في عصر التسارع التكنولوجي، تبرز أهمية الذكاء الاصطناعي في مجالات متنوعة، وخاصةً في تعلم الآلة العلمي (SciML). وقد قدم الباحثون أخيراً نموذجًا مبتكرًا تحت عنوان Physics-Audited Agentic SciML، والذي يعيد تعريف كيفية استخدام نماذج اللغات الكبيرة (LLM) لاكتشاف نماذج بديلة.

تمتاز العملية الجديدة بتركيزها على توثيق الأداء في سياق القوانين الفيزيائية، وهي خطوة حيوية تضمن أن النماذج ليست فقط دقيقة رياضيًا بل تدعم أيضًا القيم الفيزيائية مثل شروط الحدود، وفرضية السوبرپوزيشن، ومقياس الصلابة، والسببية.

تبدأ العملية بتحديد أداة تقييم موثوقة قبل بدء البحث، وتتضمن اشتراطات قابلة للمراجعة والتدقيق. حيث يتم تقييم الأطر المدربة بناءً على مخرجاتها، مما يضمن أن أي نموذج يُعتبر موثوقًا يعتمد على معايير محددة.

من خلال تطبيق هذه المنهجية في تجارب ميكانيكا المواد الصلبة، تم تحديد نماذج بديلة تعطي أخطاءً أقل مقارنةً بالنماذج التقليدية، مع ضمان تجاوزها للاختبارات الشائعة التي تتعلق بالخطوط المرنة. في أحد التجارب، قدم نموذج مُختار استجابة صحيحة لمتطلباتهم الفيزيائية، على الرغم من أن النموذج الآخر، رغم تقاربه في متوسط الخطأ، لم يجتز اختبار السبب.

يعتبر هذا النهج خطوة متقدمة نحو ضمان أن تقنيات تعلم الآلة لا تُستخدم فقط للتنبؤ، بل تُستخدم أيضًا بشكل موثوق في المجالات العلمية والهندسية. هل تعتقد أن هذه الابتكارات ستغير طريقة استخدام الذكاء الاصطناعي في الهندسة؟ شاركونا آراءكم في التعليقات.