في عالم يتسم بالتعقيد والارتباط، تسجل الانقسامات (Bifurcations) ذات أهمية كبيرة في مختلف الأنظمة الفيزيائية، من الانحناءات الهيكلية إلى ديناميات السوائل والمناخ. رغم ذلك، تظل هذه الظواهر غير مستكشفة بشكل كافٍ في مجالات التعلم العميق (Deep Learning).

في هذا السياق، أعلن الباحثون عن تطوير نظام جديد يحمل اسم Bi-FORK، والذي يُعد إطاراً إبداعياً لتعلم خرائط الحلول المتعددة لأحد الأنظمة عالية الأبعاد. يعتمد Bi-FORK على مبدأ يتجاوز الافتراض التقليدي بأن لكل مدخل حلاً واحداً، إذ يسمح لك بخدمة مجموعة من الحلول المتعددة التي قد تكون صحيحة بنفس القدر.

يعتمد النموذج الجديد على تقنية مطابقة التدفق الكامن (Latent Flow Matching)، مما يساعد في توليد مسارات كاملة مع الحفاظ على تماسك الزمان والمكان. ويجمع بين تقنيات أخذ العينات الموجهة بالابتعاد (Repulsion-Guided Sampling) لاستعادة فروع الحل المختلفة في عملية واحدة محسوبة.

تحت التجارب، أظهر Bi-FORK دعماً واضحاً عند تقييمه على بِيئات متقدمة مثل العوارض المثنية (Buckling Beams)، والمادة الميكانيكية (Mechanical Metamaterials)، والانفصال الطوري لنموذج Allen-Cahn. تغطي هذه التطبيقات مجموعة من الانقسامات المستمرة، المنفصلة، والقيم الحقلية، مع نماذج تصل إلى 260,000 نقطة.Discover Bi-FORK’s game-changing capabilities, paving the way for the application of generative modeling in high-dimensional bifurcating physical systems.