A Tensor-Network Chebyshev--Galerkin Method for Boundary-Value Problems in Computational Mechanics

تخيل أنك تحاول التنبؤ بكيفية انحناء أو تمدد أو انكسار قطعة ميكانيكية معقدة تحت تأثير الإجهاد. لقد اعتمد المهندسون لفترة طويلة على المحاكاة الحاسوبية للإجابة على هذه الأسئلة، لكن الرياضيات الكامنة وراء هذه التنبؤات صعبة للغاية. يكمن التحدي في العدد الهائل من المتغيرات؛ فقد يكون لشيء ما شكل ينحني بطرق غريبة، ومكون من مواد تتغير من نقطة إلى أخرى، ويواجه قوى تتغير اعتماداً على الطقس أو الحمل الذي يحمله. وللحصول على إجابة دقيقة، يجب على الحاسوب تقسيم الجسم إلى ملايين القطع الصغيرة وحل معادلة ضخمة لكل منها. وعندما يرغب المهندسون أيضاً في اختبار كيفية سلوك الجسم تحت آلاف السيناريوهات المختلفة — بتغيير المادة أو الشكل أو الحمل في آن واحد — فإن عدد الحسابات ينفجر بشكل هائل. إنه ينمو بسرعة كبيرة لدرجة أن أقوى الحواسيب الفائقة في العالم تنفد ذاكرتها ووقتها، مما يجبر العلماء إما على تبسيط المشكلة أكثر من اللازم أو تشغيل آلاف عمليات المحاكاة المنفصلة والبطيئة واحدة تلو الأخرى.

لقد طور فريق من الباحثين الآن طريقة جديدة لمعالجة هذه المشكلة تتجاوز هذه الاختناقات تماماً. فبدلاً من معاملة كل سيناريو محتمل كحساب منفصل، ابتكروا طريقة تحل "كوناً" كاملاً من الاحتمالات في عملية تشغيل واحدة. يعتمد نهجهم، الذي فُصّل في دراسة حديثة، على دمج فكرتين قويتين: تقنية رياضية تفكك الأشكال المعقدة إلى أنماط عالمية سلسة، واستراتيجية لضغط البيانات مستعارة من الفيزياء الكمومية. ومن خلال استخدام هذا النهج الهجين، يمكنهم محاكاة سلوك الأجسام الصلبة بدقة متناهية مع التعامل مع ملايين التغييرات في التصميم في وقت واحد، وهو أمر كان مستحيلاً في السابق.

يكمن جوهر المشكلة في كيفية تمثيل الحواسيب للعالم الفيزيائي. فالطرق التقليدية، مثل طريقة العناصر المحدودة المستخدمة في معظم برامج الهندسة، تعمل عن طريق تقطيع الجسم إلى شبكة من الكتل الصغيرة. وهي تحسب القوى والحركات داخل كل كتلة ثم تربط النتائج ببعضها البعض. يعمل هذا النهج جيداً في الحالات البسيطة، ولكن عندما يكون للجسم شكل معقد أو عندما يريد المهندسون اختبار آلاف الخصائص المادية المختلفة، تصبح الشبكة ضخمة بشكل لا يمكن تصوره. يحتاج الحاسوب لتخزين رقم لكل نقطة في تلك الشبكة. وإذا أضفت بضعة متغيرات فقط، مثل درجة الحرارة أو العيوب العشوائية في المواد، فإن كمية البيانات المطلوبة تنمو أسياً، وتتجاوز بسرعة سعة التخزين لأي آلة موجودة.

ولحل هذه المشكلة، لجأ الباحثون إلى تقنية تسمى "شبكات الموتر" (Tensor Networks). يمكنك التفكير في هذا كطريقة لوصف جسم ضخم ومعقد ليس عبر سرد كل نقطة فيه، بل عبر وصف الأنماط والروابط بينها. يشبه هذا كيف يمكن ضغط ملف صورة عالي الجودة: فبدلاً من حفظ لون كل بكسل بمفرده، يحفظ الحاسوب مجموعة من القواعد التي يمكنها إعادة إنشاء الصورة. وفي عالم الفيزياء، يعمل هذا الضغط بشكل استثنائي جيد للأنظمة التي تكون فيها الأجزاء مرتبطة بطريقة منظمة. لقد كيّف الباحثون هذه الفكرة لإنشاء خوارزمية "مستوحاة من الكم". هم لم يبنوا حاسوباً كمومياً، بل استخدموا الأدوات الرياضية التي طُوِّرت للفيزياء الكمومية لضغط بيانات المشكلات الهندسية الكلاسيكية. سمح لهم هذا بتمثيل محاكاة تحتوي على مليارات المجاهيل باستخدام جزء ضئيل جداً من الذاكرة، مما قلص حجم البيانات بمعاملات تصل إلى الملايين.

ومع ذلك، فإن الضغط وحده ليس كافياً. كان على الباحثين أيضاً إيجاد طريقة لحل المعادلات التي تصف كيفية حركة الجسم. وقد اختاروا طريقة تعتمد على "متعددات حدود تشيبيشيف" (Chebyshev polynomials)، وهي نوع معين من المنحنيات السلسة المستخدمة لتقريب الدوال. وعلى عكس النهج القائم على الكتلة تلو الأخرى المستخدم في الطرق التقلية، ينظر هذا الأسلوب إلى الجسم بأكمله دفعة واحدة، واصفاً شكله وحركته ببضعة منحنيات عالمية سلسة. هذا أكثر كفاءة للأجسام الملساء، مما يسمح للحاسوب بالوصول إلى مستوى عالٍ جداً من الدقة باستخدام نقاط بيانات أقل بكثير. وكان التحدي هو أن هذه المنحنيات السلسة يصعب دمجها مع الشروط الحدية المعقدة للأجسام الواقعية، مثل قطعة مثبتة من طرف واحد وحرة في الانزلاق من طرف آخر. وقد طور الفريق طريقة جديدة لفرض هذه القواعد مباشرة في البيبنة الرياضية للحل، مما يضمن بقاء الفيزياء صحيحة دون كسر عملية الضغط.

