From Fixed Grids to Moving Particles:A Transferable Latent Operator for Fluid Dynamics

تخيل أنك تحاول التنبؤ بكيفية دوران قطرة من الحبر عبر كوب من الماء. لدى العلماء طريقتان رئيسيتان لمراقبة حدوث ذلك. الطريقة الأولى، وتسمى وجهة النظر الأويلرية (Eulerian)، تشبه الوقوف على ضفة نهر ومراقبة الماء يتدفق ماراً بمجموعة ثابتة من الصخور. أنت تقيس سرعة واتجاه الماء عند تلك الصخور تحديداً، مراراً وتكراراً. وهي طريقة رائعة لرؤية الصورة الكبيرة للتيار، لكنها لا تخبرك بالضبط أين ستنتهي ورقة شجر معينة تطفو فوق السطح. أما الطريقة الثانية، وهي وجهة النظر اللاغرانجية (Lagrangian)، فتشبه ربط كاميرا بتلك الورقة؛ أنت تتبع رحلة الورقة بدقة، تراقب كيف تلتوي، وتدور، وتنجرف بعيداً. هذه الطريقة مثالية لتتبع مسار الأشياء، لكن جمع البيانات بهذه الطريقة أصعب بكثير لأنك تضطر لتتبع آلاف الأوراق الفردية في وقت واحد.

لفترة طويلة، كانت النماذج الحاسوبية التي تتعلم من البيانات بارعة في أسلوب "الوقوف على الضفة" (الأويلري). فقد تم تدريبها على شبكات من النقاط الثابتة، مثل رقعة الشطرنج، للتنبؤ بكيفية حركة الماء عبر الرقعة. لكن الجزء الصعب هنا هو أننا غالباً ما نحتاج لمعرفة أين ستذهب الأوراق (الجسيمات)، وليس فقط كيف يتحرك الماء عند الصخور. وعادةً، لكي نعلم الكمبيوتر كيفية تتبع الأوراق، نحتاج إلى كمية هائلة من البيانات التي توضح بالضبط أين ذهبت كل ورقة. وهذه البيانات نادرة وصعبة المنال. وهذا يخلق فجوة محبطة: لدينا نماذج رائعة لشبكة الماء، لكنها تواجه صعوبة في إخبارنا أين ستنتهي الجسيمات العائمة دون الحاجة إلى بيانات تدريب خاصة وصعبة البحث.

وهنا يأتي دور دراسة جديدة أجراها "مينغ لي" وفريقه. لقد طرحوا سؤالاً جريئاً: هل يمكننا تعليم نموذج التنبؤ بتدفق الماء باستخدام بيانات "الشبكة الثنائية الثابتة" السهلة فقط، ومن ثم جعل نفس النموذج يكتشف فوراً أين ستذهب الجسيمات العائمة، دون أن يُعرض على أي مسار جسيم واحد أثناء التدريب؟

وجدوا أن الإجابة هي نعم. لقد بنوا نظام ذكاء اصطناعي جديداً يسمى المُعالج الكامن القابل للنقل (Transferable Latent Operator - TLO). فكر في TLO كطاهٍ ماهر يتعلم طبخ حساء معقد من خلال تذوقه عبر مجموعة ثابتة من الملاعق الموضوعة حول القدر (الشبكة الأويلرية). عادةً، إذا أردت معرفة كيف تتحرك قطعة معكرونة معينة داخل هذا الحساء، فستحتاج إلى نموذج منفصل مدرب على تتبع المعكرونة. لكن TLO مميز؛ فهو يتعلم "الوصفة السرية" لتدفق الحساء بطريقة مجردة وخفية لا تهتم بمكان وجود الملاعق.

بمجرد أن يتعلم الطاهي الوصفة، يمكنه القيام بشيئين بنفس المعرفة. أولاً، يمكنه إخبارك بمذاق الحساء عند أي من مواقع الملاعق الأصلية (التنبؤ بالشبكة الثابتة). ثانياً، وهذا هو السحر، يمكنه تخيل قطعة معكرونة تطفو في أي مكان — حتى في بقعة لم توضع فيها أي ملعقة من قبل — وإخبارك بالضبط بالسرعة والاتجاه الذي تتحرك به الآن. ولأن النموذج يفهم التدفق نفسه، وليس الشبكة فحسب، فإنه يستطيع اتباع المعكرونة خطوة بخوة، وتحديث موقعها أثناء حركتها، وكل ذلك دون الحاجة لأن يُعلّم كيفية تتبع المعكرونة مسبقاً.

اختبر الباحثون هذه الفكرة على خمس تحديات مختلفة في ديناميكا السوائل، تتراوح من أنظمة الجسيمات المحاكية إلى بيانات تيارات المحيط الحقيقية. ووجدوا أن TLO لم يتفوق فقط في التنبؤ بتدفق الماء على الشبكة مقارنة بالنماذج الحالية، بل إنه تفوق باستمرار على الطرق الأخرى في التنبؤ بمسارات الجسيمات العائمة بأسلوب "التعلم الصفري" (zero-shot). وهذا يعني أنه حقق أداءً قوياً في مهمة تتبع الجسيمات رغم أنه لم يرَ مسار جسيم واحد خلال تدريبه. ومع ذلك، لاحظ الباحثون تفصيلاً دقيقاً وحاسماً: نظرًا لأن النموذج يتنبأ بالسرعة في كل خطوة، فإن الأخطاء الصغيرة في السرعة أو الاتجاه يمكن أن تتراكم بمرور الوقت، مما يؤدي إلى انحراف المسار المتوقع ببطء عن المسار الحقيقي. لذلك، بينما يعد النموذج فعالاً للغاية، فإنه لا يضمن مساراً مثالياً خالياً من الأخطاء، ولهذا السبب تعرضت الدراسة بدقة لكل من دقة السرعة وأخطاء المسار الناتجة. ورغم ذلك، تشير النتائج إلى أن هذا النهج يمكن أن يكون أداة قوية لفهم كيفية حركة الأشياء عبر السو fluids، من انتشار التلوث في المحيط إلى انجراف الدخان في الهواء، باستخدام بيانات يسهل جمعها بكثير.