بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
ما الفائدة من نموذج رياضي يُنتج حلاً قريباً من الصواب لكنه ينتهك قوانين الفيزياء نفسها؟ هذا هو السؤال الذي دفع فريقاً من الباحثين إلى إعادة التفكير في طريقة تدريب النماذج العصبية على حل المعادلات التفاضلية الجزئية (PDEs)، فتوصّلوا إلى مقاربة مغايرة تماماً نُشرت في ورقة بحثية على arXiv في 25 يونيو 2026.
المشكلة الكلاسيكية في هذا الميدان أن النماذج البديلة العصبية (Neural Surrogate Models) تتعلّم تعيين معاملات المعادلة إلى حلولها بطريقة إحصائية بحتة. ما إن ينتهي التدريب حتى تعجز عن تصحيح انتهاكاتها للقيود الفيزيائية، ولا تتجاوز توزيع بيانات التدريب بأي موثوقية. المحاولات الهجينة الأحدث حاولت معالجة ذلك بتوجيه النموذج نحو تقليل بواقي المعادلة (PDE residual) عبر نزول التدرج أو خطوات غاوس-نيوتن، لكنها ورثت تكلفة الحوسبة العالية وعدم الاستقرار من المحلّلات الكلاسيكية التي تستند إليها.
الأكثر من ذلك أن فريق البحث — بقيادة هينا جيانغ ومعها ليام وانغ، بنغ-تشن تشن، مين سيوب كواك، سيونغريونغ كيم، وبريان بيل وجيونغ جون بارك — أثبت نظرياً وتجريبياً أن تقليل البواقي العددية قد يكون وسيلةً مضلِّلة لقياس دقة الحل في الأنظمة سيئة التهيئة (ill-conditioned). بعبارة أخرى: نموذج يحقق بواقي منخفضة جداً قد يُنتج في الوقت ذاته تنبؤات بعيدة عن الواقع، وهذا يشرح لماذا تفشل هذه الطرق الهجينة رغم ادّعائها الدقة.
الحل الذي يقترحه الفريق يُسمّى Error-Conditioned Neural Solvers (ENS)، ومبدؤه مختلف جذرياً: بدلاً من أن يُستخدم بواقي المعادلة هدفاً للتحسين، يُمرَّر حقل البواقي مباشرةً كمدخل إلى الشبكة العصبية في كل تكرار. هذا يتيح للنموذج أن “يرى” البنية المكانية لأخطائه الخاصة ثم يتعلّم سياسة تحديث تُصحّح تنبؤاته بشكل تدريجي ومتراكم، دون الحاجة إلى محلّل كلاسيكي خارجي يُرهق الحوسبة.
الطريقة تُجرَّب عبر أربع عائلات من المعادلات التفاضلية الجزئية، (وفقاً للورقة البحثية) وتحقق أعلى دقة في الغالبية العظمى من السيناريوهات المختبَرة. أبرز النتائج هو ما حدث في محاكاة تدفق كولموغوروف المضطرب (turbulent Kolmogorov flow) حيث تجاوزت دقة ENS أقرب المنافسين بعشرة أضعاف — وهو مقياس لافت في مجال اشتُهر بصعوبة التنبؤ فيه. يأتي ذلك مع توفير ملموس في تكلفة الحوسبة مقارنةً بالطرق الهجينة التقليدية.
ما يُضاف إلى ذلك هو قدرة سياسة التصحيح المكتسبة على التعميم خارج توزيع التدريب، وهو ما يُعرف بـ distribution shift. يشمل ذلك تغييرات المعاملات من الصفر (zero-shot parameter changes) وانتقال الحل بين معادلات مختلفة (cross-equation transfer). والأهم أن الميزة النسبية لـ ENS تتعاظم تحديداً في الأنظمة سيئة التهيئة، أي في المواضع ذاتها التي تنهار فيها أساليب تقليل البواقي وتفقد مصداقيتها.
من منظور علم الحوسبة العلمية، يُقدّم هذا النهج إجابةً جديدة على سؤال مزمن: كيف تجعل الذكاء الاصطناعي يُصحّح نفسه وفق قوانين الفيزياء لا وفق إحصاءات التدريب فحسب؟ العصب الجوهري للفكرة هو أن البواقي ليست رقماً للتحسين، بل خريطةً مكانية تحمل معلومات ثرية عن موقع الخطأ وطبيعته — وتحويلها إلى مدخل يُعطي النموذج “وعياً ذاتياً” بأدائه بدلاً من الاكتفاء بمؤشر كلّي مجرّد.
يبقى أمام ENS اختبار التوسّع إلى معادلات بأبعاد أعلى أو بظروف حدودية أكثر تعقيداً مما غطّته الأربع عائلات الحالية، وهو مسار طبيعي للبحث لم تدّع الورقة الإجابة عنه. لكن المنهجية الجديدة — استخدام بنية الخطأ مدخلاً لا هدفاً — تفتح باباً أمام جيل مختلف من المحاكيات العلمية التي تتعلّم كيف تُخطئ لتتعلّم كيف تُصوّب.
