تعتبر عملية تصميم الهياكل التحكمية خطوة حيوية ولكنها شاقة في تطوير الرسوم البيانية للأنظمة والعمليات (P&ID). في وقتنا هذا، يعد الذكاء الاصطناعي (AI) أداة ثورية تعد بتقليل الوقت المستغرق لتطوير هذه الأنظمة من خلال دعم المهندسين. على الرغم من أن الأبحاث السابقة في تصميم العمليات الكيميائية باستخدام الذكاء الاصطناعي قد اعتمدت بشكل رئيسي على تمثيل العمليات عبر تسلسلات، إلا أن استخدام الرسوم البيانية (Graphs) يوفر بديلاً واعدًا بفضل خاصية عدم التباين عند التبديل.

نقدم في هذا المقال نموذج Graph-to-SFILES، وهو طريقة تعتمد على الذكاء الاصطناعي التوليدي للتنبؤ بالهياكل التحكمية اعتماداً على توزيع الرسوم البيانية. حيث يأخذ نموذج Graph-to-SFILES توزيع العمليات كمدخلات رسومية ويعيد إنتاج رسوم بيانية تحكم موسعة كترتيب وفقًا لصيغة SFILES 2.0.

قارن فريق البحث بين أربعة هياكل مختلفة لمشفرات الرسوم البيانية، أحدها هو الشبكة العصبية الرسومية (Graph Neural Network - GNN) التي تم اقتراحها في هذا العمل. وقد حقق نموذج Graph-to-SFILES دقة ضمن أعلى 5 بنسبة 73.2% عند تدريبه على 10,000 توزيع رسوم بيانية. كما أن الشبكة العصبية الرسومية المقترحة كانت الأفضل بين الهياكل المدروسة.

وعند مقارنتها بنموذج يعتمد فقط على التسلسلات، تحسنت دقة نموذج Graph-to-SFILES مع قاعدة بيانات صغيرة من 1000 توزيع رسوم بيانية من 0.9% إلى 28.4%. ورغم ذلك، فإنه قد لوحظ أن النموذج القائم على التسلسل يتفوق على بيانات كبيرة تتكون من 100,000 توزيع.

تسلط هذه النتائج الضوء على الإمكانات الهائلة لنماذج الذكاء الاصطناعي المعتمدة على الرسوم البيانية لتسريع تطوير P&ID في بيئات البيانات الصغيرة، ولكن كفاءتها في دراسة حالات الصناعة ذات الصلة لا تزال بحاجة إلى مزيد من الاستكشاف.