ثورة التنبؤات المطابقة في المحاكاة الفيزيائية: كيفية ضمان الدقة وعدم اليقين في العمليات العصبية

في السنوات الأخيرة، برزت النماذج العصبية مثل مُشغل فورييه العصبي (Fourier Neural Operator - FNO) كأدوات قوية لحل المعادلات التفاضلية الجزئية (Partial Differential Equations - PDEs)، حيث تُظهر تقدمًا كبيرًا في سرعة الأداء مقارنةً بالطرق العددية التقليدية. ولكن، عند تطبيق هذه النماذج في المجالات الهندسية الحرجة مثل إدارة الحرارة في المكونات الإلكترونية وأنظمة البطاريات، يتطلب الأمر تقديم تنبؤات دقيقة وضمانات صارمة لعدم اليقين.

تحسين قياس عدم اليقين هو أمر أساسي، حيث أن الأساليب الحالية، مثل Monte Carlo Dropout وDeep Ensembles، تقدم تقديرات نسبية فقط دون ضمانات رسمية. وهنا تأتي الدراسة الجديدة لتقدم الحل الأول من نوعه باستخدام تقنية التنبؤ المطابق المنقسم لتعزيز المحاكاة الفيزيائية القائمة على المشغلين العصبيين. توفر هذه التقنية الجديدة فترات تنبؤ غير معتمدة على التوزيع مع ضمانات تغطية عينة منتهية.

إضافةً إلى ذلك، تم تقديم نظام التنبؤ المطابق المنظم، والذي يستفيد من عدم اليقين الناتج عن MC Dropout لإنتاج فترات ذات عرض متكيف. ويعني هذا أننا يمكننا الحصول على فترات أقرب في المناطق منخفضة عدم اليقين، وعرض أوسع في المناطق التي يكون فيها النموذج أقل ثقة.

من خلال التجارب الكبرى التي أجريت على معايير التوصيل الحراري الثابت (steady-state heat conduction benchmarks) بمواصفات تتضمن 33.7 مليون معلمة، و800 عينة تدريب، و5 أعضاء في مجموعة، تم تحقيق تغطية تجريبية بنسبة 89.1% عند المستوى المستهدف alpha=0.1. هذه النتيجة تؤكد فعالية الطريقة في إنتاج فترات تنبؤ تتكيف مع هيكل عدم اليقين الفيزيائي الأساسي.

بالإضافة إلى ذلك، تم تقديم إطار عمل لتفكيك عدم اليقين، يفصل بين عدم اليقين الإبستيميك (epistemic uncertainty) الذي يمثل 68% من الإجمالي، وعدم اليقين العشوائي (aleatoric uncertainty) الذي يمثل 32% من الإجمالي. كما يوفر هذا الإطار إرشادات قابلة للتنفيذ لجمع البيانات وتحسين النموذج.

كل هذه الابتكارات تم تطبيقها في منصة مفتوحة المصدر تحتوي على نقاط نهاية واجهة برمجة التطبيقات (REST API) ورسوم متحركة ثلاثية الأبعاد تفاعلية، مما يجعل بعضها في متناول الجمهور.