ثورة محاكاة البيانات: تعزيز الوعي المكاني والزماني في الديناميكا الحاسوبية

إن الديناميكا الحاسوبية (Computational Fluid Dynamics - CFD) أصبحت إحدى المجالات الحاسمة التي تتطلب تسريع المحاكاة الفيزيائية، حيث تُستخدم الشبكات العصبية الرسومية (Graph Neural Networks - GNNs) وتحويلات (Transformers) كطرق جديدة للتغلب على التحديات التقليدية. رغم التقدم الملحوظ في النماذج المعمارية، إلا أنه لا تزال هناك قيود رئيسية تعتمد على افتراضات بدائية، مثل الإشراف على مستوى العقد (Node-wise supervision) واستخدام خطوات الزمنية الصريحة (Explicit Euler time-stepping).

تتناول هذه الدراسة الجديدة قضايا هذه القيود وتقدم إطارًا موحدًا يربط بين التعلم العميق الهندسي والتحليل العددي الصارم. يقدم الباحثون ثلاث ابتكارات رئيسية:

1. **التنبؤ متعدد العقد (Multi Node Prediction)**: أداة تعزز من دقة التنبؤات عبر توقع قيم المجال لتوبولوجيا محلية كاملة للعقدة، مما يضمن اتساق المشتقات المكانية.
2. **تصحيح زمني (Temporal Correction)**: استبدال الأنظمة الصريحة غير المستقرة بآلية توقع وتصحيح عبر انتباه زمني متبادل (Temporal Cross-Attention).
3. **تحيزات هندسية استقرائية (Geometric Inductive Biases)**: استخدام تضمينات دورانية ثلاثية الأبعاد (3D Rotary Positional Embeddings - RoPE) لالتقاط التماثلات الدورانية بشكل أكثر كفاءة.

تم تقييم هذا الإطار عبر ثلاثة معمارية: MeshGraphNet وTransolver وTransformer، مع استخدام مجموعات بيانات متنوعة. أظهرت البيانات أن هذا الأسلوب ينتج تحسينات متسقة في الدقة والاستقرار، خاصة في محاكاة طويلة الأمد، مما يعزز من قدرة النماذج على تعميم نتائجها على مهام جديدة غير مرئية، مثل توقع إجهاد الجدار أو الضغط. يمكن العثور على الكود المستخدم في هذا البحث عبر الرابط: [رابط للمشروع على GitHub].