شبیهسازی جریانهای پیچیده در هندسههای نامنظم دیگر یک چالش دستنیافتنی برای هوش مصنوعی نیست. اگر تا امروز مدلهای عصبی را تنها ابزاری برای تخمین توابع میدیدید، باید بدانید که دوران «تخمین کورکورانه» در فیزیک محاسباتی در حال پایان است.
به نقل از مقالهای که در ۹ ژوئن ۲۰۲۶ در arXiv منتشر شد، اپراتورهای عصبی توپولوژیک (Topological Neural Operators - TNOs) با تغییر نگاه به دادهها، این بنبست را شکستند. در حالی که یادگیری اپراتورهای سنتی، ورودیها را صرفاً به عنوان نقاط یا لبهها میبیند، TNOها دادهها را به عنوان ویژگیهایی روی مجتمعهای سلولی (Cell complexes) با ابعاد متغیر تحلیل میکنند.
همانطور که در تحلیلهای پیشین ما درباره مدلهای فیزیک-آگاه (Physics-informed AI) اشاره کردیم، مشکل اصلی این مدلها، نادیده گرفتن ساختارهای توپولوژیک زیربنایی سیستمهای فیزیکی بود. بر اساس مستندات این پژوهش به سرپرستی لنارت باستین (Lennart Bastian)، TNOها از حساب خارجی گسسته (Discrete Exterior Calculus) برای مدلسازی تعاملات از طریق اپراتورهای گرادین، کرل و دیورژنس استفاده میکنند.
جزئیات فنی این معماری شامل موارد زیر است:
- TNOهای سلسلهمراتبی (Hierarchical TNOs - HTNOs): استفاده از مجتمعهای خشنِ یادگرفتهشده برای انتقال اطلاعات برد-بلند و وابسته به توپولوژی.
- یکپارچهسازی: این چارچوب، اپراتورهای عصبی (Neural Operators) موجود را به عنوان یک حالت خاص در خود جای میدهد.
- عملکرد: TNOها و HTNOها در بنچمارکهای معادلات دیفرانسیل جزئی (Partial Differential Equations - PDEs)، بهویژه در مسائل جریان با هندسه نامنظم، دقت بهمراتب بالاتری نشان دادهاند.
این تغییر رویکرد، هوش مصنوعی برای فیزیک را از «تخمین تابع» به «پارادایم حفظ ساختار» منتقل میکند. با کدگذاری صریح قوانین بقا و سازگاری، فضای جستوجو برای شبکه کاهش یافته و مدل در نتیجه به نمونههای آموزشی کمتری نیاز دارد و از نظر فیزیکی سازگارتر است. این دستاورد، این فرض را که «توجه جهانی» (Global Attention) یا پیچشهای گراف ساده برای مقادیر فیزیکی رتبه-بالا کافی هستند، به چالش میکشد.
گام بعدی شما
- پژوهشگران باید TNOها را روی دادههای تلاطم سهبعدی (3D turbulence) آزمایش کنند تا پایداری مقیاسبندی سلسلهمراتبی در ابعاد بالاتر سنجیده شود.
- برای آزمایش این اپراتورها در برابر بنچمارکهای استاندارد NO، مستندات پیادهسازی در صفحه پروژه در دسترس است.
اما تأثیر این دقت ریاضی بر سختافزارهای نسل بعد حتی حیاتیتر است — به تحلیل ما درباره بهینهسازی هستههای محاسباتی برای مدلهای ساختار-محور مراجعه کنید.
گفتگو