Federated Scientific Machine Learning Framework for Multi-Scale Inverse Parameter Identification: Application to Nonlocal Strain Gradient Plasticity
تقدم هذه الدراسة إطار عمل جديد للتعلم الآلي العلمي الاتحادي العكسي (I-FedSciML) يتيح المعايرة التعاونية مع الحفاظ على الخصوصية لمعلمات نموذج اللدونة بتدرج الانفعال غير الموضعي عبر مجموعات بيانات تجريبية متنوعة على المقياس المجهري دون مركزية البيانات الخام، محققاً دقة تنبؤية عالية حتى في ظل ظروف الضجيج الكبيرة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
عند مقياس شعرة الإنسان أو حبة الرمل، تبدأ القواعد التي تحكم كيفية انثناء وتمدد المعادن في التغير. في العالم المعتاد، ينبغي أن يتصرف كل من العارضة الفولاذية السميكة والسلك الفولاذي الرفيع المصنوعان من نفس المادة بشكل متشابه عند ثنيهما؛ فقوتهما هي خاصية ثابتة للمعدن نفسه. ولكن عندما يقلص العلماء حجم عينة معدنية إلى المستوى المجهري، يكتشفون شيئًا غير متوقع: كلما صغر حجم القطعة، زادت قوتها. فالسلك الضئيل يقاوم الالتواء أكثر بكثير من السلك السميك، والعارضة المجهرية تقاوم الانثناء بقوة لا يمكن للفيزياء الكلاسيكية تفسيرها. هذه الظاهرة، المعروفة باسم اللدونة المعتمدة على الحجم، تحدث لأن البنية الداخلية للمعدن — وتحديدًا العيوب الصغيرة المسماة "الخلوع" (dislocations) التي تسمح له بالتشوه — تتراكم بشكل مختلف عندما تكون العينة صغيرة جدًا. وللتنبؤ بكيفية سلوك هذه الهياكل الصغيرة، يستخدم المهندسون نماذج رياضية معقدة تتضمن "مقياس طول" خاصًا لتفسير هذه القوة الإضافية. ومع ذلك، فإن تحديد الأرقام الدقيقة لهذه النماذج كان مشكلة مستعصية؛ فالبيانات اللازمة لمعايرتها تأتي من تجارب دقيقة تُجرى في مختبرات مختلفة، وغالبًا على مواد مختلفة، والنتائج شحيحة ومشتتة. تقليديًا، اضطر الباحثون إلى تحليل كل تجربة بشكل منعزل، مما يؤدي غالبًا إلى إجابات غير مؤكدة أو متضاربة حول ما يفعله المعدن حقًا.
لقد اقترح فريق من الباحثين الآن طريقة جديدة لحل هذا اللغز عبر جمع هذه التجارب المشتتة دون نقل البيانات الخام أبدًا. فقد طوروا نظامًا يسمى "التعلم الآلي العلمي الاتحادي العكسي"، وهو أسلوب يسمح لأجهزة كمبيوتر متعددة بالتعلم من بعضها البعض مع الحفاظ على سرية معلوماتها الخاصة. تخيل مجموعة من العلماء في بلدان مختلفة، يمتلك كل منهم مجموعة فريدة من النتائج التجريبية لقطعة من المعدن. وبدلاً من إرسال بياناتهم الحساسة إلى خادم مركزي حيث يمكن فقدانها أو سرقتها، يقومون بإرسال "الدروس" التي تعلموها من بياناتهم فقط إلى منسق مركزي. يقوم المنسق بخلط هذه الدروس لإنشاء فهم مشترك أكثر ذكاءً، والذي يتم إرساله بعد ذلك إلى العلماء لتطوير نماذجهم المحلية. في هذه الدراسة، طبق الباحثون هذا النهج على مشكلة تحديد المعلمات الخفية لنموذج لدونة تدرج الانفعال غير الموضعي. لقد عاملوا كل تجربة متميزة — سواء كانت عارضة نيكل رفيعة، أو رقاقة نيكل (LIGA)، أو عارضة ألومنيوم، أو سلك نحاس — كـ "عميل" مستقل في شبكة رقمية. تعلم النظام رسم خريطة للهندسة المحددة لكل عينة، مثل سمكها وحجم حبيباتها، مباشرة إلى الأرقام المحددة اللازمة لجعل النموذج الفيزيائي يعمل بدقة لهذا الجزء المحدد من المعدن.
