Simulation-based inverse imaging of dynamic material-interface states from radiographic surrogates and sparse projections

في العالم الخفي للفيزياء عالية السرعة، يدرس العلماء كيفية سلوك السوائل والغازات عندما تتعرض لتسارع عنيف. تخيل طبقتين من السائل، إحداهما ثقيلة والأخرى خفيفة، متراصتين فوق بعضهما البعض. إذا دفعت هذه الطبقات بقوة كافية، ستنهار السوائل الثقيلة داخل السائل الخفيف، مما يخلق فوضى عارمة من الاختلاط. هذه الظاهرة، المعروفة باسم عدم استقرار ريلي-تايلور (Rayleigh-Taylor instability)، ليست مجرد فضول مختبري؛ بل هي المحرك وراء انفجار النجوم، وكيف يمكن للاندماج النووي أن يمد مدننا بالطاقة يوماً ما، وكيف تتصرف المواد تحت الضغط الشديد. ولفهم هذه الأحداث، يحتاج الباحثون إلى رؤية الحدود غير المرئية حيث تلتقي هذه السوائل. يستخدمون كاميرات أشعة سينية قوية لالتقاط صور فورية لهذه الواجهات سريعة الحركة. ومع ذلك، غالباً ما تكون هذه اللقطات ضبابية، غير مكتملة، وصعبة القراءة؛ فحركة السوائل تسبب تشوهاً في الصورة، والكاميرات لا تلتقط إلا زوايا قليلة، والنتيذج تبدو كأنها بقع تجريدية أكثر من كونها خرائط واضحة لما يحدث في الداخل.

لقد تصدى فريق من الباحثين لهذه المشكلة من خلال بناء مكتبة رقمية ضخمة لهذه الأحداث الفوضوية لتعليم الحواسيب كيفية رؤيتها بوضوح. وبدلاً من محاولة فك تشفير صورة واحدة مشوشة من العالم الحقيقي، أنشأوا كوناً رقمياً متحكماً به يحتوي على 101,250 صورة محاكاة. تغطي هذه المحاكات نطاقاً واسعاً من الظروف، حيث تتغير فيها فروق الأوزان بين السوائل، وقوة الدفع، وتوقيت اللقطة. ومن خلال البدء بصور رقمية مثالية وحادة، ثم تعمد تعمد جعلها ضبابية لمحاكاة قيود الكاميرات الحقيقية، أنشأ الفريق أرضية تدريب تكون فيها الإجابة معروفة دائماً. ثم اختبروا ما إذا كان الذكاء الاصطناعي يستطيع النظر إلى صورة ضبابية ومشوهة واستعادة حدتها الأصلية، أو حتى تخمين الظروف الفيزيائية الدقيقة التي أوجدتها. لم يكن الهدف مجرد صنع صور جميلة، بل بناء طريقة موثوقة لتحويل البيانات الشحيحة والمشوشة إلى فهم واضح للحالات الفيزيائية الديناميكية.

بدأ الباحثون ببناء فهرس واسع لهذه التفاعلات السائلة. فقد أجروا 1,350 عملية محاكاة حاسوبية منفصلة، كل منها يرصد تطور الواجهة السائلة بمرور الوقت. ولكل عملية محاكاة، سجلوا حالة السوائل في 7 في 75 لحظة مختلفة، مما أنتج مكتبة إجمالية تزيد عن 100,000 صورة. وجاءت مع كل صورة مجموعة كاملة من البيانات الوصفية (labels)، تخبر الحاسوب بدقة مدى ثقل السوائل، ومدى قوة دفعها، ومدى تعرج السطح الابتدائي، والوقت الذي مضى بالضبط. ولجعل المشكلة واقعية، أخذوا هذه الصور الحادة والمثالية وقاموا بإضعاف جودتها؛ حيث قاموا بدمجها عبر فترات زمنية قصيرة لمحاكاة ضبابية الحركة، وجعلوها مشوشة بتركيز ناعم لمحاكاة الدقة المحدودة للكواشف الحقيقية. هذه العملية خلقت مجموعة من الصور "البديلة" التي تشبه تماماً الصور الصعبة والضبابية التي يحصل عليها العلماء من التجارب الحقيقية، ولكن مع وجود الإجابة السرية مخبأة في البيانات الوصفية.

ومع امتلاك هذه المكتبة، اختبر الفريق نموذج استعادة مصمم لعكس الضرر. لقد طلبوا من الحاسوب النظر إلى صورة ضبابية ومشوشة وإعادة بناء الواجهة الحادة الأصلية. وأظهرت النتائج أن أداة استعادة الصور القياسية يمكنها تحسين الصورة، لكن النسخة التي تم تدريبها خصيصاً على عمليات المحاكاة السائلة كانت أفضل بكثير. فالنموذج المتخصص، الذي تعلم الأشكال الفريدة لهذه الفقاعات والنتوءات السائلة، تمكن من استعادة التفاصيل الدقيقة التي فاتت الأداة العامة. لقد قام بزيادة حدة حواف الفقاعات الصاعدة والنتوءات الهابطة، مما جعل جودة الصورة أقرب بكما في الواقع إلى الحقيقة. وكان هذا التحسن قابلاً للقياس: فالصور المستعادة لم تكن أوضح بصرياً فحسب، بل كانت أيضاً أقرب رياضياً إلى الحقيقة الأرضية المعروفة. وقد أثبت ذلك أنه من خلال تعليم الحاسوب اللغة الخاصة باختلاط السوائل، يمكنه تعلم إلغاء آثار الضبابية الناتجة عن الحركة والدقة المحدودة.

