في عالم تصميم أنظمة النقل مثل الطائرات والسيارات، تعتبر التوقعات الدقيقة للديناميكا الهوائية أمراً حيوياً لضمان الكفاءة العالية والأمان. ومع ذلك، تواجه المحاكاة التقليدية للديناميكا الهوائية (CFD) تحديات كبيرة، فهي تتطلب موارد حسابية هائلة وخبرة متخصصة، مما يحد من استخدامها في التصميم التكراري والتحليل الفوري.

تتجاوز غالبية نماذج التعلم العميق العوائق التقليدية، لكن تكافح لتحقيق أداء جيد في نطاقات تدفق معقدة. حيث تعتمد هذه النماذج عادةً على بيانات ذات نطاقات ضيقة من الظروف، مما يؤدي إلى ضعف أدائها في حالات التدفق الأكثر تعقيداً. كما أن محاولة معالجة الظروف العالمية بشكل موحد عبر جميع النقاط السطحية تتجاهل الظواهر المحلية المميزة لكل منطقة هندسية، مما يؤثر سلباً على دقة التوقعات.

لهذا السبب، نقدم لكم "شبكة الانتباه لحالة التدفق" (Flow State Attention Network - FSAN)، التي تتبنى نهجاً مبتكراً من خلال تشفير حالات التدفق وتوزيع الهندسة إلى عدة حالات تدفق عبر تعيينات قابلة للتعلم. تقوم FSAN بتحديث تمثيلات هذه الحالات من خلال ميزات التدفق، مما يساهم في تحسين تفاعل النقاط السحابية مع المعلومات الهندسية بشكل دقيق.

أظهرت التجارب الواسعة التي أُجريت على معيارين معروفين في الديناميكا الهوائية أن FSAN تحقق أعلى دقة مقارنةً بالطرق الأخرى، رغم تكلفتها الحسابية الأعلى. على سبيل المثال، في التجربة على "Emmi-Wing"، تمكنت FSAN من تقليل خطأ REL-L2 بأكثر من 20% مقارنةً بالنموذج الأقوى (Transolver)، وعلى "DrivAerNet++" حققت انخفاضًا بنسبة 10% مقارنة بالنموذج الأقوى (AdaField).

هذا الإنجاز يعزز من مكانة FSAN كنموذج عصبي واعد على المعايير العامة مع ظروف تدفق وهندسات متنوعة.