Learning Nonlinear Reduced-Order Models of Fluid Flows with InfoVAE

تخيل أنك تحاول التنبؤ بمسار ورقة شجر واحدة تتقلب في نهر فوضوي. الماء لا يتدفق فحسب؛ بل يلتوي، وينعطف، ويصطدم بنفسه في رقصة مذهلة من الدوامات الصغيرة والتيارات الهائلة. هذا هو عالم ديناميكا السوائل، علم كيفية حركة السوائل والغازات. وبينما نمتلك قواعد رياضية قوية (تسمى معادلات نافييه-ستوكس) تصف هذه الحركة بشكل مثالي، فإن حلها للمواقف الواقعية يشبه محاولة عد كل حبة رمل على الشاطئ بينما يزحف المد. يتطلب الأمر حواسيب فائقة ويستغرق وقتاً طويلاً جداً. ولجعل الأمور أسرع، يستخدم العلماء "نماذج الرتبة المنخفضة" (reduced-order models). فكر في هذه النماذج كأنها رسم تخطيطي للنهر بدلاً من صورة فوتوغرافية. فبدلاً من تتبع كل قطرة ماء، يحاولون إيجاد الأنماط الرئيسية القليلة التي تفسر معظم الحركة، مثل الدوامات الرئيسية، مما يسمح لنا بالتنبؤ بالمستقبل دون القيام بكل العمل الشاق.

ومع ذلك، فإن لهذه الرسومات مشكلة. الطرق التقليدية تشبه محاولة رسم إعصار معقد وملتف باستخدام الخطوط المستقيمة فقط. إنها تعمل بشكل جيد للتدفقات البسيطة والمتوقعة، ولكن عندما يصبح السائل فوضوياً، ومضطرباً، وعشوائياً حقاً، فإن الخطوط المستقيمة لا تستطيع التقاط المنحنيات الجامحة. وهنا يأتي دور نهج جديد يستخدم الذكاء الاصطناعي، يحاول تعلم "شكل" الفوضى بدلاً من مجرد حشرها في خط مستقيم.

في هذه الورقة البحثية، يقترح فريق من الباحثين من المغرب طريقة جديدة وذكية لرسم هذه الرسومات باستخدام نوع معين من الذكاء الاصطناعي يسمى InfoVAE (المشفّر التلقائي التبايني لتعظيم المعلومات). لقد اختبروا هذه الفكرة على عمليات محاكاة حاسوبية لتدفق المياه حول لوحين مسطحين. في أحد الاختبارات، تدفقت المياه بسلاسة وتوقع (مثل رقصة إيقاعية منتظمة)، وفي الآخر، تحولت إلى حالة من الفوضى والاضطراب (مثل ساحة "موش بيت" صاخبة). وجد الباحثون أن طريقة الذكاء الاصطناعي الجديدة هذه كانت ممتازة في ضغط بيانات المياه المعقدة إلى ملخص بسيط وصغير. لقد تعلمت فصل "الحركات" المهمة للسائل عن الضجيج، مما خلق خريطة منخفضة الأبعاد تبدو مشابهة جداً للأنماط التي تجدها الطرق الخطية القديمة، لكنها تتعامل مع الأجزاء الفوضوية بشكل أفضل بكثير. ثم قاموا بربط هذه الخريطة الذكية بأداة أخرى تسمى "Transformer" للتنبؤ بكيفية تغير التدفق بمرور الوقت. وبينما عملت الطريقة بشكل جيد جداً مع التدفق السلس والمنتظم، وأظهرت وعداً كبيراً في التدفق الفوضوي، لاحظ الفريق أنهم واجهوا بعض الحدود الحاسوبية عند محاولة تشغيل المحاكاة الفوضوية لفترة طويلة. ومع ذلك، تشير النتائج إلى أن نهج الذكاء الاصطناعي هذا يعد أداة قوية جديدة لفهم والتنبؤ بالسلوك الجامح للسوائل دون الحاجة إلى محاكاة كل قطرة ماء بمفردها.

قصة التدفق

تخيل أنك مخرج يحاول تصوير فيلم عن نهر. لديك كاميرا تسجل كل جزيء ماء. هذا قدر هائل من البيانات! إذا حاولت تخزين كل إطار لكل جزيء، سينفجر قرصك الصلب. لذا، تقرر استئجار مساعد ذكي (الذكاء الاصطناعي) لمشاهدة الفيلم وكتابة ملخص له.

