طوّر باحثون من معهد ماساتشوستس للتكنولوجيا طريقة جديدة تعتمد على الذكاء الاصطناعي يمكن أن تساعد المهندسين على حل مشكلات تصميم معقدة بسرعة أكبر، من تحسين شبكات الكهرباء إلى تطوير سلامة المركبات. وقد وُصفت هذه الطريقة بأنها شبيهة بفكرة “ChatGPT للجداول”، لأنها تستخدم نموذجاً أساسياً مدرّباً على البيانات الجدولية، وهي نوع البيانات المنظم الذي يعتمد عليه المهندسون والعلماء كثيراً في التصميم والمحاكاة والتحليل.
تتضمن كثير من المشكلات الهندسية مئات المتغيرات، وقد يكون اختبار كل احتمال مكلفاً أو يستغرق وقتاً طويلاً. ففي تصميم سلامة السيارات مثلاً، يحتاج المهندسون إلى تقييم آلاف الأجزاء والاختيارات التصميمية لمعرفة كيف سيتصرف المركب أثناء التصادم. ومع زيادة عدد الاحتمالات، قد تبدأ أدوات التحسين التقليدية في مواجهة صعوبة كبيرة، خاصة عندما يعتمد كل اختبار على محاكاة معقدة أو تجربة فعلية باهظة التكلفة.
كيف تعمل الطريقة الجديدة؟
بنى فريق معهد ماساتشوستس للتكنولوجيا طريقته على أسلوب معروف باسم التحسين البايزي، وهو أسلوب يُستخدم عادة عندما يحتاج المهندسون إلى الوصول إلى أفضل تصميم من دون اختبار كل الخيارات الممكنة. يعتمد هذا الأسلوب على بناء نموذج تنبؤ مبسط يساعد في تقدير الخيار الذي يجب اختباره بعد ذلك، مع مراعاة مستوى عدم اليقين في التوقعات. لكن المشكلة أن هذا النموذج يحتاج غالباً إلى إعادة تدريب بعد كل خطوة، وهذا يجعله بطيئاً وغير عملي عندما تكون مساحة التصميم كبيرة جداً وتحتوي على مئات المتغيرات.
لحل هذه المشكلة، استخدم الباحثون نموذجاً أساسياً للبيانات الجدولية ليكون محرك التنبؤ داخل عملية التحسين. وعلى عكس كثير من النماذج التقليدية، فإن هذا النموذج يكون مدرّباً مسبقاً على كميات ضخمة من البيانات المنظمة، ويمكن استخدامه مباشرة من دون الحاجة إلى إعادة تدريبه في كل مرة. هذا يجعل عملية التحسين أسرع وأكثر قابلية لإعادة الاستخدام في مشكلات هندسية مختلفة.
لماذا تُقارن الطريقة بفكرة ChatGPT؟
تأتي المقارنة مع ChatGPT من طريقة تعامل النظام مع البيانات المنظمة. فالنماذج اللغوية الكبيرة تُدرّب على كميات ضخمة من النصوص، ثم تستطيع التكيف مع مهام لغوية متعددة. وبطريقة مشابهة، يتم تدريب النموذج الأساسي الجدولي على كميات كبيرة من البيانات الشبيهة بالجداول، ما يجعله قادراً على التعامل مع مهام التنبؤ والتحسين التي تعتمد على الصفوف والأعمدة والمتغيرات.
بالنسبة للمهندسين، هذه النقطة مهمة لأن جزءاً كبيراً من عملهم يكون موجوداً بالفعل في جداول، ونتائج محاكاة، وقياسات، وسجلات تصميم. بدلاً من بناء نموذج جديد من الصفر لكل مشروع، يمكن للطريقة الجديدة استخدام فهمها العام لأنماط البيانات الجدولية لتحديد المتغيرات الأكثر تأثيراً في مشكلة تصميم محددة.
