اگر در حال توسعه مدلهایی هستید که باید رفتار دنیای واقعی را پیشبینی کنند، میدانید که تکیه صرف به همبستگیهای آماری معمولاً به شکست منجر میشود. شما باید بدانید که مدلهای یادگیری عمیق سنتی اغلب قوانینی مثل بقای انرژی یا گرانش را نادیده میگیرند و در نتیجه مسیرهایی را پیشبینی میکنند که از نظر آماری محتمل اما از نظر فیزیکی غیرممکن هستند.
به نقل از مستنداتی که در ۱۵ ژوئن ۲۰۲۶ در arxiv.org منتشر شد، معماری Phys-JEPA (یک معماری پیشبینی مشترکِ بردار معنایی مبتنی بر فیزیک) این مشکل را با انتقال محدودیتهای علمی از لایهی خروجی بهطور مستقیم به فضای وضعیت پیشبینانه پنهان حل میکند. این رویکرد در واقع تکاملیافتهی تلاشاتی است که پیشتر برای توقف فروپاشی مدلهای جهان از طریق مکانیسم زیرهدفهای سلسلهمراتبی در FF-JEPA صورت گرفته بود تا پایداری پیشبینیها در محیطهای پیچیده افزایش یابد.
در اکثر مدلهای «مبتنی بر فیزیک» فعلی، محدودیتها مانند یک فیلتر پسپردازش روی پیشبینی نهایی اعمال میشوند. اما در Phys-JEPA، وضعیتهای پنهان به دو بخش «فیزیکی» و «باقیمانده» تجزیه میشوند تا این اطمینان حاصل شود که گذار بین این وضعیتها از قوانین شناختهشدهی فیزیک پیروی میکند.
همانطور که در تحلیلهای پیشین ما دربارهی م مبنیسازی (Grounding) در مدلهای هوش مصنوعی اشاره کردیم، ایجاد پیوند میان نمادها و واقعیتهای فیزیکی کلید دستیابی به استدلال قابلاعتماد است. این معماری در سه بنچمارک مختلف آزمایش شد:
- آبوهوای Jena (۲۰۰۹-۲۰۱۶): کاهش میانگین squared error (MSE) از ۰.۱۲۴۸۲ به ۰.۱۲۲۷۳ در افق زمانی ۲۴ ساعته.
- ترافیک شهری: بهبود MSE در تمامی افقها؛ بهویژه در افق ۱۹۲ ساعته که خطا از ۰.۸۰۰۷۸۴ به ۰.۷۷۳۸۷۳ رسید.
- مصرف برق: اثبات اینکه مدل کامل Phys-JEPA در پیشبینیهای بلندمدت (افق ۱۹۲ ساعته) بهطور قابلتوجهی بهتر از مدلهای استاتیک عمل میکند.
این تغییر متدولوژیک، معیار جدیدی برای هوش مصنوعی تفسیرپذیر تعریف میکند. با اجبار مدل به یادگیری بازنماییهای پنهانِ سازگار با فیزیک، ریسک توهم (Hallucination) در مسیرهای پیشبینی کاهش مییابد و مدلها به جای حدسهای آماری، بر پایه علم استدلال میکنند.
گام بعدی شما
- بررسی کنید آیا در پروژههای پیشبینی سری زمانی خود میتوانید محدودیتهای دامنه (Domain Constraints) را به جای لایهی Loss، در فضای Latent اعمال کنید.
- مقالهی Phys-JEPA را برای درک نحوه تفکیک وضعیتهای فیزیکی از باقیماندهها مطالعه کنید.
- ارزیابی کنید که آیا مدلهای شما در افقهای زمانی بلندمدت دچار خطای انباشته میشوند یا خیر.
اما چالش اصلی اکنون این است که آیا این سازماندهی فیزیکی در سیستمهای غیرخطی پیچیده که معادلاتشان را نمیشناسیم هم پاسخ میدهد یا خیر؛ تحلیل ما دربارهی مدلهای دینامیکی در گزارش بعدی منتشر میشود.
گفتگو