بينما يتطور العالم نحو الابتكار التكنولوجي، يمثل تقسيم العناصر ضمن تصميم المصفوفات الهيكلية (Design Structure Matrix - DSM) تحدياً أساسياً في مجال الهندسة. يعتمد هذا التحدي على القدرة على تقسيم النظام إلى وحدات متماسكة، وهو ما يشكل جزءاً من العمليات المعقدة لتحقيق تصميم فعال.

استخدم الباحثون نماذج اللغات الكبيرة (LLMs) كأداة لتحسين التكامل بين العناصر، حيث تم توسيع العمل السابق المرتكز على تحسين الترتيب بواسطة نماذج الذكاء الاصطناعي ليشمل مفهوم التقسيم. وبتطبيق هذه الطريقة على خمس حالات دراسية وثلاثة نماذج رئيسية، أظهرت النتائج قدرة على الوصول إلى جودة قريبة من المرجعية خلال ثلاثين تكراراً، دون الحاجة إلى تعليمات برمجية متخصصة في التحسين.

ومع ذلك، تفاجأ الباحثون بأن المعرفة المتخصصة التي تعتبر مفيدة في الترتيب، قد تؤثر سلباً على الأداء في نماذج المصفوفات الهيكلية الأكثر تعقيداً. يعود ذلك إلى عدم توافق المعاني بين الأولويات الوظيفية للنموذج والأهداف الخاصة بالتحسين الهيكلي. قدم الباحثون فرضية جديدة تُعرف بفرضية التوافق الدلالي، والتي تشكل شرطاً يمكن اختباره لتحديد فعالية المعرفة باستخدام نماذج الذكاء الاصطناعي.

تضمن التجارب الدراسية معرفة أهم تمثيل مدخلات، وصيغة الأهداف، وتصميم مجموعة الحلول المطلوبة لنشر فعّال. تقدم هذه النتائج إرشادات عملية حول كيفية استخدام نماذج الذكاء الاصطناعي في تحسين التصميم الهندسي، ما يسلط الضوء على الدور المتزايد الذي تلعبه التكنولوجيا في مجال الهندسة.

ختاماً، هل ترون أن استخدام الذكاء الاصطناعي يمكن أن يغير قواعد اللعبة في الهندسة؟ شاركونا آراءكم في التعليقات!