تحديد المتغيرات الأكثر تأثيراً
من أبرز نقاط قوة هذه الطريقة قدرتها على التركيز على المتغيرات التي تؤثر فعلاً في النتيجة النهائية. ففي مشكلة تصميم سيارة، قد يكون هناك مئات المعايير المرتبطة بالتصميم، لكن ليست كلها بنفس الأهمية بالنسبة إلى سلامة التصادم. يستطيع نظام الذكاء الاصطناعي تقدير الميزات أو مجموعات الميزات التي يرجح أن تحسن الأداء، ثم يوجه البحث نحو هذه العناصر بدلاً من إضاعة الوقت في اختبار كل شيء بالتساوي.
هذا الأمر مهم لأن المشكلات الهندسية المعقدة لا تكون صعبة فقط بسبب كثرة الحلول المحتملة، بل لأن عدداً قليلاً من المتغيرات قد يكون أكثر تأثيراً بكثير من بقية العناصر. وعندما يتمكن النظام من تحديد هذه الأجزاء الحاسمة داخل مساحة التصميم، يصبح الوصول إلى حلول أفضل أسرع وأكثر كفاءة.
نتائج أسرع في المشكلات الأصعب
اختبر الباحثون طريقتهم على 60 مشكلة معيارية، من بينها تحديات قريبة من الواقع مثل تصميم شبكات الكهرباء واختبارات تصادم السيارات. ووجدوا أن الطريقة الجديدة تمكنت من الوصول إلى حلول قوية بسرعة أكبر من بعض خوارزميات التحسين المستخدمة على نطاق واسع، بفارق وصل إلى ما بين 10 و100 مرة في بعض الحالات. كما لاحظ الباحثون أن أداء الطريقة يصبح أكثر وضوحاً كلما زادت صعوبة المشكلة وارتفع عدد المتغيرات.
هذا يجعل الطريقة واعدة في مجالات تحتاج إلى تصميمات دقيقة ومساحات بحث ضخمة، مثل تطوير المواد، واكتشاف الأدوية، وتصميم السفن، وأنظمة الطاقة، والتصنيع المتقدم. في هذه المجالات، يواجه العلماء والمهندسون عدداً هائلاً من الاحتمالات، بينما تكون المحاكاة مكلفة والفرص العملية للاختبار محدودة.
حدود الطريقة وإمكاناتها المستقبلية
لم تتفوق الطريقة الجديدة على الأساليب الأخرى في كل السيناريوهات. فقد أشار الباحثون إلى أنها لم تحقق أداءً أفضل في بعض المشكلات مثل تخطيط مسار الروبوتات، وربما يعود ذلك إلى أن هذا النوع من المهام لم يكن ممثلاً بشكل كافٍ في بيانات التدريب الخاصة بالنموذج. وهذا يعني أن قوة الطريقة لا تزال تعتمد جزئياً على مدى فهم النموذج لنوع البيانات أو المشكلة التي يُطلب منه تحليلها.
في المستقبل، يريد الباحثون تحسين أداء النماذج الأساسية الجدولية وتطبيق هذه التقنية على مشكلات أكبر بكثير، قد تحتوي على آلاف أو حتى ملايين المتغيرات. وإذا نجح هذا الاتجاه، فقد تصبح أدوات التحسين المتقدمة أكثر سهولة للمهندسين الذين يحتاجون إلى حلول أسرع لمشكلات واقعية شديدة التعقيد.
الخلاصة
تشير طريقة معهد ماساتشوستس للتكنولوجيا الجديدة إلى تحول أوسع في كيفية استخدام الذكاء الاصطناعي داخل الهندسة والعلوم. فبدلاً من استخدام النماذج الأساسية فقط في توليد النصوص أو الصور، يمكن أن تصبح هذه النماذج محركات قوية داخل أدوات التصميم العلمي والهندسي، وتساعد الأساليب الكلاسيكية مثل التحسين البايزي على العمل في نطاقات كانت صعبة أو غير عملية سابقاً.
بالنسبة للمهندسين، تبدو القيمة واضحة. نموذج ذكاء اصطناعي قابل لإعادة الاستخدام يستطيع قراءة البيانات الشبيهة بالجداول، وتحديد المتغيرات الأكثر أهمية، وتوجيه البحث نحو أفضل التصاميم، يمكن أن يقلل عدد المحاكاة غير الضرورية، ويسرّع مراحل التطوير، ويساعد على تحسين الأنظمة المعقدة بكفاءة أكبر.