تخيل أنك تحاول التنبؤ بكيفية حركة آلة معقدة غداً. يمكنك بناء محاكاة حاسوبية فائقة التفصيل تحسب كل ترس ونبض، لكن ذلك يستغرق وقتاً طويلاً ويستهلك كل بطاريتك. أو يمكنك استخدام ذكاء اصطناعي "صندوق أسود" يخمن الإجابة بسرعة، لكنك لا تستطيع رؤية كيف توصل إليها، لذا لا تعرف ما إذا كان يكذب أو مجرد محظوظ. يسعى العلماء للحصول على خيار ثالث: مجموعة بسيطة وواضحة من القواعد (مثل الوصفة) تكون سريعة التشغيل، وسهلة القراءة، وتتوافق فعلياً مع قوانين الفيزياء. هذا هو الهدف الأسمى لـ "الاكتشاف الرمزي" (symbolic discovery) — إيجاد المعادلات الرياضية الخفية التي تحكم كيفية تحرك الأشياء، من البندول المتأرجح إلى أنماط الطقس الدوامية. التحدي يكمكم في أنه بينما يتفوق الذكاء الاصطناعي في رصد الأنماط، فإنه غالباً ما يبتكر قواعد تبدو جيدة للحظة واحدة ولكنها تنهار في اللحظة التالية.

يقدم هذا البحث طريقة جديدة ذكية لحل هذه المشكلة، تسمى "الاكتشاف النموذجي الموجه بالتحقق" (Verifier-Guided Model Discovery). فكر في الأمر كبرنامج مواهب حيث يقوم حكم آلي (ذكاء اصطناعي مدرب مسبقاً) بتوليد مئات المعادلات المحتملة لكيفية حركة نظام ما. وبدلاً من مجرد اختيار المعادلة التي تبدو الأكثر إبهاراً، يعمل فريق من "المتحققين" الصارمين كفريق تفتيش سلامة. يأخذون كل معادلة مرشحة ويضعونها تحت سلسلة من الاختبارات الصارمة: هل تظل مستقرة؟ هل تستمر في التأرجح بالسرعة الصحيحة؟ هل تنتهك قوانين الفيزياء؟ المعادلات التي تجتاز كل اختبار هي فقط التي تستمر. اختبر المؤلفون طريقتهم على مشكلتين مختلفتين تماماً. أولاً، استخدموها على نظام كلاسيكي متأرجح يسمى "مذبذب فان دير بول" (Van der Pol oscillator)، حيث وجد أسلوبهم معادلة أكثر موثوقية من نهج الذكاء الاصطناعي القياسي. ثم، واجهوا تحدياً أصعب بكثير: التنبؤ بـ "انفصال الدوامات" (vortex shedding) الذي يحدث عندما تهب الرياح حول أسطوانة (مثل مدخنة أو ركيزة جسر). ومن خلال تقليل كمية هائلة من البيانات من محاكاة السوائل إلى عدد قليل من الأرقام الرئيسية، نجح نظامهم الموجه بالتحقق في اكتشاف مجموعة بسيطة من المعادلات التي يمكنها التنبؤ بالحركة الدوامية ليس فقط لسرعة رياح واحدة، بل لنطاق كامل من السرعات التي لم يسبق له رؤيتها. والنتيجة هي طريقة تحول تخمين الذكاء الاصطناعي "الصندوق الأسود" إلى نموذج شفاف، قابل للتدقيق، وموثوق فيزيائياً.

المشكلة: لعبة التخمين في "الصندوق الأسود"

في عالم الفيزياء والهندسة، يعد التنبؤ بكيفية تحرك الأشياء أمراً بالغ الأهمية. سواء كنت تصمم سيارة أكثر أماناً، أو تتنبأ بعاصفة، أو تفهم تدفق البلازما في الفضاء، فنحن بحاجة إلى نماذج تكون سريعة وموثوقة في آن واحد. عمليات المحاكاة التقليدية عالية الدقة تشبه محاولة عد كل حبة رمل على الشاطئ للتنبؤ بالمد والجزر؛ فهي دقيقة للغاية ولكنها بطيئة ومكلفة لدرجة تجعل استخدامها لاتخاذ قرارات سريعة أمراً مستحيلاً في كثير من الأحيان.

من ناحية أخرى، يقدم التعلم الآلي الحديث نماذج "بديلة" (surrogates) — وهي نماذج ذكاء اصطناعي سريعة تتعلم من البيانات. لكن هذه النماذج غالباً ما تكون "صناديق سوداء". أنت تغذيها بالبيانات، فتخرج لك تنبؤاً، لكن لا يمكنك رؤية الرياضيات بداخلها. قد تعمل بشكل مثالي للبيانات التي تدربت عليها، ولكن إذا طلبت منها التنبؤ بشيء مختلف قليلاً، فقد تفشل فشلاً ذريعاً لأنها تعلمت أنماطاً خاطئة أو ابتكرت قواعد لا وجود لها في الواقع.

