← أحدث الأبحاث
💬 NLP

Building real-time digital twin instances with Function+Data Flow: user evaluation and extension for iterative pipelines

تقدم هذه الورقة دراسة تجريبية للمستخدم توضح أن لغة التصور الوظيفي + تدفق البيانات (FDF) وتطبيقها في برنامج DesCartes Builder يعززان بفعالية من إمكانية الوصول والموثوقية لتطوير التوأم الرقمي القائم على الذكاء الاصطناعي لخبراء المجال، مع تحفيز اقتراح امتداد هرمي (H-FDF) لدعم المسارات الأكثر تعقيداً وتكراراً.

المؤلفون الأصليون: Eduardo de Conto, Blaise Genest, Arvind Easwaran, Nicholas Ng, Shweta Menon

نُشر 2026-08-20
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Eduardo de Conto, Blaise Genest, Arvind Easwaran, Nicholas Ng, Shweta Menon

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

في العالم الحديث، يعتمد المهندسون والعلماء غالبًا على "التوائم الرقمية". وهي ليست نسخًا مادية، بل نماذج برمجية متطورة تحاكي شيئًا في العالم الحقيقي، مثل جسر أو محرك نفاث أو شبكة طاقة. والهدف هو إنشاء نسخة افتراضية تتعلم وتتغير جنبًا إلى جنب مع الشيء المادي، مما يسمح للخبراء بالتنبؤ بالأعطال أو تحسين الأداء قبل وقوع أي مشكلة. ولبناء هذه النماذج، غالبًا ما يبدأ الباحثون بمحاكاة حاسوبية دقيقة للغاية ولكنها بطيئة جدًا في التشغيل. ولجعل هذه النماذج مفيدة في الوقت الفعلي، يجب تبسيطها باستخدام تعلم الآلة، وهو فرع من فروع الذكاء الاصطناعي الذي يجد الأنماط في البيانات. ومع ذلك، فإن ربط هذه الخطوات المعقدة — تحويل عمليات المحاكاة البطيئة إلى نماذج سريعة تتعلم — كان تقليديًا عملية يدوية فوضوية؛ فهي تتطلب مهارات برمجة عميقة وغالبًا ما تؤدي إلى أنظمة هشة يصعب إصلاحها أو تحسينها.

وضع فريق من الباحثين في جامعة نانيانغ التكنولوجية في سنغافورة والمركز الوطني الفرنسي للبحث العلمي (CNRS) في فرنسا، هدفهم لحل هذه المشكلة الهندسية. فقد طوروا لغة بصرية جديدة تسمى "تدفق البيانات والوظائف" (Function+Data Flow أو FDF)، صُممت لتسمح للخبراء ببناء خطوط أنابيب تعلم الآلة المعقدة هذه عن طريق سحب وإسقاط الكتل على الشاشة، بدلاً من كتابة أسطر من الكود البرمجي. وقد بنوا أداة تسمى "DesCartes Builder" لوضع هذه الفكرة موضع التنفيذ. وللتحقق مما إذا كان هذا النهج فعالًا بالفعل، دعوا خمسة وعشرين باحثًا وطالبًا إلى ورشة عمل. طُلب من المشاركين بناء نموذج أولي لتوأم رقمي يعمل في الوقت الفاسي، يمكنه التنبؤ بمدى تمدد المادة وتشوهها تحت الضغط، وهي مهمة بالغة الأهمية للسلامة الهيكلية. استخدم المشاركون الأداة الجديدة لتجميع الخطوات اللازمة: أخذ البيانات الخام، وتبسيطها، وتدريب نموذج تعلم آلة، واختبار النتائج.

كانت نتائج هذه التجربة مشجعة. فقد وجد المشاركون أن الأداة سهلة الاستخدام بشكل مفاجئ، رغم أنها لا تزال في مرحلة مبكرة من التطوير. وعلى مقياس قياسي يُستخدم لقياس مدى سهولة استخدام البرامج، سجلت الأداة درجة أعلى بكثير من حد "غير مقبول"، بمتوسط قدره 72.5 من أصل 100. وهذا يشير إلى أن النهج البصري نجح في خفض حاجز الدخول، مما سمح لخبراء المجال بالتركيز على المشكلة الهندسية بدلاً من تفاصيل البرمجة. كما كشونت الدراسة أن الأداة كانت فعالة بشكل خاص لأولئك الذين لديهم خلفيات تقنية، بينما واجه أولئك الأقل إلمامًا بالمفاهيم المحددة منحنى تعلم أكثر حدة. وأشار الباحثون إلى أن الطبيعة البصرية للأداة جعلت من الواضح كيفية انتقال البيانات عبر النظام، وقد قدر المشاركون القدرة على استبدال خوارزميات تعلم الآلة المختلفة بنقرة واحدة، وهي مهمة تتطلب عادةً إعادة كتابة أجزاء كبيرة من الكود.

ومع ذلك، سلطت الدراسة الضوء أيضًا على الجوانب التي يحتاج فيها النظام إلى النمو. شعر بعض المستخدمين أن الأداة تفتقر إلى وجود توجيهات مدمجة كافية، مثل التلميحات المنبثقة أو الدروس التعليمية، لمساعدتهم على فهم الغرض من كل كتلة. ووجد آخرون أن رسائل الخطأ كانت مربكة عندما تسوء الأمور، وتمنوا وجود تفسيرات أوضح لما تسبب في الفشل. ولمعالجة هذه القيود والحاجة إلى سير عمل أكثر تعقيدًا، اقترح الباحثون امتدادًا لنظامهم يسمى H-FDF. يقدم هذا الإصدار الجديد طريقة لإنشاء حلقات داخل التصميم، مما يسمح للنظام بتكرار عملية ما حتى يصل إلى هدف محدد، مثل وصول النموذج إلى مستوى كافٍ من الدقة. وتعد هذه خطوة كبيرة للأمام لأنها تسمح بتقنيات أكثر تقدمًا، مثل تدريب نموذجين معًا لتحسين أداء كل منهما، دون جعل التصميم العام فوضويًا.

قارن الباحثون نهجهم الجديد بالأدوات الموجودة في الصناعة، مثل KNIME، وهو منصة شهيرة لتحليل البيانات. ووجدوا أنه بينما يمكن لتلك الأدوات التعامل مع الحلقات، فإن الطريقة التي تفعل بها ذلك غالبًا ما تخلط بين تدفق البيانات وتدفق التحكم، مما يجعل المخططات مزدحمة وصعبة التعديل. في المقابل، يحافظ نهج H-FDF الجديد على فصل تدفق البيانات ومنطق الحلقات وتعريفهما بوضوح، مما يسهل تغيير كيفية سلوك النظام. ومن خلال اختبار سيناريو معقد حيث يتم تدريب نموذجين في وقت واحد لتعلم نظام ديناميكي، أظهر الفريق أن طريقتهم الجديدة يمكنها التعامل مع هذه المهام المعقدة بشكل أكثر نظافة. وتخلص الدراسة إلى أنه بينما يعد الأداة الحالية بداية واعدة، فإن تحويل هندسة التوائم الرقمية إلى ممارسة منضبطة ومتاحة يتطلب استمرار التطوير، وتحسين التوثيق، والتنفيذ الكامل لقدرات الحلقات الجديدة هذه. ويشير العمل إلى أنه مع توفر الأدوات البصرية المناسبة، يمكن أن يصبح الفن المعقد لبناء التوائم الرقمية تخصصًا أكثر موثوقية وسهولة في الوصول للخبراء الذين هم في أمس الحاجة إليه.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💬 cs.CL →