في خطوة مثيرة تكشف النقاب عن تحديات جديدة في عالم الذكاء الاصطناعي، أظهر باحثون دليلاً نظامياً على ظاهرة الهلوسة في نماذج ديناميات السوائل، خصوصاً في مشكلة النقل الهيدروديناميكي غير المستقر المعروفة باسم التزايد اللزج (viscous fingering). تعتبر هذه الدراسة الأولى من نوعها، إذ أثبتت أن النماذج القائمة على الذكاء الاصطناعي تواجه صعوبة في النمذجة الدقيقة لتدفقات السوائل الديناميكية، بسبب أنماط التزايد السريع والمتعددة المقاييس.

قد تلاحظ أن الحلول التي تبدو واقعية بصرياً، لا تتفق مع القوانين الفيزيائية، مما يعكس مشكلة الهلوسة التي تظهر أيضاً في نماذج اللغات الضخمة (Large Language Models). هذه الهلوسات تتجسد في واجهات سائلة مزيفة وتراجع الانتشار، وهو ما يخالف قوانين الحفاظ على الطاقة.

ومع ذلك، استطاع الباحثون تحديد مصدر هذه الهلوسات في تحيز الطيف (spectral bias) في نماذج الذكاء الاصطناعي، والذي يصبح هيكلياً عند ارتفاع معدلات التدفق وتباينات اللزوجة. انطلاقًا من هذه الرؤية، تم تقديم إطار عمل جديد يُعرف باسم DeepFingers، الذي يستخدم التعلم المتوازن عبر الطيف الكامل للوحدات المكانية، من خلال دمج مشغل فورييه العصبي (Fourier Neural Operator) مع شبكة المشغل العميق (Deep Operator Network) لتوقع التطورات الزمانية والمكانية للتزايد اللزج.

يتميز إطار DeepFingers بدقته في التقاط ظواهر مثل انقسام النهايات واندماج الأصابع وتشكيل القنوات، مع الحفاظ على المقاييس العالمية للخلط. نتائج هذه الدراسة تشير إلى إمكانية فتح اتجاه بحثي جديد لاستكشاف القيود الأساسية في نماذج الذكاء الاصطناعي للنظم الفيزيائية.

تتزايد أهمية هذه التطورات في عالم الذكاء الاصطناعي، ما يفتح المجال أمام الباحثين لفهم عميق ومعقد لتفاعلات السوائل وكيف يمكن للذكاء الاصطناعي أن يؤثر على هذه الدراسات. ما رأيكم في هذا التطور المثير؟ شاركونا في التعليقات!