بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
تسعة وعشرون من كل ثلاثين باحثاً أو ممارس في أنظمة الطاقة يواجهون عائقاً قبل تشغيل أي نموذج ذكاء اصطناعي، فيما يطالب 94% منهم بدورة تدريبية متخصصة تربط الذكاء الاصطناعي بمجال الطاقة تحديداً (وفقاً لـ arXiv). هذا ما كشفه استطلاع مجتمعي أجراه فريق بحثي من جامعة تينيسي، وكان نقطة الانطلاق لورقة علمية جديدة تقدّم إطاراً تعليمياً تنفيذياً مفتوح المصدر يعالج هذه الفجوة بشكل مباشر.
الورقة التي أعدّها Junjie Yin ورفاقه Buxin She وXinyu Feng وFangxing Li، تُشخّص مشكلة بنيوية في كيفية تعلّم مهندسي أنظمة الطاقة للذكاء الاصطناعي: معظم المواد المتاحة إما تخصصية للغاية في تطبيقات محددة، أو مجردة تماماً عن سياق الطاقة. والنتيجة أن القادمين الجدد من المهندسين والباحثين بين التخصصات يلجؤون إلى نماذج اللغة الكبيرة كبديل، بدلاً من بناء فهم حقيقي لكيفية عمل هذه الأنظمة داخل المجال الهندسي. وهنا يطرح الباحثون مفهوم EGAI — Engineering-Grounded AI، أي ذكاء اصطناعي مُؤصَّل هندسياً يخضع لقواعد نظام الطاقة ومعادلاته، لا يعمل كصندوق أسود معزول.
الإطار المقترح يتكون من مكتبة وحدات تعليمية قابلة للتنفيذ، موزّعة على سلّم تدريجي للصعوبة. هذه الوحدات مُصدَرة كـ Jupyter Notebooks تعمل محلياً أو عبر Google Colab، وتُغطي المسار من المفاهيم الأساسية حتى التطبيقات المتقدمة:
- قوالب الشبكات العصبية العميقة (DNN) الأساسية — مصممة لمهام التقريب الدالي وملاءمة منحنيات الحِمل الكهربائي، وهي نقطة الدخول لمن يُطبّق الذكاء الاصطناعي للمرة الأولى على بيانات الطاقة.
- نموذج CNN لتدفق الطاقة (Power-Flow Surrogate) — يعتمد شبكة عصبية التفافية مقيّدة بمعطيات المجال الهندسي، مُطبَّقة على نظام يضم 5 حافلات كهربائية (5-Bus System)، مما يجعلها مثالاً تعليمياً قابلاً للتحقق والتكرار.
- تحسين مُعزَّز بـ DNN — وحدة متقدمة تدمج الشبكات العصبية في حلقات التحسين الهندسي التقليدية، مما يفتح باب مسائل التشغيل الأمثل لأنظمة الطاقة.
- التعلّم المعزَّز العميق (DRL) للتحكم في تخزين البطاريات — تطبيق عملي لوكلاء التعلم المعزز في ضبط شحن وتفريغ منظومات تخزين الطاقة، وهو أحد أكثر المجالات حيوية في شبكات الطاقة الحديثة.
- الشبكات العصبية المستنيرة فيزيائياً (PINNs) لمعادلة التأرجح — تدمج قوانين الفيزياء مباشرةً في بنية الشبكة العصبية لحل معادلة التأرجح الكهروميكانيكية (Swing Equation)، وهو ما يُجسّد مفهوم EGAI في أوضح صوره.
ما يميّز هذا الإطار عن مواد تعليمية مشابهة هو أنه لا يكتفي بشرح المفاهيم بل يُلزم المتعلم بالتنفيذ الفعلي في كل خطوة. كل وحدة مصمّمة لتكون مكتفية بذاتها، بمعنى أنك تستطيع البدء من الوحدة الثانية أو الثالثة دون الحاجة لإكمال ما سبقها، وهو ما يناسب الباحثين والمهندسين الذين يمتلكون خلفية في أحد الجانبين دون الآخر. المواد نُشرت أيضاً ضمن دورة تدريبية على منصة IEEE Online وسلسلة ندوات IEEE Power & Energy Society (PES).
الإقبال على هذا المحتوى يعكس حجم الجوع المهني الحقيقي لمثل هذا النوع من المواد: استقطبت الندوة الأولى أكثر من 590 حاضراً مباشراً (وفقاً لـ arXiv)، ما يضعها ضمن العشر ندوات الأكثر حضوراً في تاريخ IEEE PES. وفي غضون أسبوعين فقط من الإطلاق، تجاوزت زيارات المستودع 344 زيارة، وهي أرقام لافتة لمحتوى أكاديمي تقني متخصص.
ما تطرحه هذه الورقة ليس مجرد أداة تعليمية، بل موقف فكري من طريقة دمج الذكاء الاصطناعي في المجالات الهندسية الحرجة. في ظل اعتماد أنظمة الطاقة بشكل متزايد على نماذج تنبؤية وأدوات تحسين مُعلَّمة، يصبح الفارق كبيراً بين مهندس يفهم ما يحدث داخل النموذج ومهندس يتعامل معه كصندوق أسود. الإطار المفتوح هذا هو خطوة عملية نحو سد هذه الهوة، لكن الأثر الحقيقي سيتوقف على مدى تبنّي المناهج الجامعية ومؤسسات التدريب المهني له خارج فضاء IEEE.
