Dimensionally consistent surrogate modelling through dimensional analysis and harmonic expansions
تقدم هذه الورقة طريقة قائمة على البيانات لبناء نماذج بديلة متسقة أبعادياً عبر الجمع بين مجموعات بكنغهام والتوسعات التوافقية المبتورة، مما يظهر تحسناً في التكييف، والمتانة، وكفاءة العينات عبر مختلف الأنظمة الفيزيائية مقارنة بالنماذج المرجعية غير المقيدة.
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 المادي، لا تهتم قوانين الطبيعة باللغة التي نستخدمها لوصفها. وسواء قاس العالم مسافة بالأمتار أو بالأميال، أو مدة زمنية بالثواني أو بالساعات، فإن العلاقة الجوهرية بين تلك الكميات تظل دون تغيير. هذا المبدأ، المعروف باسم التجانس البعدي، يعمل ككتاب قواعد صارم لأي معادلة تدعي وصف الواقع. فإذا تغيرت إجابة صيغة رياضية لمجرد تبديل وحدات القياس، فلا يمكن اعتبارها قانوناً فيزيائياً حقيقياً. لعقود من الزمن، استخدم الباحثون هذه القاعدة لتبسيط المسائل المعقدة، عبر تجريد المتغيرات غير الضرورية لإيجاد التوليفات الجوهرية عديمة الوحدات التي تحكم سلوك الأنظمة. ومع ذلك، مع توجه العلماء بشكل متزايد نحو الذكاء الاصطناعي لاكتشاف هذه القوانين مباشرة من البيانات، ظهر تحدٍ جديد؛ فنماذج تعلم الآلة القياسية غالباً ما تكون عمياء عن هذه القواعد الفيزيائية، إذ قد تجد نمطاً يناسب البيانات تماماً، لكنه يفشل في اللحظة التي تتغير فيها الوحدات، مما يجعل الاكتشاف بلا معنى فيزيائي.
لقد طور فريق من الباحثين في الجامعة الأوروبية في فالنسيا (Universidad Europea de Valencia) طريقة جديدة لتعليم الحواسيب احترام هذه القوانين الفيزيائية منذ بداية عملية التعلم. فبدلاً من ترك النموذج يخمن العلاقة بين المتغيرات آملاً أن يعثر في النهاية على الوحدات الصحيحة، قاموا ببناء قواعد الاتساق البعدي مباشرة داخل بنية النموذج نفسه. ومن خلال الجمع بين تقنيات الفيزياء الكلاسيكية وتحليل البيانات الحديث، ابتكروا طريقة تجبر الحاسوب على بناء توقعاته باستخدام تركيبات من المتغيرات التي تصح فيزيائياً فقط. يضمن هذا النهج أن الصيغ الناتجة ليست مجرد حيل رياضية تعمل على مجموعة محددة من الأرقام، بل هي تعبيرات قوية وعالمية تظل صالحة بغض النظر عن كيفية قياس البيانات.
اختبر الباحثون هذه الطريقة على عدة مسائل كلاسيكية في الفيزياء، تراوحت من تأرجح بندول بسيط إلى الإشعاع المنبعث من جسم أسود مثالي. في حالة البندول، تعتمد فترة تأرجحه على طول الخيط وقوة الجاذبية، وليس على كتلة الثقل. وقد يواجه نموذج حاسوبي قياسي، عند إعطائه بيانات مشوبة بالضجيج، صعوبة في استنتاج أن الكتلة غير ذات صلة، أو قد يتطلب آلاف نقاط البيانات لتخمين العلاقة الصحيحة بين الطول والزمن. أما الطريقة الجديدة، فتبدأ بمعرفة أن الكتلة لا ينبغي أن تظهر في الصيغة النهائية؛ فهي تركز فوراً على التركيبة الصحيحة بين الطول والجاذبية، مما يسمح لها باستعادة القانون الفيزيائي الدقيق بعدد أقل بكثير من نقاط البيانات، وحتى عندما تكون القياسات مشوبة بضجيج عالٍ. إن الحاسوب، في الأساس، يتعلم شكل العلاقة بشكل أسرع لأنه لا يضيع وقته في استكشاف خيارات مستحيلة أو غير منطقية من الناحية الفيزيائية.
كما طبق الفريق تقنيتهم على الإشعاع المعقد المنبعث من الأجسام الساخنة، وهي ظاهرة توصف بقانون بلانك. هنا، العلاقة بين درجة الحرارة والإشعاع ليست خطاً مستقيماً بسيطاً، بل هي منحنى أكثر تعقيداً. وجد الباحثون أنه من خلال تقسيم المسألة إلى جزء يتعامل مع الوحدات الفيزيائية وجزء يتعلم شكل المنحنى، استطاع النموذج إعادة بناء القانون بدقة حتى مع وجود بيانات محدودة. واكتشفوا أن اختيار الأدوات الرياضية المستخدمة لوصف المنحنى كان أمراً بالغ الأهمية؛ فعندما كانت البيانات تغطي نطاقاً يسلك سلوك دورة متكررة، كانت الأدوات المصممة للموجات هي الأفضل، بينما كانت أدوات رياضية أخرى أكثر فعالية عندما لا تكون البيانات متكررة. هذه الدقة جوهرية لأنها تظهر أنه بينما تكون القواعد الفيزيالية عالمية، فإن أفضل طريقة لتمثيل التفاصيل المتبقية تعتمد على الطبيعة المحددة للبيانات.
كانت واحدة من أبرز النتائج هي مدى كفاءة الطريقة الجديدة مقارنة بتعلم الآلة القياسي غير المقيد. ففي تجارب البندول، استطاع النهج الجديد التنبؤ بسلوك النظام بدقة باستخدام خمس قياسات مختلفة فقط. وفي المقابل، كان على النموذج القياسي الذي لم يُخبر بالقواعد الفيزيائية أن يرى ستين قياساً على الأقل قبل أن يبدأ حتى في تخمين العلاقة الصحيحة، وحتى حينها، كانت توقعاته أقل موثوقية. يشير هذا إلى أن دمج المعرفة الفيزيائية في عملية التعلم ليس مجرد وسيلة لجعل النماذج أكثر دقة، بل هو وسيلة لجعلها أكثر كفاءة بشكل هائل؛ فهو يسمح للعلماء بالتعلم من مجموعات بيانات أصغر وأكثر ضجيجاً كان من الصعب تحليلها لولا ذلك.
كما أثبت الباحثون أن طريقتهم تنتج نتائج يسهل على البشر فهمها. وخلافاً للعديد من أنظمة الذكاء الاصطناعي الحديثة التي تعمل كـ "صناديق سوداء"، تخفي منطقها داخل طبقات من الحسابات المعقدة، فإن هذا النهج يعطي صيغاً صريحة. المخرج النهائي هو معادلة واضحة يمكن للفيزيائي قراءتها، والتحقق منها، واستخدامها فوراً. هذه الشفافية حيوية للاكتشاف العلمي، حيث تسمه للباحثين بالتحقق من أن النموذج لم يقم بمجرد حفظ البيانات، بل اكتشف بالفعل الآلية الكامنة وراءها. وتؤكد الدراسة أنه من خلال احترام القيود الأساسية للعالم المادي، يمكن لتعلم الآلة أن يصبح شريكاً أكثر قوة وموثوقية في فهم الكون، محولاً البيانات الخام إلى رؤى حقيقية بسرعة ووضوح أكبر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.