في عالم الذكاء الاصطناعي وتعلم الآلة، تُعتبر التدفقات متعددة المراحل (Multiphase Flows) موضوعاً مثيراً ومعقداً، خصوصاً عندما يتعلق الأمر بتفاعل الموجات الصدمية مع المواد المختلفة. تأتي الحاجة لتطوير نماذج تعلم آلي دقيقة وقابلة للاعتماد في مثل هذه التطبيقات، مثل انهيار الفقاعات (Bubble Collapse) وانفصال القطرات (Droplet Breakup)، نتيجة للظروف المعقدة التي تحدث نتيجة تداخل عدة عناصر.
في هذا السياق، تم تقديم إطار العمل Neptuna، والذي يُعد الأول من نوعه في هذا المجال. يعرض Neptuna مجموعات بيانات ضخمة تصل سعتها إلى 2.4 تيرابايت تضم نماذج ثنائية وثلاثية الأبعاد تمثل ظواهر بحرية مدفوعة بالصدمات، ويجمع بين بيانات دقيقة لتقييم تأثير الموجات الصدمية على الفقاعات والقطرات.
يمثل هذا الإطار نقطة تحول في تقييم أداء نماذج التعلم الآلي، حيث يُقيم مجموعة متنوعة من نماذج التعويض بما في ذلك النماذج القائمة على الشبكات العصبية التلافيفية (Convolutional)، والنماذج الطيفية (Spectral)، والنماذج القائمة على المحولات (Transformer-based) والنماذج الأولية التي تم تدريبها مسبقاً.
تجلب النتائج التي تم الحصول عليها باستخدام إطار عمل Neptuna نظرة جديدة حول كيفية عمل هذه النماذج. إذ أظهرت الدراسات أن لا نموذج واحد يمكن اعتباره الأفضل في كل البيانات والمعايير، بينما تحسن كبير تحقق عند استخدام الخسائر المركبة (Composite Losses) والتي تجمع بين الأخطاء التقليدية مع مصطلحات أخرى لتحسين دقة النماذج.
وفي هذا السياق، كانت استراتيجية الوزن التكيفية SoftAdapt الأفضل من حيث تحسين أداء النماذج دون كلفة إضافية كبيرة، مما يجعل تحقيق الأهداف المرجوة أكثر سهولة وكفاءة.
في الختام، يعد Neptuna خطوة كبيرة نحو تحسين الفهم واستخدام الذكاء الاصطناعي في البيئات المعقدة. ما رأيكم في هذه التطورات الجديدة؟ شاركونا آراءكم في التعليقات!