لقد حاول العلماء استخدام الذكاء الاصطناعي لإيجاد نماذج "رمزية" بدلاً من ذلك. وهذه هي معادلات رياضية صريحة (مثل $F = ma$) تصف النظام. الفكرة هي أنه إذا استطاع الذكاء الاصطناعي كتابة المعادلة، فيمكن للبشر قراءتها، وفحصها، والثوق بها. ومع ذلك، هناك عقبة. فالنماذج التي يتم تدريبها على بيانات اصطناعية ومصطنعة غالباً ما تعاني عندما تحاول تطبيق تلك القواعد على بيانات فيزيائية حقيقية وفوضوية. قد تولد معادلة تبدو صحيحة للحظة معينة، لكنها تنهار عندما تتغير الظروف.

الحل: سير العمل "الموجه بالتحقق"

يقترح مؤلفا هذا البحث، فابورد فاراجي وفرانسيسكو بيلارديني، حلاً يطلقون عليه الاكتشاف النموذجي الموجه بالتحقق (VG Model Discovery). يستخدمون أداة ذكاء اصطناعي مدربة مسبقاً تسمى ODEFormer كـ "عمود فقري". فكر في ODEFormer ككاتب مبدع قرأ ملايين الكتب الرياضية ويمكنه فوراً توليد مئات المعادلات المحتملة لكيفية حركة نظام ما.

في الطريقة القديمة، ستختار ببساطة المعادلة التي تطابق البيانات التي لديك الآن. لكن المؤلفين أدركوا أن هذا أمر محفوف بالمخاطر. بدلاً من ذلك، بنوا سير عمل حيث يقوم ODEFormer بتوليد مجموعة ضخمة من المعادلات المرشحة من سيناريوهات عديدة (نقاط بداية أو ظروف مختلفة). بعد ذلك، يتدخل مجموعة من "المتحققين".

هؤلاء المتحققون يشبهون مفتشي السلامة الصارمين. فهم لا ينظرون فقط إلى مدى مطابقة المعادلة للبيانات؛ بل يقومون بتشغيل المعادلة للأمام عبر الزمن (عملية تسمى "rollout") ليروا ما إذا كانت تسلك سلوكاً صحيحاً. إنهم يتحققون من:

1. الاستقرار: هل ينفجر النظام أو يتجه نحو اللانهائية؟
2. المقبولية الفيزيائية: هل تحترم القواعد الأساسية للنظام (مثل الحفاظ على الطاقة أو الحفاظ على إيقاع معين)؟
3. الاتساق: هل تعمل لجميع ظروف البداية المختلفة، وليس فقط للظرف الذي تدربت عليه؟

فقط المعادلات التي تجتاز كل اختبار هي التي تبقى. النموذج النهائي هو الذي لا يكتفي بمطابقة البيانات فحسب، بل ينجو أيضاً من هذا "اختبار الضغط" الصارم.

التجارب: من البندول إلى الرياح الدوامية

اختبر الفريق طريقتهم على تحديين مختلفين تماماً لمعرفة ما إذا كانت ستنجح حقاً.

1. مذبذب فان دير بول (الاختبار البسيط)
أولاً، استخدموا مسألة فيزيائية كلاسيكية تسمى مذبذب فان دير بول. هذا نظام يتأرجح ذهاباً وإياباً، ولكن مع لمسة خاصة: لديه آلية داخلية تحافظ على تأرجحه بثبات، سواء بدأ بدفعة كبيرة أو صغيرة. إنه اختبار مثالي لأننا نعرف بالفعل "المعادلة الحقيقية".

قارنوا بين طريقتهم الموجهة بالتحقق وبين الاستخدام القياسي لـ ODEFormer. حاولت الطريقة القياسية إيجاد معادلة بناءً على "تأرجح واحد" فقط. أما طريقة VG فقد نظرت في "تأرجحات عديدة" تبدأ من أماكن مختلفة.

• النتيجة: كانت طريقة VG هي الفائزة بوضيد. عندما اختبروا النماذج على نقاط بداية جديدة لم تُشاهد من قبل، فشلت الطريقة القياسية غالباً، حيث كان التأرجح يخرج عن السيطرة أو يتوقف. أما طريقة VG، فقد وجدت معادلة ظلت مستقرة ودقيقة عبر جميع الظروف. لقد نجحت في استعادة الهيكل الحقيقي للفيزياء، مما أثبت أن فحص سيناريوهات عديدة أفضل من مجرد مطابقة سيناريو واحد.

