From RANS Prediction to Hydrofoil Optimization: A Benchmark of Neural Surrogates

إن تصميم الجناح المائي (hydrofoil)، وهو الهيكل الشبيه بالجناح الذي يرفع القارب فوق سطح الماء لتقليل السحب، هو لعبة من التجربة والخطأ التي لا تنتهي. ولإيجاد الشكل المثالي، يجب على المهندسين اختبار آلاف المتغيرات، وتغيير المنحنى، والسُمك، والزاوية للجناح. ولكل شكل جديد، يتعين عليهم تشغيل محاكاة حاسوبية معقدة تحل فيزياء تدفق المياه حول الجسم. هذه المحاكاة دقيقة للغاية ولكنها بطيئة للغاية أيضاً؛ إذ يمكن أن تستغرق عملية تشغيل اختبار واحد ساعات على أجهزة كمبيوتر قوية. وبسبب ذلك، فإن استكشاف النطاق الكامل للتصاميم الممكنة غالباً ما يكون مكلفاً ومستهلكاً للوقت بشكل مفرط. وفي السنوات الأخيرة، حاول العلماء تسريع هذه العملية عبر تدريب الذكاء الاصطناعي ليعمل كطريق مختصر. فبدلاً من حل المعادلات الفيزيائية من الصفر في كل مرة، تتعلم نماذج الذكاء الاصطناعي التنبؤ بتدفق المياه والقوى الناتجة بناءً على الأنماط التي رأتها من قبل. والأمل هو أن تتمكن هذه "البدائل العصبية" (neural surrogates) من إيجاد أفضل التصاميم في ثوانٍ بدلاً من ساعات.

ومع ذلك، كشفت دراسة جديدة نشرها الباحث المستقل "آراف ديكسيت" عن خلل حرج في كيفية تقييمنا لهذه الاختصارات التي يوفرها الذكاء الاصطناعي حالياً. فلعدة سنوات، كانت الطريقة القياسية لتحديد أي نموذج ذكاء اصطناعي هو الأفضل تتمثل في التحقق من مدى قرب ضغط الماء الذي يتنبأ به من عمليات المحاكاة الحاسوبية البطيئة وعالية الدقة. فإذا نجح الذكاء الاصطناعي في ضبط خريطة الضغط، كان يُعتبر ناجحاً. لكن هذه الورقة البحثية تجادل بأن ضبط خريطة الضغط لا يعني بالضرورة أن الذكاء الاصطناعي سيساعد المهندس في إيجاد أفضل جناح للقارب. إن الاختبار الحقيقي لأداة التصميم ليس فقط في مدى جودة محاكاتها للخريطة، بل في ما إذا كانت ستؤدي إلى نفس التصميم الفائز الذي توصلت إليه الطريقة البطيئة والموثوقة. وللتحقق من ذلك، أجرى الباحث منافسة صارمة وجهاً لوجه بين أربعة أنواع مختلفة من نماذج الذكاء الاصطناعي، مجبراً إياها جميعاً على حل نفس مشكلة التصميم، ثم فحص إجاباتها النهائية باستخدام عمليات محاكاة جديدة عالية الدقة.

ركزت الدراسة على مجموعة محددة من الأجنحة المائية القائمة على أشكال قياسية تُعرف بملفات "ناكا" (NACA profiles)، والتي تُحدد بأرقام بسيطة تصف منحناها وسُمكها. وقد قام الباحث بإنشاء قاعدة بيانات تضم 381 محاكاة حاسوبية مفصلة لتدفق المياه فوق هذه الأجنحة عند سرعات وزوايا مختلفة. ومن هذه البيانات، تم تدريب أربع عائلات متميزة من الشبكات العصبية للتنبؤ بالتدفق وقوى الرفع والسحب. النوع الأول هو الشبكة العصبية التلافيفية (convolutional neural network)، التي تبحث عن الأنماط المحلية في التدفق مثل عين بشرية تمسح خريطة. والثاني هو عامل نيورال فورييه (Fourier neural operator)، الذي يحلل التدفق عبر تفكيكه إلى موجات عالمية. والثالث هو شبكة المعالج العميق (deep operator network)، التي تفصل بين وصف الشكل ووصف ظروف التدفق. أما النوع الرابع فهو الشبكة العصبية المستنيرة بالفيزياء (physics-informed neural network)، وهي مقيدة بقوانين حركة السوائل الأساسية، مما يجبرها على احترام قواعد الفيزياء حتى عند التخمين.

