في عالم العلوم والهندسة، لا تُعَد المعادلات التفاضلية الجزئية (PDEs) مجرد معادلات معزولة، بل تمثل جزءاً أساسياً من سير العمل الذي يربط بين الافتراضات النموذجية والعمليات الحاكمة والمحللات العددية والقرارات. في هذا السياق، بدأت نماذج اللغات الضخمة (LLMs) في تقديم دعم كبير من خلال ربط اللغة الطبيعية والرياضيات الرمزية والكود ونتائج المحللات والتغذية الراجعة.

استعرضت الأبحاث الحديثة تقدم أنظمة الدعم المعتمدة على نماذج اللغات الضخمة في معالجة المعادلات التفاضلية الجزئية عبر ثلاث مراحل أساسية: الأولى تتمثل في اكتشاف وصياغة النماذج الحاكمة، والثانية في إنشاء وتنقيح المحللات العددية القابلة للتنفيذ، بينما تركز الثالثة على استخدام التغذية الراجعة من المحاكاة لدعم التحكم والتصميم والتحسين.

رغم هذه التطورات، لا تزال هناك تحديات تواجه هذا المجال بسبب ندرة البيانات عالية الجودة ومعايير القياس، خاصة في تطبيقات اكتشاف المعرفة والسيناريوهات الواقعية، حيث تتطلب عمليات التقييم المتميزة وبناء المشكلات القابلة للتنفيذ وتغذية المهام جهوداً كبيرة من الخبراء.

تظل الفجوة القائمة بين نتائج المحاكاة والأنظمة العلمية والهندسية الواقعية تحدياً واضحاً، مما يحد من إمكانية نقل المحاكاة العددية وسياسات التحكم والتصاميم المحسنة إلى الأطر التطبيقية. هذه التحديات تجعل من سير العمل المعتمد على نماذج اللغات الضخمة اختباراً حاسماً لتطوير أنظمة ذكاء اصطناعي علمية يمكنها الربط بين اللغة والحساب والقيود الفيزيائية واتخاذ القرارات في العالم الواقعي.