Physics-Informed Machine Learning in Prognostics and Health Management: A Systematic Literature Review

تخيل أنك تحاول تعليم كمبيوتر كيف يتنبأ متى ستتعطل آلة ما. لديك طريقتان رئيسيتان للقيام بذلك. الطريقة الأولى تشبه عرض مليون صورة لآلات معطلة وأخرى تعمل؛ حيث يتعلم الكمبيوتر من خلال رصد الأنماط في الصور، لكنه لا يفهم في الواقع لماذا تعطلت الآلة. الطريقة الثانية تشبه إعطاء الكمبيوتر كتاباً مدرسياً عن الفيزياء وطلب حساب الإجابة من الصفر؛ فهو يفهم القواعد تماماً، لكنه قد يرتبك إذا تصرفت الآلة بطريقة غريبة أو غير متوقعة.

الآن، تخيل طريقة ثالثة: تعليم الكمبيوتر كلاً من الصور وقواعد الفيزياء في نفس الوقت. تُسمى هذه الطريقة "التعلم الآلي المستند إلى الفيزياء" (Physics-Informed Machine Learning). إنها تشبه إعطاء طالب مجموعة من المسائل التدريبية مع ورقة مرجعية لقوانين الجاذبية، حتى يتمكن من حل مسائل جديدة بشكل أسرع وارتكاب أخطاء سخيفة أقل. هذا النهج أصبح موضوعاً ساخناً في مجال "التنبؤ بالحالة والإدارة" (PHM)، وهو مجرد طريقة منمقة لقول "التنبؤ بمتى ستمرض الأشياء حتى نتمكن من إصلاحها قبل أن تنهار". تهتم الصناعات بهذا الأمر بعمق لأن تعطل الآلات يكلف أموالاً، ويسبب تأخيرات، ويمكن أن يكون خطيراً أيضاً.

هذه الورقة البحثية هي قصة تحقيق ضخمة، حيث قام المؤلفون، كريستوفر براون، وجوليان رايبل، وماركو ف. هوبر، برحلة بحث ليروا مدى نجاح طريقة التعليم "الهجين" هذه في العالم الحقيقي. لم يكتفوا بالنظر في بضع أمثلة فقط؛ بل بحثوا في 212 دراسة علمية مختلفة للعثور على الحقيقة. أرادوا معرفة: ما نوع قواعد الفيزياء التي يستخدمها الناس؟ وكيف يمزجونها مع التعلم الآلي؟ وهل يجعل ذلك التنبؤات أفضل بالفعل؟

إليك ما وجدوه. أولاً، اكتشفوا أنه بينما الفكرة رائعة، إلا أن المجال لا يزال فوضوًا بعض الشيء. وجد الباحثون أن معظم الدراسات تركز على نوعين فقط من الآلات: بطاريات الليثيوم أيون (مثل تلك الموجودة في هاتفك أو سيارتك الكهربائية) والمحامل/الرولمان بلي (العجلات الصغيرة داخل المحركات). الأمر يشبه لو أن كل طهاة العالم حاولوا فقط إتقان وصفة البيتزا وتجاهلوا كل شيء آخر. وبسبب هذا، نحن نعرف الكثير عن كيفية إصلاح البطاريات والمحامل، لكننا لا نعرف الكثير عن الآلات الأخرى بعد.

قام المؤلفون بتصنيف جميع الدراسات إلى أربعة "فرق" مختلفة بناءً على كيفية مزجهم للفيزياء مع التعلم:

1. الغواصون في البيانات (التحيز الملاحظاتي): استخدم هؤلاء الباحثون الفيزياء لإنشاء بيانات وهمية (محاكاة) لتعليم الكمبيوتر المزيد من الأمثلة. الأمر يشبه مدرب ألعاب الفيديو الذي ينشئ آلاف المستويات التدريبية لكي يصبح اللاعب ماهراً قبل مواجهة الزعيم الحقيقي.
2. بناة الهياكل (التحيز الاستقرائي): بنى هؤلاء الباحثون قواعد الفيزياء مباشرة داخل بنية دماغ الكمبيوتر. الأمر يشبه بناء منزل بجدران لا يمكن هدمها، مما يجبر الكمبيوتر على التفكير فقط بطرق منطقية فيزيائياً.
3. منفذو القواعد (تحيز التعلم): أضاف هؤلاء الباحثون نظام "توبيخ". إذا قدم الكمبيوتر تنبؤاً يكسر قوانين الفيزياء، فإنه يحصل على عقوبة. إنه مثل معلم يضع علامة حمراء في كل مرة تحاول فيها القول بأن الكرة يمكن أن تطفو للأعلى بدون بالون هيليوم.
4. لاعبو الفريق (النهج الهجين): أبقى هؤلاء الباحثون نموذج الفيزياء ونموذج التعلم كصديقين منفصلين يتحدثان مع بعضهما البعض. أحدهما يقوم بالعمليات الحسابية، والآخر يقوم برصد الأنماط، ويتشاركان العمل.

الخبر الكبير؟ في كل حالة تقريباً، جعل دمج الفيزياء مع التعلم الكمبيوتر أفضل في التنبؤ بموعد تعطل الأشياء. كانت التنبؤات أكثر دقة، خاصة عندما لم يكن هناك الكثير من البيانات الحقيقية للتعلم منها. ومع ذلك، فإن المؤلفين حذرون جداً من المبالغة في الترويج لذلك. فهم يشيرون إلى أنه بينما يدعي الناس أن هذه الأساليب تجعل الكمبيوتر أكثر "فهماً" أو "أماناً"، إلا أنه لا يوجد دليل كافٍ بعد للقول بذلك بالتأكيد. الأمر يشبه قول إن سيارة جديدة "أكثر أماناً" لأنها تحتوي على وسائد هوائية، لكن لم يختبرها أحد في حادث بعد ليثبت أنها تنقذ الأرواح.

جزء صعب آخر هو أن العديد من هذه الأساليب متخصصة للغاية. فالطريقة المصممة لإصلاح بطارية قد لا تعمل على مضخة. إنه يشبه امتلاك مفتاح يفتح باباً واحداً محدداً فقط؛ فهو يعمل بشكل رائع لهذا الباب، لكن لا يمكنك استخدامه لفتح المنزل بأكمله. كما لاحظ المؤلفون أن معظم هذه الأنظمة الذكية لا تزال مجرد "نماذج أولية" تقبع في المختبر. لم يتم اختبارها بما يكفي لمعرفة ما إذا كان بإمكانها العمل على شريحة صغيرة داخل آلة أو إذا كان بإمكانها التعامل مع واقع المصانع الفوضوي والمليء بالضجيج.

في النهاية، تشير الورقة إلى أن التعلم الآلي المستند إلى الفيزياء هو أداة قوية تظهر بالفعل بوادر واعدة، لكنه ليس عصا سحرية بعد. إنه يعمل بشكل أفضل عندما تكون لدينا قواعد فيزيائية جيدة وبيانات كافية لخلطها مع التعلم. يعتمد مستقبل هذا المجال على بناء أدوات يمكنها العمل على أي آلة، وليس فقط البطاريات والمحامل، وإثبات أنها موثوقة حقاً بما يكفي لتأتمنها على سلامتنا وأموالنا. وحتى ذلك الحين، يظل هذا مجالاً مثيراً للغاية، ومزدحماً جداً، ولكنه لا يزال مجالاً علمياً شاباً جداً.