الطريقة القديمة في القيام بذلك كانت تشبه أميناً للمكتبة جامداً. سيقول أمين المكتبة: "حسناً، النهر يتحرك في خطوط مستقيمة. سوف نتتبع فقط الماء الذي يتحرك يميناً ويساراً، وأعلى وأسفل". هذا يعمل بشكل جيد إذا كان النهر هادئاً. ولكن إذا بدأ النهر في الدوران، والالتفاف، والاصطدام بنفسه، فسيصاب أمين المكتبة بالارتباك. الخطوط المستقيمة لا تناسب المنحنيات، ويصبح الملخص فوضوياً. هذا ما يحدث لطريقة "تفكيك المكونات المتعامدة الصحيحة" (POD) التقليدية المذكورة في الورقة. فهي رائعة للتدفقات البسيطة ولكنها تعاني عندما تصبح الأمور غير خطية وفوضوية.

قرر الباحثون في هذه الورقة تجربة نوع مختلف من المساعدين: InfoVAE. فكر في هذا الذكاء الاصطناعي كفنان مبدع لا يبحث فقط عن الخطوط المستقيمة، بل يبحث عن جوهر الحركة. إنه يسأل: "ما هي الحركات الرئيسية القليلة التي تشكل هذه الرقصة؟"

لقد اختبروا هذا الفنان على نوعين من "الأفلام":

1. الراقص الإيقاعي (Re = 40): هنا، يتدفق الماء عبر لوحين ويخلق نمطاً منتظماً ومتكرراً من الدوامات. إنه يشبه الميترونوم (ضبط الإيقاع). وجد الباحثون أن الـ InfoVAE يمكنه ضغط هذا الفيلم بالكامل في مجرد حركتين رئيسيتين (أبعاد كامنة). لقد استخلص 94% من طاقة التدفق، وهو أمر يقارب جودة طريقة أمين المكتبة القديمة (التي استخلصت 98.4%). ولكن إليك الجزء المذهل: لم يكتفِ الذكاء الاصطناعي بنسخ الطريقة القديمة، بل تعلم هذه الأنماط من تلقاء نفسه، وبدت الأنماط التي وجدها مطابقة تماماً للاثار الدوامية التي تتوقع رؤيتها في الواقع.
2. ساحة الموش بيت (Re = 100): في هذا السيناريو، يتدفق الماء عبر الألواح بزاوية مختلفة وبسرعة أكبر بكثير. يصبح التدفق فوضوياً، وغير متوقع، وجامحاً. هذه هي "ساحة الموش بيت" حيث يصطدم كل شيء بكل شيء آخر. أمين المكتبة القديم (POD) سيعاني هنا لأن الخطوط المستقيمة ببساطة لا تعمل. ومع ذلك، استطاع الـ InfoVAE العثور على 6 حركات رئيسية لوصف هذه الفوضى. لقد نجح في ضغط الكم الهائل من البيانات في ملخص صغير لا يزال يشبه الواقع.

كيف فعلوا ذلك

بنى الباحثون نظام تعلم آلي يتكون من جزأين رئيسيين. أولاً، استخدموا InfoVAE ليعمل كأداة ضغط. لقد أخذ فيديو عالي الدقة لتدفق الماء وضغطه في "فضاء كامن" (latent space) صغير ومنخفض الأبعاد. يمكنك التفكير في هذا الفضاء الكامن كأنه شفرة سرية. بدلاً من تخزين ملايين الأرقام لكل قطرة ماء، يخزن الذكاء الاصطناعي مجرد بضعة أرقام تمثل الدوامات والموجات الرئيسية.

توضح الورقة أن نماذج الذكاء الاصطنا_القديمة (المعروفة بالـ Variational Autoencoders القياسية) غالباً ما تواجه مشكلة تتمثل في عدم استغلال الفضاء الكامن بشكل كامل. قد يتجاهلون الشفرة السرية ويحاولون فقط تخمين الصورة من الذاكرة، أو قد يرتبكون بشأن ما تعنيه الشفرة فعلياً. يعالج الـ InfoVAE هذه المشكلة باستخدام قاعدة خاصة (دالة هدف رياضية) تجبر الذكاء الاصطناعي على جعل الشفرة السرية مفيدة ومعلوماتية. إنه يضمن أن الشفرة تحكي بالفعل قصة تدفق الماء، بدلاً من أن تكون مجرد ضجيج عشوائي.

