في عالم الذكاء الاصطناعي، تظل الحاجة إلى كفاءة البيانات تحدياً كبيراً خاصة عند التعامل مع المعادلات التفاضلية الجزئية. تشير الأبحاث الجديدة إلى أن التدريب على المشغلات العصبية (Neural Operators) يمكن أن يُحقق تقدمًا كبيرًا إذا ما تم تقليل متطلبات البيانات بشكل فعّال.

تكمن المشكلة في أن البيانات التدريبية كانت تُعتبر عائقًا رئيسيًا وتحمل تكاليف حاسوبية مرتفعة. لكن، هنا يأتي دور التعلم النشط (Active Learning)، الذي يقدم إطاراً طبيعياً لانتقاء العينات الأكثر إفادة بشكل دوري.

تقديمنا اليوم يتمحور حول طريقة جديدة تُعرف باسم "الاكتساب القائم على الفيزياء" (Physics-Based Acquisition)، وهي خوارزمية للتعلم النشط تستند إلى معلومات فيزيائية. تستخدم هذه الخوارزمية بقايا المعادلة التفاضلية الجزئية كدليل لاختيار البيانات، مما يمثل خطوة مهمة نحو تحسين كفاءة البيانات.

في تجاربنا، طبقنا هذه الخوارزمية على معادلة برجر (Burgers Equation) ذات الأبعاد الواحدة ومعادلات نافير-ستوكس (Navier-Stokes Equations) القابلة للضغط في البعدين. وقد أظهرت النتائج أن الاكتساب القائم على الفيزياء يتفوق بصورة مستمرة على طرق الاختيار العشوائية، كما يتساوى مع أفضل الطرق المتاحة في كفاءة البيانات.

لا يُظهر هذا الابتكار تفوقًا فحسب، بل يضمن أيضًا أن يتم انفاق التكلفة الحاسوبية حيثما كانت الفهم الفيزيائي للنموذج في أضعف حالاته. هذه الطريقة غير التقليدية تسلط الضوء على أهمية التفكير الابتكاري في استخدام العلوم الفيزيائية في مجالات الذكاء الاصطناعي، مما يوفر أساساً متيناً لتحسين نتائج التعلم.