في عالم الذكاء الاصطناعي والهندسة، تعتبر نماذج تحسين الشكل (Topology Optimization - TO) أدوات حيوية لتعزيز تصميم الهياكل. ومع ذلك، تواجه هذه النماذج تحديات قوية في الأداء خارج نطاق البيانات المعروفة (Out-of-distribution - OOD). فكرتنا الجديدة تشير إلى أن أداء النماذج في مثل هذه الظروف يرتبط مباشرة بمدى القدرة على الحفاظ على المعلومات الحساسة التي تؤثر على نتائج تحسين الشكل.

نموذج التدفق المدعوم بالحساسية الذي قدمناه يعتمد على تفاعل سلس بين معطيات الحساسية (Adjoint Sensitivity) وتحسين الشكل التقليدي. حيث قمنا نمذجة عملية تحسين الشكل كمَسار ماركوف سببي، مما أتاح لنا استخدام قاعدة معالجة البيانات لإثبات أن المجال الحساس هو إشارة مثالية للتوقع في تحسين الشكل.

لكن، تحدي حساب الحساسية الدقيقة قد يكون مكلفًا أو غير متاح دائمًا. لذا، لاحظنا إمكانية استخدام مجالات فيزيائية معينة للاقتراب من الحساسية عبر تحويلات بسيطة. لذا، قدمنا مفهوم "pseudo-sensitivities" لتحديد المجالات التي تسمح بتعميم أفضل مقابل تلك القليلة المعلومات.

المثير في هذا البحث هو قدرة مولد تدفق برنولي المدعوم بالحساسية على تأكيد هذه الفرضيات. فعندما يعتمد النموذج على الحساسية، يتم تحقيق أداء متفوق في الظروف الخارجية، بينما تدهور الأداء عند الاعتماد على مجالات فيزيائية بعيدة. وقد أظهرت النتائج فائدة هذا المنهج عبر مجموعة من الفحوصات تحت تغييرات الأحمال والمجموعات البيانية الجديدة تحت ظروف حدودية متغيرة.

إذا كنت مهتمًا بالتفاصيل التقنية وأفضل الممارسات في تحسين الشكل، يمكنك الاطلاع على الكود ومجموعات البيانات المتاحة في هنا. ما رأيك في هذه التطورات الجديدة؟ شاركونا آراءكم في التعليقات!