Learning Structural Eigenmodes with Modal Operator Network (ModalONet)

تخيل أنك تستمع إلى أوركسترا سيمفونية. بالنسبة للأذن غير المدربة، ليس سوى جدار جميل ومتماوج من الأصوات. لكن بالنسبة للموسيقي، هذا الصوت هو في الواقع وصفة دقيقة: مجموعة محددة من النوتات (الترددات)، تُعزف بأحجام ومدد زمنية محددة (التخميد)، بواسطة آلات محددة (أشكال الأنماط) تهتز في تناغم تام. في عالم الهندسة، تتصرف الهياكل مثل الجسور، وأجنحة الطائرات، وناطحات السحاب تماماً مثل تلك الأوركسترا. فعندما تضربها الرياح أو حركة المرور، لا تهتز بشكل عشوائي؛ بل تهتز وفق أنماط رياضية خفية تسمى "الأنماط" (modes). ومعرفة هذه الأنماط أمر بالغ الأهمية. فإذا بدأ جسر ما في الاهتزاز بنمط جديد وغريب، فقد يعني ذلك أن مسماراً قد ارتخى أو أن الفولاذ قد أصابه الإجهاد. يحتاج المهندسون إلى إيجاد هذه "النوتات" للحفاظ على سلامتنا، ولكن تقليدياً، كان اكتشافها يشبه محاولة إعادة هندسة أغنية بمجرد الاستماع إلى تسجيل مكتوم، مما يتطلب غالباً رياضيات معقدة أو مستشعرات باهظة الثمن في كل مكان.

إليك نهج جديد يسمى ModalONet. فكر فيه كأنه محقق ذكي للغاية يستمع إلى "أغنية" الهيكل (بيانات الاهتزاز الخاصة به) ويكتشف "النوتة الموسيقية" فوراً دون الحاجة لمعرفة المخطط الهندسي للآلة أولاً. بينما كانت أدوات الذكاء الاصطناعي القديمة بارعة في التنبؤ بكيفية اهتزاز الجسر إذا دفعته، إلا أنها لم تكن مصممة لإخبارك ما هي "النوتات" الطبيعية للجسر. تقدم هذه الورقة البحثية طريقة تقلب الموازين: فبدلاً من التنبؤ بالاهتزاز المستقبلي، تقوم "بالاستماع" للاهتزاز واستخراج النوتات الموسيقية الخفية (التردد)، وتلاشي الآلة (التخميد)، وشكل الاهتزاز (نمط النمط) مباشرة من الضجيج. الأمر يشبه تعليم الكمبيوتر كيفية سماع الآلات الفردية في فرقة موسيقية فوضوية وكتابة نوتاتها الموسيقية الدقيقة، حتى لو لم يرَ الفرقة من قبل.

المشكلة: العثور على النوتات الخفية في الضجيج

تخيل أن لديك وتراً لغيتار. إذا نقرت عليه، فإنه يهتز بطبقة صوت محددة. لكن الهياكل الحقيقية فوضوية؛ فهي مكونة من آلاف الأجزاء الصغيرة، وعندما تهتز، تفعل ذلك بطرق معقدة ومتداخلة. وأحياناً، قد يهتز جزءان مختلفان من الهيكل بنفس الطبقة الصوتية تماماً (نمط "متدهور" أو degenerate)، مما يجعل من الصعب للغاية التمييز بينهما. تقليدياً، لدى المهندسين طريقتان لإيجاد هذه النوتات الخفية:

1. طريقة المخطط الهندسي: يقومون ببناء نموذج حاسوبي مثالي للهيكل وحل لغز رياضي ضخم لإيجاد النوتات. ولكن إذا كان الجسر الحقيقي مختلفاً قليلاً عن المخطط (ربما غيرت الرياح خصائص المادة)، فإن اللغز الرياضي سيعطي إجابة خاطئة.
2. طريقة الاستماع: يقومون بقياس الاهتزازات واستخدام معالجة الإشارات التقليدية لتخمين النوتات. هذا يعمل، ولكنه غالباً ما يكون عملية يدوية ومملة حيث يتعين على البشر تحديد أي "النوتات" حقيقية وأيها مجرد ضجيج خلفية.

