تعتبر القدرة على تنبؤ تطور القطرات في تقنيات الطباعة بما في ذلك الطباعة الحجرية (Inkjet Printing - IJP) أمرًا بغاية الأهمية لضمان جودة الطباعة. ومع ذلك، تبقى التنبؤات على المدى الطويل تشكل تحديًا نظرًا لتراكم الأخطاء وتعقيد تداخل متغيرات العمليات. في هذا السياق، يظهر نموذج جديد يحمل اسم "نموذج المشغل العصبي التلقائي التصحيح بدلالة الانتشار" (Diffusion-corrected Auto-Regressive Fourier Neural Operator - DiffARFNO) كحل واعد لمواجهة هذه التحديات.

يتميز نموذج DiffARFNO بإطار عمل من مرحلتين يدمج بين نموذج "المشغل العصبي السريع بتقنية فورييه" (Fourier-MIONet) ونموذج "تصحيح التشتت الضمني الشرطي" (Conditional Denoising Diffusion Implicit Model - DDIM). يتم تدريب نموذج Fourier-MIONet كمتنبئ خشن ويُستخدم بطريقة تلقائية لتوفير تنبؤات على المدى الطويل، بينما يأتي دور نموذج DDIM كمرحلة ثانية حيث يعمل على تحسين التنبؤ الخشن عبر عملية إزالة الضوضاء بشكل دوري.

من خلال دمج التنبؤات الخشنة التي يوفرها نموذج Fourier-MIONet مع نموذج DDIM القادر على استعادة التفاصيل الدقيقة، يستهدف DiffARFNO تقديم تنبؤات بدقة عالية تتيح تحقيق نتائج ممتازة على المدى الطويل. أظهرت التجارب التي أجريت على قواعد بيانات القطرات باستخدام منصة "ANSYS Fluent" أن نموذج DiffARFNO يتفوق بشكل كبير على النماذج الحالية الرائدة في هذا المجال.

هذا التطور يمثل خطوة هامة نحو تحسين جودة الطباعة من خلال استخدام الذكاء الاصطناعي، فهل سنرى المزيد من الابتكارات في هذا المجال؟ شاركونا آراءكم في التعليقات!