بمجرد تدريب هذه النماذج، لم يُطلب منها التنبؤ بحالة واحدة فحسب، بل أُوكِلَت إليها مهمة إيجاد أفضل شكل للجناح المائي. وقد مُنح كل نموذج نفس نقاط البداية وحدّاً صارماً قدره أربعون محاولة لتحسين التصميم. وكان الهدف هو تعظيم نسبة الرفع إلى السحب، أي جعل القارب يسير بشكل أسرع بجهد أقل. ومن الأهمية بمكان أن حلقة التحسين (optimization loop) جرت بالكامل بناءً على تنبؤات الذكاء الاصطناعي؛ حيث تم إبقاء الكمبيوتر البطيء عالي الدقة بعيداً أثناء عملية البحث لمعرفة كيف سيتصرف الذكاء الاصطناعي عندما يكون هو الأداة الوحيدة المتاحة. وبعد أن اختار الذكاء الاصطناعي أفضل تصميم له، أجرى الباحث محاكاة جديدة عالية الدقة على ذلك الشكل تحديداً ليرى ما تقوله الفيزياء الحقيقية. وتمت مقارنة هذا الفحص النهائي مقابل خط أساس حيث قام الكمبيوتر البطيء نفسه بإجراء عملية التحسين، مما وفر معياراً ذهبياً لما ينبغي أن تكون عليه الإجابة المثلى.

أظهرت النتتائج انفصالاً مفاجئاً بين الدقة والمنفعة. فمن حيث خطأ التنبؤ الخام، كان النموذج الأول، وهو شبكة المعالج العميق، هو الفائز الواضح؛ فقد تنبأ بالضغط والرفع والسحب بأعلى دقة في حالات الاختبار غير المرئية، يليه عن كثب النموذج المستنير بالفيزياء. كما كان النموذج المستنير بالفيزياء هو الأسرع أيضاً، حيث قدم تسريعاً بنحو 665 مرة مقارنة بالمحاكاة التقليدية. ومع ذلك، عندما استُخدمت هذه النماذج لتصميم جناح جديد فعلياً، تغيرت الصورة. فقد وجد كل من نموذج المعالج العميق والنموذક المستنير بالفيزياء تصاميم أدت أداءً استثنائياً، محققة نسب رفع إلى سحب تتراوح بين 36 و37. في المقابل، عانى النموذج الذي يبحث عن الأنماط المحلية بشكل كبير، ووجد تصاميم أقل كفاءة بكثير. أما النموذج الذي يحلل الموجات العالمية، فقد كان مستقراً ولكنه اختار باستمرار تصاميم ليست بجودة التصاميم الأخرى.

ولعل أهم ما وجد في الدراسة هو أن أداء نماذج الذكاء الاصطنا هذه لم يكن متسقاً. فعندما أجرى الباحث عملية التحسين نفسها عدة مرات مع ظروف بداية مختلفة قليلاً، تباينت التصاميم النهائية. فقد أنتج نموذج المعالج العميق والنموذج المستنير بالفيزياء فائزين مختلفين اعتماداً على كل دورة تشغيل، بينما كان نموذج النمط المحلي غير مستقر في تنبؤاته وفي خيارات التصميم الخاصة به أيضاً. علاوة على ذلك، سلطت الدراسة الضوء على قصور خفي في عملية التحقق نفسها؛ فحتى عندما وجد الذكاء الاصطناعي تصميماً رائعاً، أظهر الفحص النهائي باستخدام المحاكاة عالية الدقة أن النتائج كانت حساسة لدقة شبكة الكمبيوتر (grid resolution). فقد تغيرت قوة السحب، على وجه الخصوص، بنسبة تصل إلى 26 بالمائة عندما تم جعل شبكة المحاكاة أكثر دقة، مما يشير إلى أن حتى "الحقيقة" المستخدمة للتحقق من الذكاء الاصطناعي لها شكوكها الخاصة.

يُظهر هذا العمل أن المسار من التنبؤ الجيد إلى التصميم الجيد ليس مباشراً. يمكن لنموذج أن يكون ممتازاً في تخمين الضغط عند كل نقطة على الجناح، ومع ذلك يفشل في توجيه المهندس نحو الشكل الأمثل. وتخلص الدراسة إلى أن مجال التعلم الآلي العلمي يحتاج إلى تجاوز مقاييس الخطأ البسيطة. ولتجسير الفجوة حقاً بين الذكاء الاصطناعي والهندسة، يجب تقييم هذه الأدوات بناءً على جودة التصاميم التي تنتجها ومدى متانة تلك التصاميم تحت ظروف مختلفة. فأفضل ذكاء اصطناعي ليس بالضرورة هو الذي يرسم الخريطة الأكثر دقة، بل هو الذي يقود بشكل موثوق إلى الوجهة الأفضل.