تخيل أنك تحاول التنبؤ بكيفية التواء إعصار حول ناطحة سحاب، أو كيف سيزأر محرك صاروخي أثناء كسر حاجز الصوت. لعقود من الزمن، استخدم العلماء أجهزة حواسيب فائقة ضخمة لمحاكاة هذه الأحداث عن طريق تقسيم الهواء إلى كتل صغيرة غير مرئية تشبه قطع "الليغو"، وحساب كيفية دفع كل كتلة وسحبها لجاراتها. الأمر يشبه محاولة التنبؤ بمسار قطرة مطر واحدة في عاصفة من خلال حساب حركة كل قطرة أخرى في السماء. ورغم دقة هذه الطريقة، إلا أنها بطيئة للغاية وتستهلك كميات هائلة من الكهرباء، لدرجة أنها قد تستغرق ساعات أو حتى أيامًا لمحاكاة ثوانٍ معدودة فقط من الطيران. يمثل هذا عائقًا رئيسيًا أمام المهندسين الذين يصممون طائرات أسرع أو صواريخ أكثر أمانًا. ولتسريع هذه العملية، بدأ الباحثون في تدريب "محاكيات عصبية" (neural emulators)—وهي برامج حاسوبية ذكية تتعلم تخمين الإجابة من خلال دراسة آلاف المحاكاة السابقة، تمامًا مثل طالب يحفظ الإجابات من اختبار تجريبي ليتفوق في الاختبار الحقيقي. ومع ذلك، غالبًا ما تواجه هذه البرامج الذكية صعوبة عند مواجهة الأجزاء الأكثر تطرفًا في التدفق، مثل موجات الصدمة (القفزات المفاجئة والعنيفة في ضغط الهواء) أو عندما تُطلب منها التنبؤ بسيناريوهات لم ترها من قبل، مما يؤدي غالبًا إلى إنتاج نتائج تبدو سلسة ولكنها تكسر القوانين الأساسية للفيزياء.

يقدم هذا البحث سير عمل جديدًا مدعومًا بالكامل بوحدات معالجة الرسومات (GPU) مصمم لبناء "محاكي فيزيائي" مخصص لتدفقات السرعات الفائقة (hypersonic flows)—وهي حركة الهواء بسرعة تزيد عن خمسة أضعاف سرعة الصوت. قام المؤلفون، بالتعاون مع برنامج حل خاص يسمى JAX-Fluids، بإنشاء مسار ثلاثي الخطوات لتدريب هذه المحاكيات. أولاً، استخدموا برنامج الحل لتوليد مجموعة بيانات ضخمة من محاكاة تدفق الهواء عالي السرعة بسرعة فائقة. ثانيًا، قاموا بتدريب أنواع مختلفة من الشبكات العصبية (بما في ذلك "المحول البصري" Vision Transformer ونموذج "مطابقة التدفق" Flow Matching) لتعلم الأنماط في هذه البيانات. وأخيرًا، والأهم من ذلك، أضافوا مرحلة "تحسين مدركة للفيزياء". فبدلاً من مجرد حفظ البيانات، يقوم النظام بالتحقق من توقعاته مقابل قوانين الفيزياء الفعلية (المعادلات التي تحكم حركة الهواء) ويصحح أخطاءه دون الحاجة إلى أي بيانات مرجعية جديدة. ووجدت الدراسة أنه بينما تمتلك النماذج المختلفة نقاط قوة متفاوتة—بعضها أفضل مع الكثير من البيانات، والبعض الآخر مع القليل منها—فإن الجمع بين شبكة عصبية ذكية والتصحيح الذاتي القائم على الفيزياء يخلق أداة ليست سريعة فحسب، بل موثوقة أيضًا بما يكفي لاستخدامها في دورات التصميم الهندسي الواقعية، حتى في الحالات التي لم يسبق للنموذج رؤيتها من قبل.

قصة المسرع الفائق (The Story of the Hypersonic Speedster)

المشكلة: الحركة البطيئة للواقع
فكر في تصميم مركبة فائقة السرعة (تطير بسرعة ماخ 5 أو أعلى) كأنك تحاول رسم لوحة فنية رائعة أثناء ركض ماراثون. الهواء حول المركبة يقوم بشيء جنوني: إنه ينضغط، يسخن، ويخلق موجات صدمة تعمل كجدران غير مرئية. لمحاكاة هذا بدقة، يستخدم المهندسون تقليديًا "ديناميكا السوائل الحسابية" (CFD). تخيل هذا كشبكة عملاقة من بالونات الماء تغطي المركبة بأكملة. لكي نرى كيف يتحرك الهواء، يجب على الحاسوب حساب كيفية دفع كل بالون لجاره، خطوة بخطوة صغيرة. إنها دقيقة للغاية، لكنها بطيئة بشكل قاتل. إذا أردت اختبار 1,000 شكل مختلف لمقدمة صاروخ، فقد تضطر للانتظار سنوات حتى ينتهي الحاسوب.