اختبر الباحثون هذا الإطار باستخدام بيانات من العالم الحقيقي من أربعة أنواع مختلفة من التجارب المجهرية: ثني عوارض النيكل الملدنة الرفيعة، وثني رقائق النيكل (LIGA)، وثني عوارض الألومنيوم، والالتواء في أسلاك النحاس الرفيعة. وفي كل حالة، نجح النظام في تحديد مجموعة فريدة من معلمات المادة لكل تجربة، على الرغم من أن البيانات جاءت من مصادر وأحجام وأشكال مختلفة. بالنسبة لعوارض النيكل، تعلم النموذج أن قوة المادة تعتمد بشكل كبير على سمك العارضة، مما أعاد إنتاج المنحنيات التجريبية بدقة عالية. وكان الأمر نفسه ينطبق على أسلاك النحاس؛ حيث تنبأ النظام بشكل صحيح بمقدار القوة المطلو لثني الأسلاك ذات الأقطار المختلفة، مستوعبًا الاختلافات الدقيقة في كيفية تصلبها تحت الإجهاد. كانت النتائج دقيقة للغاية، حيث طابقت تنبؤات النموذج القياسات التجريبية لدرجة أن الخطأ الإحصائي كان غالبًا أقل من واحد بالمائة. وهذا يشير إلى أن النظام يمكنه بفعالية تعلم الفيزياء الكامنة وراء كيفية تغيير الحجم لسلوك المادة، حتى عندما تكون البيانات غير منظمة أو تأتي من تجهيزات مختلفة تمامًا.
ولضمان متانة الطريقة، اختبر الباحثون أيضًا مدى قدرتها على التعامل مع الضجيج، من خلال محاكاة أخطاء القياس الصغيرة التي تحدث في المختبرات الحقيقية. فقد أدخلوا أخطاءً اصطناعية تتراوح من واحد بالمائة إلى عشرة بالمائة في البيانات لمعرفة ما إذا كان النظام سينهار. وحتى مع وجود ضجيج بنسبة عشرة بالمائة، وهو مقدار كبير من الخطأ، ظل الإطار مستقرًا. ورغم أن التنبؤات أصبحت أقل دقة قليلاً وأظهرت الأرقام المحددة بعض التباين، إلا أن النظام ظل يلتقط الاتجاهات الرئيسية لكيفية سلوك المواد. لم ينهار النظام إلى نتائج غير منطقية، بل قدم تقديرًا موثوقًا لخصائص المواد رغم التداخل. هذه المرونة أمر بالغ الأهمية للتطبيق في العالم الحقيقي، حيث نادراً ما تكون البيانات التجريبية مثالية. وتثبت الدراسة أنه من الممكن بناء شبكة تعاونية تحافظ على الخصوصية وتتعلم من تجارب متنوعة وموزعة لحل المشكلات الفيزيائية المعقدة. ومن خلال إبقاء البيانات محلية ومشاركة الرؤى المستفادة فقط، يوفر هذا النهج مسارًا جديدًا للعلماء لمعايرة نماذج المواد المتقدمة دون المساس بأمن أو ملكية نتائجهم التجريبية. لا يدعي هذا العمل أنه حل كل مشكلة في علم المواد، ولكنه يوفر أداة قوية جديدة لفهم كيفية سلوك العالم المجهري، وهي أداة تحترم الحدود بين مجموعات البحث المختلفة بينما توحد معرفتها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.