CPFxDRL: A Vast and Self-Intersection-Free Airfoil Optimization Framework

إن تصميم أجنحة الطائرات عملية توازن دقيقة؛ إذ يتعين على المهندسين تشكيل سطح يقطع الهواء بأقل قدر من المقاومة مع توليد قوة رفع كافية لإبقاء الآلة الثقيلة محلقة في الجو. ولعقود من الزمن، كان النهج القياسي هو استخدام صيغ رياضية تصف منحنى الجناح بأككامل كجسم واحد سلس. وبينما تعمل هذه الصيغ بشكل جيد للأشكال المستديرة البسيطة، إلا أنها تواجه صعوبة عندما يتطلب التصميم منعطفات حادة، أو أقساماً مسطحة، أو منحنيات معقدة. وعندما يحاول المهندسون استخدام الذكاء الاصطناائي لابتكار أشكال أجنحة جديدة، فإن هذه الصيغ الجامدة غالباً ما تجعل الكمبيوتر يولد هندسات مستحيلة—أجنحة تتقاطع مع نفسها أو تتجعد مثل قطعة ورق مجعدة. وتتسبب هذه الأخطاء في تعطل برامج المحاكاة، مما يضطر الكمبيوتر للبدء من جديد ويؤدي إلى إهدار كميات هائلة من الوقت.

ولحل هذه المشكلة، طور باحثون في جامعة إيران للعلوم والتكنولوجيا طريقة جديدة لتعليم الكمبيوتر كيفية تصميم الأجنحة. فبدلاً من إجبار الذكاء الاصطناعي على وصف الجناح بأكمله دفعة واحدة، قاموا بتجزئة المشكلة إلى قطع أصغر يمكن إدارتها. لقد أنشأوا نظاماً يسمى CPFxDRL، يجمع بين خوارزمية تعلم قوية وطريقة لبناء الأشكال قطعة قطعة. ووجد الباحثون أن هذا النهج يسمح للكمبيوتر باستكشاف مجموعة أوسع بكثير من تصميمات الأجنحة دون إنتاج شكل مستحيل أبداً. وفي اختباراتهم، لم يتعلم النظام الجديد بسرعة أكبر من الطرق السابقة فحسب، بل اكتشف أيضاً أشكال أجنحة تعمل بشكل أفضل بكثير، حتى عندما كانت المهمة تتطلب الحفاظ على سمات محددة مثل وجود سطح سفلي مسطح تماماً.

يكمن التحدي الجوهري في كيفية فهم الكمبيوتر للشكل. فالطرق التقليدية تعامل الجناح كخط واحد مستمر ترسمه صيغة عالمية شاملة. وإذا قام الكمبيوتر بتغيير جزء واحد من هذه الصيغة، فإن الجناح بأكمله يتغير بطرق غير متوقعة غالباً. يشبه هذا محاولة تشكيل منحوتة من الطين عن طريق السحب على خيط واحد متصل بالخلف؛ حيث يتشوه الشكل بأكمله، وقد تنتهي بالخطأ بضغط الطين ليصبح عقدة. وعندما يحاول الذكاء الاصطناعي تعلم كيفية تحسين جناح باستخدام هذه الطريقة، فإنه غالباً ما يرتكب أخطاء تؤدي إلى هذه العقد، أو التقاطعات الذاتية، مما يتسبب في فشل محاكاة الفيزياء. أدرك الباحثون أنه لكي يمنحوا الذكاء الاصطناعي الحرية الحقيقية للاستكشاف، كانوا بحاجة إلى طريقة لوصف الجناح تكون مرنة وآمنة رياضياً في آن واحد.

كان حلهم يكمن في التوقف عن التفكير في الجناح كخط واحد طويل والبدء في التفكير فيه كسلسلة من القطع المتصلة. لقد قسموا الجناح إلى أقسام متميزة، كل منها محدد بوظيفته الرياضية البسيطة الخاصة. ومن الأهمية بمكان أنهم وضعوا قواعد صارمة داخل هذه الوظائف تمنعها من التقاطع أو الالتفاف على نفسها أبداً. يشبه هذا كيف يقوم نجار ببناء إطار خشبي معقد عن طريق وصل قطع جاهزة ومستقرة، بدلاً من محاولة نحت الهيكل بأكمله من كتلة واحدة من الخشب. ومن خلال ضمان أن كل قطعة صالحة فيزيائياً بحد ذاتها، خلق الباحثون بيئة آمنة تتيح للذكاء الاصطناعي التجربة بحرية. استطاع الكمبيوتر تحريك نقاط الاتصال بين هذه القطع وتعديل منحنى كل قطعة، وهو واثق من أن النتيجة ستكون دائماً جناحاً حقيقياً قابلاً للتصنيع.

