تعتبر العلاقات بين العمليات وخصائص التصنيع من التحديات الكبرى التي تواجه المهندسين، حيث يرتبط النجاح بكفاءة هذه العمليات بتكاليف تجريبية مرتفعة وصعوبة في تفسير النماذج المعقدة. في ظل هذا الإطار، أُعلنت دراسة جديدة تقدم إطارًا مبتكرًا يعتمد على تقنيات تصفية المعرفة، حيث يساهم في تحقيق دقة عالية في التنبؤات حتى في السيناريوهات حيث تكون البيانات نادرة.

الإطار المقدم يجمع بين أسس الفيزياء التحليلية التي تم استخراجها بشكل نظامي من الأدبيات العلمية باستخدام نماذج لغوية ضخمة، مما يخلق نموذج اساسي مميز. تم استخدام طبقة "Graph-Masked Attention" لالتقاط الاعتماديات الفيزيائية المعقدة بين المتغيرات المدخلة. يعمل هذا النموذج على تحليل البيانات بتعيين نقاط محددة أو الجمع بين التوقيعات الثابتة والعالية التردد.

تجربة شاملة تم تنفيذها على خمسة عمليات تصنيع متنوعة لاختبار الجدوى والموثوقية، حيث تم استخدام تقنية "K-fold cross-validation" لضمان الاستقرار والتحقق من النتائج. أظهرت النتائج أن الإطار المقترح يحقق دقة تنبؤية عالية عبر جميع المجالات المُختبرة، مما يبرهن على أداء قوي وتحمل للأخطاء حتى في الظروف التي تكون فيها المعرفة المستخرجة من النماذج اللغوية الضخمة غير مثالية.

علاوة على ذلك، يستجيب النموذج الطلابي بسرعة تفوق 6000 هيرتز، مما يمكّن من نشره في الوقت الحقيقي على الأجهزة الصناعية القياسية. إن هذا العمل يوفر حلاً قابلًا للتوسع للجمع بين الفيزياء النظرية والمراقبة الصناعية في بيئات تعاني من نقص البيانات، مما يمثل نقطة تحول محتملة في صناعة التصنيع الحديثة.