تعتبر التنبؤات بفعل ظروف خارج مجال البيانات تحدياً جوهرياً في نماذج الذكاء الاصطناعي التي تلتزم بقوانين الفيزياء. حتى الآن، كانت الطرق المستخدمة تقتصر على تطبيق قيود فيزيائية كعامل موحد عبر عملية التوليد، مما لم يتناول الهيكل الهرمي للقوانين الفيزيائية أو مشكلة المتغيرات المرتبطة. هنا يأتي دور الاقتراح الثوري لـ "الباب الهرمي المنفصل" (Deconfounded Hierarchical Gate - DHG).

تعمل تقنية DHG كآلية تشخيصية وتحكم، حيث تحدد مدى تأثير تداخل درجة الحرارة على كل مستوى من قيود النماذج. من خلال دمج تقديرات مضادة بالاعتماد على دالة "do" والتعديلات الخلفية لإزالة التداخل، ثم تطبيق القيود الفيزيائية بشكل تدريجي، تمكنا من الكشف عن نتائج مثيرة للدهشة خلال مرحلة التدريب.

أظهرت النتائج أن استبعاد بيانات المجال المستهدف من التدريب، أدى إلى تحسين بنسبة تصل إلى 39% في أداء التنبؤ (ميزان الجذر المتوسط للخطأ RMSE = 0.224 مقابل 0.324). يبدو أن هذا أنماط التعلم العامة تعكس نتائج أفضل، حيث تتجاوز أنماط فيزيائية غير متعلقة بالمجال المستهدف بشكل أكثر فاعلية.

بهذه الطريقة، تمكنت تقنيتنا من تحقيق معدل خطأ RMSE = 0.215 وهو تحسن بنسبة 46% على الأساس غير المقيد (Pure CFM: 0.397) عند اختبارها على نموذج بطارية ليثيوم-أيون عند درجات حرارة متباينة.

ما هي تأثيرات هذه النتائج على مستقبل الذكاء الاصطناعي والقيود الفيزيائية؟ وهل تعتقد أن التحسين في الأداء دون الحاجة إلى بيانات المجال المستهدف يمكن أن يُعيد تشكيل الطريقة التي نستخدم بها خوارزميات الذكاء الاصطناعي في المستقبل؟