في عالم الذكاء الاصطناعي، شهدنا مؤخراً ظهور نموذج مذهل تحت اسم **EvoPINN**، والذي يعد تطوراً كبيراً في استخدام الشبكات العصبية المستندة إلى الفيزياء (Physics-informed Neural Networks - PINNs). تعتبر PINNs أداة قوية لحل المعادلات التفاضلية الجزئية (Partial Differential Equations - PDEs)، لكن الأداء الفعلي لتلك الشبكات يعتمد بشكل كبير على جهود المصممين في تصميم التمثيلات العصبية ومعادلات الخسارة وعمليات التحسين عبر أسلوب التجربة والخطأ.

ومع تطور نماذج اللغات الضخمة (Large Language Models - LLMs)، اُستخدمت بشكل واعد في تسريع تصميم الشبكات العصبية، لكن التوليد غير المقيد للكود قد يؤدي أحيانًا إلى حلول غير صالحة رياضيًا أو غير مستقرة عدديًا، مما يضع قيوداً صارمة على استخدامات الحوسبة العلمية.

لذا، قدمنا **EvoPINN** كإطار عمل تطبيقي يعيد صياغة تطوير PINNs من تصميم يدوي متعب إلى مشكلة اكتشاف خوارزمية صارمة وقابلة للتنفيذ. يعتمد EvoPINN على سعي ضمن مساحة بحثية معيارية بفصل التمثيلات العصبية عن برامج التدريب، مستخدمًا نموذج LLM كوكيل يقترح تعديلات برمجية مشروطة بالذاكرة بشكل تكراري.

لضمان سلامة علمية، تتعرض جميع الخوارزميات المقترحة لعمليات تحقق هيكلية صارمة وتقييم موجز متوافق مع الميزانية لمعادلات PDE. أظهرت التجارب الواسعة عبر أنظمة PDE متنوعة (مثل الاهتزازي، والبيضاوي، والانحلالي، والنقل غير الخطي) أن EvoPINN يكتشف خوارزميات تعلم متخصصة في PDE تقلل بشكل ملحوظ من خطأ $L_{2}$ النسبي مقارنة بالأساسيات الموجودة.

وأهم ما في ذلك، أن EvoPINN قد ابتكر بشكل مستقل بنية SLRC-PINN الجديدة، التي أثبتت تحسن أدائها حتى في سياقات مقارنة صارمة مع معايير متطابقة، مما يثبت إمكانية استخدام الوكلاء القابلة للتنفيذ في اكتشاف آليات جديدة للحوسبة العلمية. هل أنتم متشوقون لاستخدام EvoPINN في مشاريعكم؟ شاركونا آراءكم في التعليقات!