2. التدفق حول أسطوانة (التحدي الواقعي)
بعد ذلك، انتقلوا إلى شيء أصعب بكثير: ديناميكا السوائل. تخيل رياحاً تهب بجانب عمود مستدير (مثل ركيزة جسر). خلف العمود، لا تتدفق الرياح بسلاسة؛ بل تدور في نمط من الدوامات المتبادلة تسمى "شارع فون كارمان" (von Kármán vortex street). هذه الظاهرة بالغة الأهمية في الهندسة لأن الرياح إذا كانت قوية جداً، فإن هذه القوى الدوامية قد تهز الجسور أو المباني وتدمرها.

تتضمن محاكاة هذا التدفق حل معادلات ضخمة لـ 60,000 نقطة في الفضاء في كل لحظة. إنه أمر معقد للغاية لإيجاد معادلة بسيطة لكل هذا. لذا، استخدم الفريق أولاً تقنية لـ "ضغط" هذه البيانات الضخمة إلى عدد قليل من الأرقام الرئيسية (الإحداثيات) التي تلتقط الحركة الرئيسية. ثم طلبوا من سير عمل VG إيجاد المعادلة لهذه الأرقام القليلة.

• اختبار السرعة الثابتة: أولاً، اختبروه عند سرعة رياح واحدة (رقم رينولدز 300). نجح النظام في اكتشاف مجموعة من المعادلات التي وصفت الحركة الدوامية. لقد وجد "النبض" الرئيسي للدوامة وحتى "التوافقات" (harmonics) الأسرع (النغمات العالية في الوتر الموسيقي للتدفق). والأهم من ذلك، فعل ذلك دون إخباره بشكل المعادلات التي يجب أن تبدو عليها أو تزويده بمكتبة من معادلات السوائل. لقد استنتجها ببساطة من البيانات والمتحققين.
• اختبار السرعات المتغيرة: حدث السحر الحقيقي عندما طلبوا من النظام التعامل مع سرعات رياح مختلفة. قاموا بتدريبه على نطاق من السرعات (150 إلى 450) ثم طلبوا منه التنبؤ بما سيحدث عند سرعات لم يسبق له رؤيتها (175، 275، 425، وحتى 500).
  • النتيجة: عمل النموذج بشكل جيد بشكل مفاجئ. لقد وجد مجموعة واحدة من المعادلات التي تتضمن سرعة الرياح كمتغير. وعندما اختبروه على السرعات "المحجوبة"، نجح في التنبؤ بالحركة الدوامية. حتى عند أعلى سرعة (500)، والتي كانت خارج نطاق التدريب، لم ينكسر النموذج؛ بل حافظ على النمط الدوامي سليماً.
  • رؤية رئيسية: وجد المؤلفون أن مجرد امتلاك "صورة" جيدة للبيانات (دقة إعادة البناء) لم يكن كافياً. بعض النماذج التي بدت مثالية للبيانات فشلت في اختبارات المتحققين لأن رياضياتها الأساسية كانت غير مستقرة. كان المتحققون ضروريين للعثور على النموذج الذي يمكن "اكتشافه" فعلياً ويكون سليماً من الناحية الفيزيائية.

ماذا يعني هذا؟

لا يدعي هذا البحث أنه قد حل كل مشكلات الفيزياء. يوضح المؤلفون بحذر أن طريقتهم تعمل بشكل أفضل عندما يمكن ضغط البيانات إلى عدد قليل من الأرقام التي تسلك سلوكاً يمكن التنبؤ به نوعاً ما. إذا كان النظام فوضوياً للغاية أو إذا كانت البيانات "المضغوطة" تفتقر إلى تفاصيل خفية مهمة، فقد تعاني الطريقة.

ومع ذلك، فإن النتائج هامة. فهي تظهر أنه من خلال الجمع بين مولد ذكاء اصطناعي مبدع ومجموعة صارمة من "المتحققين" الفيزيائيين، يمكننا تجاوز التنبؤات "الصندوق الأسود". يمكننا الحصول على نماذج تكون:

• قابلة للتفسير: يمكننا قراءة المعادلات وفهم الفيزياء.
• قابلة للتدقيق: يمكننا التحقق مما إذا كانت تلتزم بقوانين الطبيعة.
• قابلة للتعميم: تعمل ليس فقط للبيانات التي رأتها، بل للمواقف الجديدة التي لم تواجهها من قبل.

يشير المؤلفون إلى أن نهج "الموجه بالتحقق" هذا هو خطوة قوية نحو جعل الذكاء الاصطناعي شريكاً موثوقاً في الاكتشاف العلمي، مما يساعدنا في العثور على القواعد البسيطة والأنيقة المختبئة داخل البيانات المعقدة والفوضوية في العالم الحقيقي. إنه يحول الذكاء الاصطناعي من مجرد مُخمّن إلى مكتشف يمكننا الوثوق به حقاً.