الحل: المتدرب الذكي
هنا يأتي دور "المحاكي الفيزيائي". هذا هو المحاكي العصبي—نوع من الذكاء الاصطناعي—الذي يعمل كمتدرب فائق السرعة. بدلاً من حساب كل تفاعل للبالونات من الصفر، ينظر المتدرب إلى شكل الصاروخ وسرعة الرياح، ثم "يخمن" فورًا كيف سيكون شكل تدفق الهواء بناءً على ما تعلمه من آلاف المحاكات السابقة. الأمر يشبه طباخًا تذوق ألف نوع من الحساء ويمكنه فورًا إخبارك بالضبط كيف سيكون طعم حساء جديد بمجرد النظر إلى المكونات، دون الحاجة لطهيه فعليًا.

ومع ذلك، هناك عقبة. هؤلاء المتدربون من الذكاء الاصطناعي بارعون في تخمين الشكل العام للحساء، لكنهم غالبًا ما يخطئون في التفاصيل. في الطيران فائق السرعة، التفاصيل هي كل شيء. الهواء لا يتدفق بسلاسة فحسب؛ بل يخلق "صدمات"—وهي قفزات مفاجئة وعنيفة في الضغط ودرجة الحرارة. إذا خمن الذكاء الاصطناعي مكان الصدمة بشكل خاطئ، أو إذا توقع درجة حرارة سالبة (وهو أمر مستحيل فيزيائيًا)، فإن التصميم يصبح عديم الفائدة. علاوة على ذلك، إذا طلبت من الذكاء الاصطناعي تصميم صاروخ لسرعة لم يسبق له رؤيتها، فقد يتخيل نتيجة تبدو جميلة ولكنها تكسر قوانين الفيزياء.

سير العمل الجديد: معسكر التدريب ثلاثي المراحل
بنى مؤلفو هذا البحث سير عملًا يعتمد بالكامل على وحدات معالجة الرسومات (GPU) لتدريب متدرب أفضل. لم يكتفوا بإلقاء البيانات على النموذج؛ بل أنشأوا معسكر تدريب ثلاثي المراحل باستخدام أداة خاصة تسمى JAX-Fluids، وهي برنامج حل يمكنه العمل على بطاقات الرسومات (GPUs) والأهم من ذلك، يمكنه "التفكير بشكل عكسي" (قابل للتفاضل/differentiable).

1. المرحلة الأولى: مصنع البيانات (توليد عالي الدقة)
   أولاً، استخدموا JAX-Fluids لتوليد مكتبة ضخمة من محاكاة التدفق فائق السرعة. لم يستخدموا شكلاً واحدًا فقط؛ بل قاموا بتغيير هندسة المحرك النفاث (scramjet) وسرعة الهواء القادم. خلق هذا مجموعة بيانات تضم أكثر من 7,000 سيناريو فريد. فكر في هذا كمتدرب يقرأ مكتبة تضم 7,000 دليل طيران مختلف.

2. المرحلة الثانية: الفصل الدراسي (التدريب المسبق)
   بعد ذلك، قاموا بتدريب أنواع مختلفة من الشبكات العصبية على هذه المكتبة. واختبروا نوعين رئيسيين من "البنى" (طرق تنظيم دماغ الذكاء الاصطناعي):

• AB-UPT: يعامل هذا النموذج تدفق الهواء كسحابة من النقاط الفردية. إنه مرن ودقيق للغاية عندما يمتلك الكثير من البيانات، ولكنه بطيء وثقيل من الناحية الحسابية.
• ViT (المحول البصري - Vision Transformer): يعامل هذا النموذج تدفق الهواء كشبكة من قطع الصور، تمامًا كما ينظر الإنسان إلى صورة. إنه سريع وفعال للغاية. ومن المثير للاهتمام أنه عندما كانت البيانات شحيحة (50 مثالاً فقط)، كان أداء ViT أفضل لأن هيكله الشبكي منحه "بداية قوية" في فهم الفضاء.
• مطابقة التدفق (Flow Matching): جربوا أيضًا نموذجًا احتماليًا لا يعطي إجابة واحدة فحسب، بل يعطي نطاقًا من الإجابات الممكنة، مما يوفر "مقياس عدم يقين" مدمجًا. كان هذا رائعًا لمعرفة متى يكون الذكاء الاصطناعي في حالة تخمين، رغم أنه كان أقل دقة في المتوسط.

أظهرت النتائج وجود مقايضة: إذا كان لديك مجموعة بيانات ضخمة، فإن النموذج القائم على النقاط (AB-UPT) هو الأكثر دقة. وإذا كان لديك بيانات محدودة، فإن النموذج القائم على الشبكة (ViT) يتعلم بشكل أسرع.