وبعيداً عن مجرد تنظيف الصورة، اختبر الباحثون ما إذا كان بإمكان الحاسوب النظر إلى صورة ضبابية واستنتاج الظروف الفيزيائية التي أوجدتها. لقد دربوا النظام ليعمل مثل المحقق، يبحث في مكتبته عن المحاكاة التي تطابق صورة ضبابية معينة بأكبر قدر ممكن. وعندما اختبروا ذلك على أنماط السوائل المعقدة في مراحل متأخرة، كان الحاسوب جيداً بشكل مفاجئ في العثور على "الحي" الصحيح من الظروف. فقد استطاع تحديد فرق الوزن بين السوائل والوقت التقريبي بدقة عالية. ومع ذلك، كشفت الدراسة أيضاً عن حدود هذا النهج؛ فنظراً لأن فيزياء هذه التدفقات معقدة للغاية، فإن بعض أجزاء الصورة تبدو متشابهة حتى عندما تختلف الظروف. استطاع الحاسوب تحديد متى يكون الجزء المحلي من السائل غامضاً، مما يعني أن النظر إلى تلك المنطقة الصغيرة فقط ليس كافياً لمعرفة القصة بأكملها. وهذه القدرة على إدراك عدم اليقين لا تقل أهمية عن القدرة على إيجاد الإجابة، لأنها تمنع النظام من ارتكاب أخطاء واثقة.

ثم دفع الفريق بالمفهوم إلى أبعد من ذلك، منتقلين من الصور المسطحة ثنائية الأبعاد إلى تحدي الأبعاد الثلاثية. لقد أخذوا شرائح السوائل ثنائية الأبعاد وداروا حولها لإنشاء أحجام ثلاثية الأبعاد، ثم قاموا بمحاكاة التقاط صور بالأشعة السينية لهذه الأجسام ثلاثية الأبعاد من زوايا قليلة فقط. وهذا يحاكي مشكلة العالم الحقيقي حيث لا يستطيع العلماء سوى التقاط عدد قليل من المشاهد لجسم يتغير بسرعة. وقد طلبوا من الحاسوب إعادة بناء الشكل الثلاثي الأبعاد الكامل للسائل من هذه المشاهد الشحيحة. نجح النظام في إنشاء نموذج ثلاثي الأبعاد يتوافق مع الصور القليلة التي أُعطيت له، محققاً مستوى عالٍ من الدقة في حالات الاختبار. ومع ذلك، أشارت الدراسة إلى أنه بمجرد كسر التماثل المثالي للجسم، يصبح الأمر أكثر صعوبة. فبدون عدد كافٍ من المشاهد، لا يستطيع الحاسوب دائماً إيجاد شكل فريد واحد ثلاثي الأبعاد يتناسب مع البيانات. بدلاً من ذلك، ينتج مجموعة من المرشحين المحتملين الذين يتوافقون مع الملاحظات. وهذا التمييز أمر بالغ الأهمية: فالنظام يقدم أفضل تخمين بناءً على البيانات المتاحة، لكنه لا يستطيع دائماً ضمان أن هذا التخمين هو الواقع الوحيد الممكن.

تكمن قيمة هذا العمل في المعيار المرجعي الذي يوفره. فمن خلال إصدار هذه المحاكاة المصنفة والأدوات اللازمة للاختبار، قدم الباحثون للمجتمع العلمي مقياساً مشتركاً. قبل ذلك، ربما كانت الفرق المختلفة تختبر أدوات استعادة الصور أو إعادة البناء الخاصة بها على مجموعات بيانات مختلفة وغير مرتبطة، مما يجعل من المستحيل مقارنة نتائجهم بشكل عادل. الآن، يمكن لأي شخص اختبار خوارزميته الجديدة على نفس الـ 101,250 صورة ورؤية مدى أدائها مقابل الحقيقة المعروفة. لا تدعي الدراسة أنها حلت مشكلة تصوير الانفجارات الحقيقية أو تفاعلات الاندماج، فالمحاكاة محكومة بينما العالم الحقيقي أكثر فوضوية. بدلاً من ذلك، هي تقدم طريقة صارمة وقابلة للتكرار لقياس التقدم. إنها تظهر أنه مع توفر بيانات التدريب المناسبة، يمكن للحواسيب أن تتعلم الرؤية من خلال ضبابية الفيزياء عالية السرعة، لكنها تذكرنا أيضاً أنه عندما تكون البيانات شحيحة، فهناك حدود لما يمكن معرفته بيقين. إن الطريق إلى الأمام يتضمن استخدام هذه الأدوات لتفسير التجارب الحقيقية، مع إبقاء التذكير دائماً بمكان انتهاء البيانات وبداية التخمين.