لقد طرح مؤلفو هذه الورقة سؤالاً بسيطاً: هل يمكننا تعليم شبكة عصبية (نوع من أنواع الذكاء الاصطناعي) الاستماع إلى الاهتزازات وتحديد النوتات الخفية تلقائياً، دون الحاجة إلى مخطط هندسي أو تدخل بشري للتخمين؟

الحل: السحر الموسيقي لـ ModalONet

أنشأ الفريق أداة تسمى ModalONet. لفهم كيفية عملها، تخيل أن الذكاء الاصطناعي يحاول إعادة بناء أغنية من تسجيل ما. معظم نماذج الذكاء الاصطناعي تحاول حفظ الأغنية، لكن ModalONet بُنيت بشكل مختلف. فهي تستخدم بنية خاصة (DeepONet) مهيأة طبيعياً لتشبه النوتة الموسيقية.

فكر في الذكاء الاصطناعي كأنه يتكون من جزأين يعملان معاً:

• "الجذع" (الشكل): يتعلم هذا الجزء شكل الاهتزاز. فهو يكتشف كيف ينحني الجسر ويلتوي في الفضاء. إنه يشبه تعلم الشكل الفيزيائي لوتر الغيتار أثناء اهتزازه.
• "الفرع" (الصوت): يتعلم هذا الجزء توقيت الاهتزاز. فهو يكتشف مدى سرعة تلاشي الصوت وما هي طبقة الصوت. إنه يشبه تعلم الإيقاع وتلاشي النوتة.

الخدعة الذكية هي أن المؤلفين أدركوا أن بنية "الجذع + الفرع" هذه متطابقة رياضياً مع كيفية عمل الاهتزازات في العالم الحقيقي. لذا، عندما يدربون الذكاء الاصطناعي ببساطة على "إعادة بناء" بيانات الاهتزاز (جعل مخرجات الذكاء الاصطناعي تطابق البيانات الحقيقية)، يُجبر الذكاء الاصطناعي طبيعياً على تقسيم البيانات إلى هذه الأشكال والأصوات الفيزيائية. الأمر يشبه إعطاء طفل مجموعة من قطع "الليغو" وطلب بناء منزل منه؛ فإذا أخبرتهم أن المنزل يجب أن يحتوي على سقف وجدران، فسيقومون بطبيعة الحال بفرز القطع إلى تلك الفئات.

ما وجدوه: نغمة شبه مثالية

اختبر الفريق ModalONet على أربعة "آلات" مختلفة:

1. عارضة بسيطة مدعومة (مثل لوح القفز).
2. عارضة كابولية (مثل سارية العلم).
3. صفيحة مستطيلة (مثل ورقة معدنية رقيقة).
4. صفيحة مربعة (حالة صعبة حيث يتشارك نمطان مختلفان من الاهتزاز نفس الطبقة الصوتية تماماً).

لقد غدوا الذكاء الاصطناعي ببيانات اهتزاز محاكية مليئة بالضجيج - تماماً كما يسجل مستشعر حقيقي - وطلبوا منه إيجاد النوتات. كانت النتائج دقيقة بشكل مذهل:

• الأشكال: استعاد الذكاء الاصطناعي أشكال الاهتزاز بمعيار "تأكيد النمط" (Modal Assurance Criterion) (وهو مقياس لمدى قرب الأشكال من بعضها) بلغ 0.998 أو أعلى. وهذا يعني أن أشكال الذكاء الاصطناعي كانت متطابقة تقريباً مع الأشكال الرياضية المثالية، رغم أنه لم يرَ الرياضيات من قبل.
• الطبقة (التردد): خمن الذكاء الاصطناعي الترددات الطبيعية بخطأ يقل عن 5%.
• التلاشي (التخميد): كان هذا هو الجزء الأصعب. كانت تخمينات الذكاء الاصطماعي الخام لسرعة تلاشي الاهتزاز غير دقيقة نوعاً ما (أحياناً بفارق كبير). ومع ذلك، أضاف المؤلفون خطوة "معالجة لاحقة" بسيطة (انحدار الغلاف اللوغاريتمي) عملت كأداة لضبط الدقة. بعد هذه الخطوة، انخفض الخطأ إلى أقل من 7%، مع وجود معظم الأنماط ضمن نطاق 2% من القيمة الحقيقية.

الجزء الصعب: مشكلة "التوأم"

أحد أكبر التحديات التي عالجتها الورقة البحثية هو حالة "التدهور" (degenerate). تخيل طبلة مربعة. يمكنك ضربها لتهتز من اليسار إلى اليمين، أو من الأمام إلى الخلف. في المربع المثالي، تمتلك هاتان النمطتان نفس الطبقة الصوتية تماماً. بالنسبة للكمبيوتر العادي، تبدو هاتان النمطتان كمزيج فوضوي، وقد يخمن نمطاً دورانياً غريباً لا معنى فيزيائياً له.

حل ModalONet هذه المشكلة من خلال إجبار "الجذع" الخاص به على أن يكون "قابلاً للفصل" (separable). وهي طريقة تقنية تعني إجبار الذكاء الاصطناعي على البحث عن أنماط هي عبارة عن نواتج بسيطة لـ X و Y، بدلاً من كونها مزيجاً فوضوياً. هذا القيد منع الذكاء الاصطناعي من الارتباك بسبب "التوائم". لقد نجح في تحديد وجود شكلين متميزين يتشاركان في طبقة صوت واحدة، بدلاً من ابتكار شكل دوراني زائف.

ماذا يعني هذا (وما لا يعني)

تظهر الورقة البحثية أنه يمكننا استخدام الذكاء الاصطناعي لـ "الاستماع" إلى هيكل ما واستخراج خصائصه الفيزيائية الأساسية — كيف يتحرك، وكيف يهتز، وكيف يتلاشى — دون الحاجة إلى مخطط هندسي مثالي أو خبير بشري لفرز البيانات.

ومع ذلك، كان المؤلفون حذرين في توضيح حدود اكتشافهم:

• إنها محاكاة: تمت جميع الاختبارات على بيانات مولدة حاسوبياً. لم يستمع الذكاء الاصطناعي بعد إلى جسر حقيقي مادي وسط الرياح.
• ليس مترجماً عالمياً: في الوقت الحالي، يجب تدريب الذكاء الاصطناعي بشكل منفصل لكل هيكل محدد. لا يمكنه فقط النظر إلى جسر جديد ومعرفة نوتاته فوراً؛ بل يحتاج إلى تعلم خصائص ذلك الجسر المحدد أولاً.
• التخميد عملية صعبة: بينما تم العثور على التردد والشكل بدقة عالية، فإن "التخميد" (كيفية توقف الاهتزاز) تطلب خطوة المعالجة اللاحقة الإضافية ليكون دقيقاً حقاً.

باختصار، يعد ModalONet أداة جديدة قوية تحول المهمة الفوضوية لإيجاد "النوتات" الهيكلية إلى عملية منظمة وآلية. وهو يشير إلى أنه في المستقبل، قد نتمكن من تثبيت بعض المستشعرات على جسر ما، وترك هذا الذك الذكاء الاصطناعي يستمع، والحصول فوراً على تقرير كامل عن حالة الهيكل، كل ذلك دون الحاجة إلى معرفة الرسومات الهندسية للجسر. إنها خطوة نحو جعل بنيتنا التحتية "تغني" أسرارها لنا، بوضوح ودقة.