3. المرحلة الثالثة: الفحص الفيزيائي (التحسين الخالي من الهدف)
   هذا هو السر الكامن وراء بحثهم. بعد أن ينهي الذكاء الاصطناعي واجبه المنزلي، لم يتوقفوا عند هذا الحد. استخدموا برنامج الحل JAX-Fluids للتحقق من إجابات الذكاء الاصطناعي مقابل قوانين الفيزياء الفعلية.

• عادةً، لإصلاح ذكاء اصطناعي، تحتاج إلى "الإجابة الصحيحة" (الحقيقة الأرضية) لتوضح له أين أخطأ. لكن في الهندسة، غالبًا ما ترغب في اختبار تصميم جديد ليس لديك له محاكاة بعد.
• طريقتهم هي "الخالية من الهدف" (target-free). يأخذون توقعات الذكاء الاصطناعي، ويعيدون تغذيتها في برنامج الحل الفيزيائي، ويسألون: "هل يحقق هذا التوقع قانون حفظ الكتلة والطاقة؟" إذا كانت الإجابة لا، يقوم البرنامج بحساب "البواقي" (residual) (وهو مقياس لمدى كسر القوانين الفيزيائية) ويرسل إشارة إلى الذكاء الاصطني لتصحيح نفسه.
• الأمر يشبه طالبًا يؤدي اختبارًا، ثم يراجع عمله مقابل قواعد الرياضيات في الكتاب المدرسي. إذا رأى أنه انتهك قاعدة ما، فإنه يصحح الإجابة دون الحاجة إلى معلم ليقوم بتصحيحها أولاً.

النتائج: ماذا حدث بالفعل؟
كشفت التجارب عن رؤى رائعة:

• التحسين يصنع المعجزات: عندما طبقوا هذا التحسين القائم على الفيزياء، انخفضت "البواقي" (مقدار كسر الفيزياء) بشكل كبير. على سبيل سبيل المثال، انخفض الخطأ في حفظ الكتلة من حوالي 0.31 إلى 0.10. أصبح الذكاء الاصطناعي أكثر اتساقًا من الناحية الفيزيائية.
• لا حاجة لبيانات جديدة: الجزء الأفضل هو أن هذا التحسين لم يتطلب أي عمليات محاكاة جديدة ومكلفة. لقد احتاج فقط إلى الشبكة (mesh) ومعلمات التصميم. وهذا يعني أن المهندسين يمكنهم تحسين الذكاء الاصطناعي لتصاميم جديدة لم تُحاكى بعد بتكلفة ضئيلة جدًا.
• الدقة مقابل الاتساق: من المثير للاهتمام أنه بينما جعل التحسين الفيزياء أكثر اتساقًا، إلا أنه لم يغير "الشكل" العام لمجال التدفق بشكل جذري. كان النموذج المدرب مسبقًا جيدًا بالفعل في الصورة الكبيرة؛ التحسين فقط قام بتنظيف التفاصيل المحلية لضمان امتثالها لقوانين الطبيعة.
• عدم اليقين مهم: النموذج الاحتمالي (Flow Matching) كان الأفضل في إخبار المستخدم بمدى عدم تأكده. فقد أظهر عدم يقين عالٍ تمامًا في الأماكن التي توجد بها موجات الصدمة، وهو أمر حيوي لسلامة المهندسين.

لماذا يهم هذا؟
يشير المؤلفون إلى أن سير العمل هذا يمكن أن يغير طريقة تصميم المركبات فائقة السرعة. فبدلاً من الانتظار لأيام لتشغيل محاكاة لكل فكرة جديدة، يمكنهم استخدام هذا المحاكي لاستكشاف آلاف التصاميم في أجزاء من الثانية. إذا بدا تصميم ما واعدًا، يمكنهم تشغيل المحاكاة الكاملة والبطيئة فقط للتأكد. "التحسين الخالي من الهدف" يعني أنه يمكنهم حتى تعديل الذكاء الاصطناعي لتصاميم لم يتم محاكاتها بعد، مما يضمن صمود الفيزياء دون التكلفة الحسابية العالية.

باختصار، هذا البحث لا يعطينا مجرد حاسبة أسرع؛ بل يعطينا متدربًا أذكى، ذاتي التصحيح، يحترم قوانين الفيزياء، حتى عندما يكون في حالة تخمين. إنه يشير إلى أنه من خلال الجمع بين سرعة الذكاء الاصطناعي وصرامة برامج الحل الفيزيائية، يمكننا أخيرًا معالجة التدفقات المعقدة وعالية السرعة التي لطالما كانت عقبة أمام الهندسة الحديثة.