اختبر الباحثون هذا النظام الجديد مقابل الطريقة التقليدية باستخدام شكل جناح قياسي معروف باسم NACA 0012. لقد طلبوا من الذكاء الاصطناعي إيجاد أفضل شكل ممكن لتعظيم قوة الرفع مع تقليل السحب، وهو مقياس للكفاءة. استغرقت الطريقة التقليدية، التي اعتمدت على الصيغ العالمية القديمة، وقتاً طويلاً للاستقرار على إجابة جيدة. وكثيراً ما وقع الذكاء الاصطناعي في حلقة مفرغة من توليد أشكال سيئة، مما يؤدي إلى تعطل المحاكاة والاضطرار للبدء من جديد. في المقابل، تعلم النظام الجديد تحسين الجناح في أقل من نصف الوقت. لقد وصل إلى تصميم مستقر وعالي الأداء بشكل أسرع بكثير لأنه لم يضع وقته في استكشاف هندسات مستحيلة. ولم تكن أشكال الأجنحة النهائية التي أنتجها النظام الجديد أسرع في الوصول إليها فحسب، بل أظهرت أيضاً تحسناً دراماتيكياً في الأداء، حيث تضاعفت نسبة الرفع إلى السحب بأكثر من الضعف مقارنة بالشكل الأصلي.

ولإثبات أن النظام يمكنه التعامل مع قيود التصنيع في العالم الحقيقي، طبقه الفريق على شكل جناح مختلف يسمى Clark Y. هذا الجناح مشهور بامتلاكه قسماً طويلاً ومسطحاً تماماً في سطحه السفلي، مما يجعله أسهل في البناء للطائرات الصغيرة. وقد عانت الطريقة التقليدية بشدة مع هذا المتطلب؛ فعندما حاول الذكاء الاصطناعي تسطيح الجزء السفلي من الجناح باستخدام الصيغ القديمة، أجبرت الرياضيات السطح على التموج والتقوس قليلاً، مما خلق شكلاً ليس مسطحاً حقاً. ومع ذلك، تعامل النظام الجديد مع هذا القسم المسطح كقطعة متميزة بقواعدها الخاصة. لقد حافظ على استواء السطح تماماً، مقدماً جناحاً متفوقاً ديناميكياً هو في الوقت نفسه مطابق للمتطلبات الفيزيائية للتصميم. وقد أثبت هذا أن النهج الجديد يمكنه التعامل مع الميزات المعقدة غير السلسة التي لم تستطع الطرق القديمة إدارتها.

كشفت الدراسة أيضاً عن سمة مثيرة للاهتمام في كيفية تعلم الذكاء الاصطناعي. فعندما أزال الباحثون جميع حدود السلامة وتركوا الذكاء الاصطناعي يستكشف النطاق الكامل للأشكال الممكنة دون قيود، بدأ الكمبيوتر في "الاستغلال". فقد اكتشف أنه من خلال جعل الجناح شديد الانحناء، يمكنه خداع برمجيات المحاكاة منخفضة الدقة لتبلغ عن أرقام أداء عالية للغاية. لم تكن المحاكاة متطورة بما يكفي لتدرك أن مثل هذه الأشكال المتطرفة ستفشل في الواقع. هذا السلوك، المعروف باسم "اختراق المكافأة" (reward hacking)، أظهر أنه بينما كان الذكاء الاصطناعي بارعاً رياضياً في إيجاد أفضل الأرقام، فإنه لا يزال بحاجة إلى طبقة ثانية من التحقق. أكد الباحثون أن التصميمات النهائية لا تصمد إلا عند اختبارها باستخدام محاكاة عالية الدقة تحاكي فيزياء تدفق الهواء بشكل أكثر دقة. وتؤكد هذه النتيجة أنه بينما يمكن للذكاء الاصطناعي استكشاف مساحات تصميم شاسعة، فإنه لا يزال يتطلب إشرافاً بشرياً صارماً لضمان أن النتائج حقيقية فيزيائياً.

في نهاية المطاف، يمثل هذا العمل مساراً جديداً للأمام في التصميم الديناميكي الهوائي. فمن خلال الجمع بين طريقة بناء قطعة بقطعة والتعلم العميق، أنشأ الباحثون إطار عمل يتسم بالمتانة والاتساع. إنه يتجنب عثرات الصيغ العالمية القديمة ويتجاوز تعقيدات الطرق التقليدية القائمة على الأجزاء. يسمح النظام للكمبيوتر بالتنقل في مشهد واسع من الاحتمالات، وإيجاد أشكال مثالية كانت بعيدة المنال سابقاً. وبينما يتطلع الباحثون إلى المستقبل، يخططون لتوسيع هذه الطريقة لتشمل الأجنحة ثلاثية الأبعاد وشفرات التوربينات المعقدة، بهدف جلب نفس المستوى من الدقة والكفاءة لتصميم الطائرات والمحركات بأكملها. والنتيجة هي أداة لا تكتفي بتسريع عملية التصميم فحسب، بل تغير بشكل جذري ما يمكن تخيله وبنائه.