في عالم الذكاء الاصطناعي، تتزايد أهمية المحاكيات الفيزيائية المُتعلمة، ولكن التحديات التي تواجهها أثناء تقييم أدائها لا تزال قائمة. غالباً ما يتم قياس هذه المحاكيات بناءً على خطأ التنبؤ على مدى قصير، مما يؤدي إلى تجاهل إخفاقات حاسمة قد تحدث في التنبؤات على المدى الطويل.

إحدى الجوانب الرئيسيةที่ تميز الأداء الجيد هي "قانون الاستمرارية الجمعية" (Semigroup Law)، والذي يشير إلى أن التطور المباشر لنظام ما على مدى زمن معين يجب أن يتطابق مع التطور الذي يُحاكي الزمن نفسه بشكل متسلسل. من خلال هذا المنظور، تم اقتراح "خطأ الاستمرارية الجمعية" (Normalized Semigroup Error) كأداة تقييم نموذجية وموضوعية للمقارنة بين التنبؤات المباشرة والتنبؤات التي تعتمد على التركيب.

تظهر النتائج الأولية التي تم تحقيقها باستخدام ديناميكيات الحرارة وديناميكيات بورجرز مع نموذج "ConvNet" وشبكات "FNO" أن خطأ الاستمرارية الجمعية يرتبط إيجابياً بتدهور الأداء عند التجربة على المدى الطويل. إذ سجلت العلاقة بين خطأ الاستمرارية وانخفاض الأداء نتيجة العمليات الحركية مستوى خاص جداً من الارتباط، بلغ 0.635.

وعلى الرغم من أن تحسين المعلمات من خلال "تنظيم الاستمرارية الجمعية" أظهر تأثيرات مختلطة، إلا أنه يُعتبر أداة تقييم فعالة، مما يبرز أهمية هذا التشخيص في عالم المحاكيات الفيزيائية المُتعلمة بدلاً من هدف تدريب شامل.

ما رأيكم في تطبيق مثل هذه التشخيصات على المحاكيات الأخرى؟ دعونا نناقش ذلك في التعليقات!