في عالم نماذج التعلم العلمي (Scientific Machine Learning)، تتسبب التأثيرات السلبية في إعاقة تقدم نموذج الفيزياء متعدد الأنظمة، مما يمثل تحديًا حقيقيًا لمطوري هذه الأنظمة. لقد رصد باحثون في ورقة جديدة بعنوان "Shodh-MoE" كيف أن تدريب نماذج متعددة من المعادلات التفاضلية الجزئية (Partial Differential Equations) بشكل مشترك يمكن أن يؤدي إلى مشاكل مثل تضارب النماذج وفقدان استقرار التدريب.

تتطلب المجالات المختلفة مثل ديناميات السوائل المفتوحة (Open-Channel Fluid Dynamics) وتدفقات الوسائط المسامية (Porous Media Flows) معايير هندسية وطيفية متباينة، مما يجعل من الضروري إيجاد نموذج فعال يخفف من هذه التحديات. هنا يأتي دور النموذج الجديد Shodh-MoE، المعتمد على هيكل تحول منشط بشكل متفرق، والذي يحوي تصميمًا متقدمًا يتيح له العمل على مجموعة مضغوطة من الحالات الفيزيائية.

يعمل النموذج بفعالية على تقليل تباين السرعة إلى أقل من 2.8 × 10^-10، مما يضمن الحفاظ على الكتلة بشكل دقيق خلال نماذج الفيزياء. مزودًا بموجه تحليل دقيق، يقوم النموذج بتخصيص مسارات المدخلات بين الشبكات الفرعية المتخصصة، مما يسمح لكل آلية فيزيائية بأن تعمل بكفاءة، مع الاحتفاظ بالمعايير العامة.

لقد أظهرت التجارب أن النموذج يتفاعل بشكل مستقل مع كل نظام، حيث تتجه بيانات التحليل من مجالات التدفقات المفتوحة إلى خبير خاص بها، بينما تُحفظ البيانات الأخرى لخوادم مختلفة. مع الحفاظ على معايير الدقة والعائد المحتمل، تصبح النتائج مثيرة للإعجاب، مما يجعل Shodh-MoE تحولًا رئيسيًا في هذا المجال.

في النهاية، يظهر هذا النموذج كآلية برمجية فعالة للحد من تداخل الفيزياء المتعددة، مما يمهد الطريق نحو تطوير نماذج تعلم أكثر تقدمًا وفعالية.