بمجرد حصول الذكاء الاصطناسي على هذه الشفرة السرية، استخدموا أداة ثانية تسمى Easy-Attention Transformer للتنبؤ بالمستقبل. تخيل أن لديك سلسلة من الشفرات السرية التي تمثل رقصة النهر. ينظر الـ Transformer إلى آخر بضع شفرات ويتوقع ما ستكون عليه الشفرة التالية. إنه يشبه التنبؤ بالخطوة التالية في روتين الرقص. قام الباحثون بتدريب هذا النموذج على 90% من البيانات واختبروه على الـ 10% المتبقية.

ماذا وجدوا

كانت النتائج واعدة للغاية. بالنسبة للتدفق الإيقاعي (Re = 40)، كانت الشفرة السرية للذكاء الاصطناعي جيدة جداً لدرجة أنه عند تحويلها مرة أخرى إلى صورة للماء، بدت مطابقة للأصل تقريباً. "الدوامات" التي وجدها الذكاء الاصطناعي تطابقت مع الفيزياء الحقيقية تماماً. تشير الورقة إلى أنه حتى لو حاولوا تكبير الشفرة السرية (إضافة المزيد من الأبعاد)، فقد قرر الذكاء الاصطناعي بشكل طبيعي أن اثنين منها فقط لهما أهمية، متجاهلاً البقية. وهذا يظهر أن الذكاء الاصطناعي كان ذكياً بما يكفي ليعرف بالضبط مقدار المعلومات التي يحتاجها.

بالنسبة للتدفق الفوضوي (Re = 100)، كانت النتائج أيضاً مشجعة. تمكن الذكال الاصطناسي من تعلم تمثيل موجز للتدفق الفوضوي. أظهرت رسوم التدريب أن الخطأ (مدى خطأ الذكاء الاصطناسي) انخفض بثبات، وظلت عملية "التنظيم" (القاعدة التي تبقي الشفرة منظمة) مستقرة. وهذا يشير إلى أن الذكاء الاصطناسي لم يحفظ البيانات فحسب، بل تعلم بالفعل القواعد الأساسية للرقصة الفوضوية.

ومع ذلك، كانت الورقة صادقة بشأن حدودها. أراد الباحثون إجراء المزيد من الاختبارات وحساب أرقام أكثر تفصيلاً للتدفق الفوضوي، لكن حاسوبهم (مجموعة Marwan HPC) استمر في التعطل أو نفاد الوقت قبل أن يتمكنوا من إنهاء عمليات المحاكاة الطويلة. ولهذا السبب، لم يتمكنوا من تقديم كل الإحصائيات التي أرادوها للحالة الفوضوية. كما أشاروا إلى أنهم اختبروا سرعتين محددتين فقط (أرقام رينولدز 40 و100) وفي بُعدين فقط (مياه مسطحة ثنائية الأبعاد). لم يختبروا التدفقات ثلاثية الأبعاد (مثل الأنهار الحقيقية في الفضاء ثلاثي الأبعاد) أو السرعات الأعلى.

الخلاصة

إذاً، ماذا يعني كل هذا؟ تشير الورقة إلى أن استخدام InfoVAE هو وسيلة قوية لتبسيط تدفقات السوائل المعقدة. إنه أفضل من طرق "الخطوط المستقيمة" القديمة لأنه يمكنه التعامل مع الأجزاء الملتوية، والملتوية، والفوضوية من حركة السوائل. إنه ينشئ ملخصاً صغيراً وفعالاً للتدفق يحافظ على الفيزياء الهامة سليمة.

وعلى الرغم من أنه ليس عصا سحرية تحل كل مشاكل السو fluids بعد، إلا أنه خطوة قوية جداً للأمام. لقد أظهر الباحثون أنه من خلال الجمع بين ضاغط الذكاء الاصطناسي الذكي هذا وبين أداة تنبؤ، يمكننا الحصول على نماذج دقيقة وسريعة لسلوك السوائل. إنه يشبه أخيراً امتلاك مخرج يمكنه تلخيص ساحة "موش بيت" فوضوية في بضع حركات رقص رئيسية، مما يسمح لنا بالتنبؤ بالخطوة التالية دون الحاجة لمشاهدة كل شخص في الحشد. إن المستقبل، كما يقترحون، يتضمن أخذ هذه الفكرة وتطبيقها على مسائل سوائل أكثر تعقيداً، وثلاثية الأبعاد، وعالية السرعة.