الذكاء الاصطناعي القائم على الفيزياء: النهج الأمثل لإعادة بناء أسس الذكاء

الذكاء الاصطناعي القائم على الفيزياء: ثورة في عالم الحوسبة

شهد العقد الماضي ثورة في مجال الذكاء الاصطناعي بفضل تقنيات التعلم العميق، والتي حققت إنجازات مذهلة في مجالات مثل التعرف على الصور، ومعالجة اللغات الطبيعية، وألعاب الفيديو. إلا أن هذه التقنيات واجهت بعض القيود الجوهرية، منها:

• عدم الكفاءة في استخدام البيانات: تتطلب نماذج التعلم العميق كميات هائلة من البيانات للتدريب، مما يجعلها غير عملية في العديد من التطبيقات.
• قلة المتانة تجاه تغييرات التوزيع: تتأثر دقة هذه النماذج بشكل كبير بتغيرات في توزيع البيانات، مما يقلل من موثوقيتها.
• الاستهلاك العالي للطاقة: تستهلك نماذج التعلم العميق الكبيرة كميات هائلة من الطاقة، مما يجعلها غير مستدامة بيئيًا.
• الفهم السطحي للقوانين الفيزيائية: تفتقر هذه النماذج إلى الفهم العميق للقوانين الفيزيائية، مما يحد من قدرتها على التنبؤ بدقة في بيئات خاضعة لهذه القوانين.

مع تزايد اعتماد الذكاء الاصطناعي في القطاعات الحيوية، مثل التنبؤ بالمناخ والطب، أصبحت هذه القيود غير مقبولة. لهذا، برزت منهجية واعدة تُعرف باسم الذكاء الاصطناعي القائم على الفيزياء (Physics-Based AI)، حيث يتم تقييد وتوجيه عملية التعلم بواسطة قوانين الطبيعة.

لماذا الذكاء الاصطناعي القائم على الفيزياء الآن؟

يعتمد الذكاء الاصطناعي الحديث، وخاصة نماذج اللغات الكبيرة ونماذج الرؤية الحاسوبية، على استخراج الارتباطات من مجموعات بيانات ضخمة، وغالبًا ما تكون غير منظمة. يُعاني هذا النهج القائم على البيانات من ضعف الأداء في البيئات التي تفتقر إلى البيانات، أو التي تتسم بارتفاع المخاطر، أو التي تخضع لقوانين فيزيائية محددة. على النقيض من ذلك، يستفيد الذكاء الاصطناعي القائم على الفيزياء من:

• التحيزات الاستنتاجية عبر القيود الفيزيائية: يساهم تضمين التناظرات، وقوانين الحفظ، والثوابت في تقليل مساحة الفرضيات وتوجيه عملية التعلم نحو حلول قابلة للتطبيق.
• كفاءة استخدام العينات: تحقق النماذج التي تستغل المعلومات الأولية الفيزيائية نتائج أفضل باستخدام بيانات أقل، وهي ميزة حاسمة في مجالات مثل الرعاية الصحية والحوسبة العلمية.
• المتانة والتعميم: على عكس النماذج الصندوق الأسود، تقل احتمالية فشل النماذج القائمة على الفيزياء بشكل غير متوقع عند الاستقراء خارج نطاق البيانات المتاحة.
• القابلة للتفسير والموثوقية: النتائج التي تتوافق مع القوانين المعروفة، مثل قانون حفظ الطاقة، تكون أكثر موثوقية وقابلية للتفسير.

ملامح الذكاء الاصطناعي القائم على الفيزياء

الشبكات العصبية القائمة على الفيزياء (PINNs): العمود الفقري للمنهجية

تدمج الشبكات العصبية القائمة على الفيزياء (PINNs) المعرفة الفيزيائية من خلال معاقبة انتهاكات المعادلات الحاكمة (غالبًا المعادلات التفاضلية الجزئية) في دالة الخسارة. وقد شهد هذا المجال تطورًا هائلاً في السنوات القليلة الماضية، حيث استخدمت PINNs بنجاح في مجالات متعددة:

• علوم المناخ والجيولوجيا: أظهرت PINNs تنبؤات قوية لتدفقات السطح الحر ذات التعقيد الطبوغرافي.
• علوم المواد وديناميكا الموائع: تقوم PINNs بنمذجة توزيع الإجهاد، والاضطراب، وانتشار الموجات غير الخطية بكفاءة عالية.
• النمذجة الطبية الحيوية: تحاكي PINNs بدقة ديناميكيات القلب وتطور الأورام تحت ظروف الملاحظة المحدودة.

