجوي لتوجيه توقعاته. وهذا يساعد النموذج على فهم أنه إذا كانت الرياح قوية، فسوف ينتقل الإشعاع لمسافة أبعد وبسرعة أكبر، وإذا كانت الرياح هادئة، فسيظل في مكانه.

النتائج: صورة أوضح

اختبر الفريق نموذجهم الجديد على مجموعتي بيانات ضخمتين تغطيان أربع سنوات من البيانات في اليابان، وتتضمن أكثر من 3,600 جهاز استشعار للإشعاع و228 محطة أرصاد جوية. وقارنوا NRFormer+ بـ 13 نموذجاً آخر، بما في ذلك الأساليب الإحصائية القياسية وأنظمة الذكاء الاصطناعي المتقدمة الأخرى.

كانت النتائج مبهرة. تفوق NRFormer+ على كل النماذج الأخرى في الدقة:

• قلل الخطأ في التنبؤ بالتغيرات المفاجئة (اللحظات الأكثر خطورة) بنسبة تصل إلى 19.1% مقارم أقوى نموذج سابق.
• كان أداؤه ثابتاً سواء كان يتنبأ بـ 24 ساعة أو 24 يوماً في المستقبل.
• تعامل مع خريطة أجهزة الاستشعار غير المنتظمة والفوضوية بشكل أفضل بكثير من النماذج التي حاولت فرض شبكة موحدة.

كما أظهر الباحثون أن إزالة "عقل الفيزياء" من النموذج جعلته أسوأ بشكل ملحوظ، مما أثبت أن فهم الرياح ودرجة الحرارة أمر بالغ الأهمية. ووجدوا أن النموذج كان بارعاً بشكل خاص في رصد تلك الطفرات المفاجئة والحادة في الإشعاع التي فاتتها النماذج الأخرى.

لماذا يهم هذا الأمر؟

هذا العمل ليس مجرد صنع ذكاء اصطناعي أفضل؛ إنه يتعلق بالسلامة. فعندما ترتفع مستويات الإشعاع، كل دقيقة لها ثمنها. تحتاج الحكومات لمعرفة أين يتجه الإشعاف لإخبار الناس بضرورة الإخلاء، وأين ترسل معدات الوقاية، وكيف تحمي المحاصيل. ومن خلال الجمع بين مرونة الذكاء الاصطناعي الحديث والقواعد الصارمة للفيزياء، يقدم NRFormer+ طريقة أكثر موثوقية للتنبؤ بهذه المخاطر. إنه يوضح أنه عندما نعلم الذكاء الاصطناعي احترام قوانين الطبيعة، يمكنه حل المشكلات التي كانت في السابق معقدة للغاية لدرجة يصعب حلها. الكود والبيانات متاحة الآن للجميع، مما يمهد الطريق لمراقبة بيئية أكثر أماناً وذكاءً.