في عالم الذكاء الاصطناعي، تبرز نماذج الذكاء الاصطناعي القابلة للتوليد (Generative AI Emulators) كأداة أساسية في مجالات علمية، وخاصة تلك التي تمتلك نظريات قوية ومعايير معروفة. ومن هنا، تطرح تساؤلات حيوية حول تقييم واعتماد التفسيرات: إذا استطاع نموذج أساسي (Foundation Model) تقليد ديناميات السوائل المستمرة المعروفة، فما هي الآليات الداخلية التي تدعم هذا السلوك؟ هل يتفق هذا السلوك مع قواعد الفيزياء المعروفة، وكيف يرتبط ذلك بنجاح النموذج أو فشله في تحقيق المحاكاة؟

قام الباحثون بالتحقيق في نموذج أساسي لديناميات السوائل المستمرة يُدعى "Walrus"، والذي طورته شركة Polymathic، مستخدمين مقاربة تفسيرية موجهة بواسطة المبادئ الفيزيائية. تم تطبيق مشفر تلقائي نادر (Sparse Autoencoder - SAE) لاستكشاف طبقة محددة، مع معالجتهم للتحديات العملية المتعلقة بفرز مجموعة ضخمة من الميزات تتجاوز 20,000 ميزة، باستخدام مقياس الـ Enstrophy كمقياس مستند إلى الفيزياء.

تركز الدراسة على تدفقات القص (Shear Flow) كميدان اختبار بسيط، حيث تم مقارنة تجنيد الميزات عبر إعدادات متعددة لدفقات القص، أي قيم المعلمات في المحاكاة العددية. كشفت النتائج عن أدلة على وجود اتساق جزئي، حيث تم تكرار مجموعات من الميزات في أدوار مشابهة، لكنه اتساق متقطع وغير مرتب بوضوح على الانحلالات الفيزيائية القياسية.

عند المقارنة بين المحاكاة العددية والنموذج، تكشفت فوارق واضحة في المستوى الناتج، بما في ذلك الأنظمة التي تتسبب في انتشار الطاقة والتركيبات بشكل غير ملائم أو مبالغ فيه. تم ربط أجزاء من هذه الفوارق بتغييرات في استخدام ميزات معينة من SAE.

تشير هذه الدراسة إلى تساؤلات مفتوحة للنماذج الأساسية العلمية: كيف يمكن إعطاء الأولوية للميزات ذات الدلالة الميكانيكية بشكل موثوق؟ كيف يمكن فصل الهيكل الثابت عن عيوب التحليل، بما في ذلك القيود المتعلقة بالطبقات الفردية وSAE؟ وكيف يمكن استخدام المعايير المعتمدة لتحديد متى تكون التمثيلات الداخلية "مختلفة" بشكل حقيقي وليست فعالة فقط؟