أحدث التطورات (2024-2025):

• تحليل دقيق للأخطاء في PINNs، مما يسمح بتطوير استراتيجيات تدريب أكثر فعالية.
• تمكين PINNs من العمل على هندسات غير منتظمة دون إعادة تدريب لكل هندسة.
• استخدام نماذج متعددة الوسائط تجمع بين المكونات القائمة على البيانات والمكونات الموجهة بالفيزياء.

العوامل العصبية: تعلم الفيزياء عبر مجالات لانهائية

تُعاني نماذج التعلم الآلي الكلاسيكية من قيود في التعامل مع التغيرات في معادلات الفيزياء وشروط الحدود. تتعلم العوامل العصبية، وخاصة عوامل فورييه العصبية (FNOs)، التعيينات بين فضاءات الوظائف، متفوقة في مجالات مثل:

• التنبؤ بالطقس: تتفوق FNOs على الشبكات العصبية التلافيفية (CNNs) في التقاط الديناميكيات غير الخطية للمحيط والغلاف الجوي.

المحاكاة القابلة للتفاضل: العمود الفقري لدمج البيانات والفيزياء

تسمح المحاكيات القابلة للتفاضل بالتحسين الشامل للتنبؤات الفيزيائية من خلال التعلم، وتستخدم في مجالات مثل:

• الفيزياء اللمسية والاتصال: تمكّن المحاكيات القابلة للتفاضل من التعلم في سيناريوهات التلاعب الغنية بالاتصال، والفيزياء للجسم اللين والجسم الصلب.
• علم الأعصاب: تجلب المحاكاة القابلة للتفاضل عملية تحسين قائمة على التدرجات واسعة النطاق للدوائر العصبية.

النماذج الهجينة الفيزيائية – التعلم الآلي: الأفضل من كلا العالمين

تجمع النماذج الهجينة بين التعلم القائم على البيانات وكود الفيزياء الصريح، مما يحقق نتائج متقدمة في مجالات مثل:

• التنبؤ بالأعاصير المدارية: تدفع النماذج الهجينة أفق التنبؤ إلى ما هو أبعد من الحدود السابقة.

التحديات الحالية والاتجاهات البحثية المستقبلية

• القابلة للتطوير: يظل تدريب النماذج المقيدة بالفيزياء بكفاءة على نطاق واسع تحديًا.
• الملاحظة الجزئية والضوضاء: يُعد التعامل مع البيانات الضخمة والجزئية تحديًا مفتوحًا.
• التكامل مع النماذج الأساسية: يركز البحث على دمج نماذج الذكاء الاصطناعي متعددة الأغراض مع المعلومات الأولية الفيزيائية.
• التحقق والتحقق: يظل ضمان التزام النماذج بالقوانين الفيزيائية في جميع الأنظمة أمرًا صعبًا من الناحية التقنية.
• اكتشاف القوانين تلقائيًا: تجعل الأساليب المستوحاة من PINNs اكتشاف القوانين العلمية القائمة على البيانات أكثر عملية.

المستقبل: نحو نموذج ذكاء اصطناعي يعتمد على الفيزياء أولاً

إن التحول نحو نماذج قائمة على الفيزياء ونماذج هجينة ليس مرغوبًا فيه فقط للذكاء الاصطناعي، بل ضروري أيضًا لذكاء يمكنه الاستقراء، والتفكير، واكتشاف قوانين علمية جديدة.

المراجع: (قائمة المراجع الأصلية مترجمة ومُرتبة هنا)

المصدر: MarkTechPost