في الآونة الأخيرة، تم تسليط الضوء على قدرة نماذج الفيزياء الأساسية (Physics Foundation Models) في التنبؤ المكاني الزماني (spatiotemporal forecasting)، إلا أن التقييمات غالباً ما تتجاهل أداء هذه النماذج في ظروف بيئية متغيرة. يتساءل الباحثون إن كانت هذه النماذج قد تعلمت بالفعل الديناميكيات الفيزيائية العامة أم أنها تتألق فقط تحت ظروف محددة.

لذلك، قام فريق بحثي بتطوير مقياس يتكون من 8 ديناميات فيزيائية، و3 خلطات من بيانات التدريب، و25 نظام اختبار يعكس تقلبات معقدة في المقاييس الزمنية والأوضاع الأولية. يشمل هذا المقياس مجموعة متنوعة من الإعدادات، بما في ذلك الإعدادات المدروسة، والإعدادات المتغيرة، والإعدادات خارج التوزيع.

بعد تقييم خمس هياكل لنماذج الفيزياء الأساسية وأربعة نماذج فرعية لكل هيكل، تم جمع 60,000 قياس، وعلى الرغم من ذلك، أظهرت النتائج أن هذه النماذج تعمل كخبراء مشروطين بدلاً من كونها عامة شاملة. أداء النماذج يعتمد بشكل كبير على النظام الفيزيائي، والمقياس الزمني، وإعدادات الظروف الأولية، بالإضافة إلى حجم النموذج وهندسته.

علاوة على ذلك، لم تسفر تحسينات توزيع بيانات التدريب عن نتائج مُرضية في تذليل هذه القيود. فلا يُظهر التحسين أو التوسع الدائم في النماذج قدرة كاملة على القضاء على الانحيازات المعرفية.

يستنتج الباحثون أن تحسين نماذج الفيزياء الأساسية يتطلب التحول إلى آليات تعليمية جديدة تُعزز من القدرة على استيعاب المعرفة الفيزيائية القابلة للنقل عبر مختلف الأنظمة، والمقاييس الزمنية، وظروف التوزيع.

ما هي أفكاركم حول هذه النتائج؟ وهل تعتقدون أن نماذج الذكاء الاصطناعي يجب أن تُعدل لتحسين قدرتها على التعلم عبر مختلف الظواهر الفيزيائية؟ شاركونا آراءكم في التعليقات.