Tadpole تقترح نموذجًا تأسيسيًا للفيزياء: من التنبؤ إلى الفهم

تقترح Tadpole نقل منطق النماذج التأسيسية (foundation models) من النصوص والصور إلى الفيزياء. فبدلًا من شبكة عصبية منفصلة لكل مهمة، يسعى المؤلفون إلى الحصول على نموذج واحد مسبق التدريب للطقس وتيارات الهواء وتشوّه المواد والمجالات الكهرومغناطيسية. الفكرة طموحة. لكن الجزء المتاح من مادة Jiqizhixin لا يتضمن حتى الآن أي أرقام معلنة: لا حجم النموذج، ولا حجم بيانات التدريب، ولا نتائج الاختبارات المعيارية. لذلك نتناول هنا النهج نفسه والأسئلة التي ينبغي طرحها بشأنه.

مهمة واحدة، نموذج واحد

يقوم التعلم الآلي العلمي (scientific ML) التقليدي على بنية بسيطة، لكنها مكلفة. تُدرَّب الشبكة العصبية على بيانات نظام محدد له معادلة بعينها وهندسة ودقة شبكة ومجموعة معينة من المتغيرات. وإذا تغيّر نوع الفيزياء، أو تبدّل المقياس المكاني، أو أُضيفت عدة متغيرات، فلا بد من إعادة تدريب النموذج من الصفر. والجزء المقطوع من النص يصف هذا بالتحديد: فعند مثل هذه التغيّرات يفقد النموذج قابليته للتطبيق.

أما في النماذج اللغوية، فقد جرى حل هذه المشكلة بالتدريب المسبق على مدونة ضخمة ثم التكييف اللاحق. ويطرح مؤلفو Tadpole سؤالًا: هل يمكن فعل الشيء نفسه للعالم الفيزيائي؟ فالطقس والديناميكا الهوائية وميكانيكا الأجسام الصلبة والكهرومغناطيسية تُوصَف بمعادلات مختلفة، لكن بينها بنى مشتركة: حقول مكانية، وتفاعلات محلية، وقوانين حفظ.

من التنبؤ إلى الفهم

يقابل عنوان المادة بين «التنبؤ بالمستقبل» و«فهم العالم». فمعظم النماذج البديلة (surrogate models) في العلوم تُدرَّب على مهمة واحدة: أخذ الحالة الراهنة للحقل وإخراج الحالة التالية. ويُقاس الأداء بالخطأ على أفق التنبؤ. وقد يحسب نموذج كهذا حالة بعينها بدقة جيدة، دون أن «يعرف» شيئًا عن الحالة المجاورة.

ويبدو من الصياغة أن Tadpole تضع هدفًا مختلفًا: الحصول على تمثيل يلتقط القواعد المشتركة بين أنظمة مختلفة وينتقل بينها. والاتجاه ليس جديدًا. ففي عام 2023 عرضت Polymathic AI منهج Multiple Physics Pretraining، وأصدرت مجموعة من ETH Zürich نموذج Poseidon للمعادلات التفاضلية الجزئية، ودرّبت Microsoft نموذج Aurora للغلاف الجوي. وتواصل Tadpole هذا الخط، لكن لا يمكن تقدير مدى تقدمها اعتمادًا على البيانات المفتوحة.

ما هو معروف حتى اليوم

• المجال المعلن: الطقس، وحركة الهواء، وتشوّه المواد، والظواهر الكهرومغناطيسية
• الفكرة الأساسية: نموذج موحّد مسبق التدريب بدلًا من مجموعة نماذج ضيقة
• تغيّر التركيز: من التنبؤ بالحالة التالية إلى فهم عام للفيزياء
• حجم النموذج والبيانات وتكاليف الحوسبة: لم يُكشف عنها في النص المتاح
• المقاييس والمقارنة مع Fourier Neural Operator وغيره من الحلول الأساسية: لم ترد في النص المتاح

الأسئلة التي ينبغي طرحها

أهمها يتعلق بالتعميم. فالنموذج التأسيسي العلمي يثبت جدواه حين يعمل جيدًا على فيزياء لم تكن في بيانات التدريب، أو بعد ضبط إضافي منخفض التكلفة. أما إذا كان كل نظام جديد يحتاج إلى القدر نفسه من البيانات كما في السابق، فلا مكسب هناك.

السؤال الثاني يتعلق بالاتساق الفيزيائي. فالنموذج الذي يخطئ بنسبة بضعة بالمئة، لكنه يخرق حفظ الطاقة أو الكتلة، خطر في الحسابات الهندسية. والسؤال الثالث يتعلق بالتكلفة. فالحلّالات العددية (numerical solvers) بطيئة، لكن نتائجها يمكن التنبؤ بها وقد اختُبرت على مدى عقود. ولذلك يجب أن تكون الشبكة العصبية أسرع بوضوح مع دقة مماثلة، وإلا فلن تزيحها.

كيف تقرأ مثل هذه الإصدارات

بالنسبة إلى الباحثين والمهندسين الذين يعملون في ديناميكا الموائع الحاسوبية (CFD) أو الطقس أو الميكانيكا، فالخطوات العملية هي التالية. انتظروا التقرير التقني أو الورقة البحثية وابحثوا فيها عن ثلاثة أمور: اختبارات على أنظمة لم يرها النموذج أثناء التدريب، وتكلفة الضبط الإضافي على مهمة جديدة، والمقارنة مع النماذج المتخصصة بدقة على البيانات نفسها. وإذا نُشر كل ذلك، وكان الكود أو الأوزان مفتوحة، فمن المنطقي اختبار النموذج على مسألتكم الخاصة قبل تغيير سير العمل. وما دامت هذه البيانات غير متاحة، تبقى Tadpole طرحًا مثيرًا للاهتمام لسؤال، لا أداة جاهزة.