في ظل الابتكارات المتسارعة في مجال الذكاء الاصطناعي، توصلت دراسة جديدة إلى نموذج محوري في توقع كثافة الوقود يعتمد على الدمج بين الذكاء الاصطناعي والفيزياء. يقدم الباحثون إطار عمل مدعوم بالفيزياء للتعلم الآلي (Physics-guided Machine Learning) الذي يقوم بدمج قيود فيزيائية ومعرفة ميدانية في نماذج التعلم العميق لتحسين دقة واستقرار التوقعات.

استندت الدراسة إلى ثلاثة هياكل رئيسية في التعلم العميق: نموذج ConvLSTM، ومشغل فورييه العصبي (Adaptive Fourier Neural Operator أو AFNONet)، ومحول رؤية الفيديو (Video Vision Transformer أو ViViT). تم استخدام هذه الهياكل لنمذجة التطورات الزمانية والمكانية لكثافة الوقود بكفاءة عالية.

وعلى الرغم من أن النماذج المدعومة بالبيانات غالبًا ما تعتمد على البيانات بشكل كامل، إلا أن إطار الـ PGML يطبق مبادئ فيزيائية عبر إضافة بنود علمية قابلة للتفاضل ضمن دالة الخسارة، مثل بند الحفاظ على الكتلة وتقدير معدل الانتشار.

إلام سيفيد هذا الابتكار؟ التجارب التي أجريت - والتي تم平均ها عبر عدة تجارب مستقلة - أثبتت أن النموذج المقترح يتفوق على معايير البيانات النقية في كل من الدقة والثبات، مما يمهد الطريق للاستخدام الكفؤ في التنبؤ بالنيران ودعم إدارة الحرق الموصى به.

باختصار، يفتح هذا النموذج أفقًا جديدًا أمام تطبيقات قوية تساعد في إدارة الحرائق بطرق اقتصادية وفعالة. ما رأيكم في تطبيق التكنولوجيا الحديثة بالتعاون مع الفيزياء؟ شاركونا أفكاركم في التعليقات!