والنتيجة هي طريقة يمكنها حل مشكلة المرونة الخطية — وهي الرياضيات التي تصف كيفية تشوه المواد الصلبة — عبر نطاق واسع من الظروف في خطوة واحدة. وفي اختباراتهم، طبق الباحثون هذه الطريقة على نموذج مرجعي ثلاثي الأبعاد يتضمن حملاً متذبذباً. ووجدوا أن طريقتهم يمكن أن تحقق معدل خطأ يقل عن جزء واحد من مئة مليون، وهو مستوى من الدقة فشلت في الوصول إليه عمليات المحاكاة عالية الدقة الأخرى والطرق المتقدمة الأخرى ضمن نفس الإطار الزمني. وبينما استطاعت طرق أخرى الاقتراب من ذلك، إلا أنها تطلبت قوة حوسبة أكبر بكما للقيام بذلك، كما أن دقتها توقفت عند حد معين.

إن القوة الحقيقية لهذا الأسلوب الجديد، مع ذلك، تكمن في قدرته على التعامل مع عدم اليقين وتنوع التصميم. في إحدى التجارب، قام الباحثون بنمذجة "عتبة كابولية" (Cantilever Beam)، وهي عنصر إنشائي شائع، وسألوا الحاسوب للتنبؤ بسلوكها عبر مساحة تصميم تحتوي على 17 مليون تركيبة مختلفة من الطول، والعرض، والارتفاع، وصلابة المادة، وقوة الدعم. كان النهج التقليدي يتطلب تشغيل 17 مليون محاكاة منفصلة، وهي مهمة قد تستغرق سنوات من وقت الحوسبة. وباستخدام طريقتهم الجديدة، حل الباحثون لجميع التصاميم الـ 17 مليون في عملية تشغيل واحدة استغرقت 92 ثانية فقط. لم يقم الحاسوب بتخزين النتائج لكل تصميم على حدة؛ بل قام بتخزين كائن رياضي مضغوط واحد يحتوي على الإجابة لكل تصميم ممكن. وعندما احتاجوا لمعرفة النتيجة لمجموعة محددة من الأبعاد، قاموا ببساطة باستخراجها من هذا الشكل المضغوط.

كما اختبروا الطريقة في مشكلة تتعلق بعدم اليقين العشوائي، حيث قاموا بمحاكاة كتلة من الألمنيوم حيث تختلف صلابة المادة عشوائياً في جميع أنحاء حجمها. مثّلوا هذا العشوائية باستخدام عشرة متغيرات مختلفة، مما خلق سيناريو يتطلب عادةً كمية هائلة من الذاكرة لتخزينه. قامت الطريقة الجديدة بضغط الحل الكامل، الذي احتوى على أكثر من تريليون نقطة بيانات، في ملف أصغر بمقدار 2.4 مليون مرة من النسخة غير المضغوطة. سمح لهم ذلك بحساب متوسط الحركة وتغير شكل الكتلة بدقة عالية، وهو أمر كان سيكون مستحيلاً حسابياً باستخدام التقنيات القياسية.

ويؤكد الباحثون أن هذا النجاح يعتمد على امتلاك المشكلة لنوع معين من البنية السلسة. فإذا كانت خصائص المادة أو الهندسة شديدة التعرج أو الفوضوية، فإن الضغط لا يعمل بنفس الكفاءة. ومع ذلك، بالنسبة للغالبية العظمى من المشكلات الهندسية التي تتضمن مواد وأشكالاً سلسة، تقدم الطريقة قفزة نوعية هائلة. فهي تجمع بين الدقة المتناهية للطرق الطيفية العالمية والكفاءة القصوى لضغط شبكات الموتر. وهذا يعني أنه يمكن للمهندسين الآن استكشاف مساحات التصميم ونطاقات عدم اليقين التي كانت بعيدة المنال سابقاً، وإيجاد الحلول المثلى وفهم المخاطر دون انتظار الحواسيب الفائقة لتعمل لأسابيع.

في النهاية، يمثل هذا العمل تحولاً في كيفية تعاملنا مع المحاكاة الفيزيائية المعقدة. فهو ينتقل من استراتيجية "القوة الغاشمة" (Brute-force) المتمثلة في حساب كل نقطة بشكل فردي، إلى نهج أكثر ذكاءً يفهم الأنماط الكامنة في البيانات. ومن خلال معاملة المعلمات والمتغيرات العشوائية كبعد آخر يجب حله، وليس كسلسلة من المشكلات المنفصلة التي يجب تشغيلها واحدة تلو الأخرى، فتح الباحثون الباب أمام عصر جديد من الميكانيكا الحاسوبية. إن هذه الطريقة ليست عصا سحرية تحل كل المشكلات فوراً، لكنها توفر أداة قوية لمواجهة التحديات الأكثر صعوبة في الهندسة الإنشائية وعلم المواد، محولةً ما كان يوماً حساباً مستحيلاً إلى مهمة روتينية.