اگر هنوز برای هر تغییر در هندسه یا خواص مواد یک سازه، ساعت‌ها زمان صرف مدل‌سازی دستی می‌کنید، باید بدانید که عصر شبیه‌سازی‌های طولانی به پایان رسیده است. تصور کنید پیش‌بینی تغییر شکل و چرخش در صفحات پیچیده، به‌جای ساعت‌ها، تنها در چند میلی‌ثانیه اتفاق بیفتد.
به گزارش وب‌سایت arxiv.org در تاریخ ۱۶ ژوئن ۲۰۲۶، چارچوب MR-GVNO (یک عملگر عصبی متغیر آگاه از هندسه) توانسته است گلوگاه‌های سنتی در تحلیل سازه‌ها را دور بزند. این دستاورد در حالی می‌آید که مهندسی طراحی دهه‌ها به روش‌های المان محدود (FEM) وابسته بود؛ روش‌هایی که با هر تغییر کوچک در طراحی، نیاز به تکرار هزینه‌بر مدل‌سازی داشتند.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی ادغام قوانین فیزیک در مدل‌های عصبی اشاره کردیم، حرکت به سمت سیستم‌های «خود-اصلاح‌گر» بر اساس قوانین طبیعت، گام بعدی هوش مصنوعی صنعتی است. در این راستا، MR-GVNO به‌جای استفاده از شبکه‌های شطرنجی ثابت، هندسه‌های نامنظم را به‌عنوان ابر نقاط مرزی (Boundary Point Clouds) پردازش می‌کند.
جزئیات فنی این معماری بر چهار محور استوار است:
- استفاده از ابر نقاط برای نمایش اشکال نامنظم، مانند صفحات L-شکل یا سوراخ‌دار.
- به‌کارگیری رمزگذارهای مجزا برای پردازش میدان‌های متغیر مواد، بارهای فشاری و پارامترهای فیزیکی اسکالر.
- پیاده‌سازی یک مکانیزم توجه متقاطع (Cross-attention) برای ادغام ورودی‌ها با اطلاعات نقاط پرس‌وجو.
- آموزش مدل از طریق یک تابع هزینه فیزیک‌محور متغیر که از انرژی پتانسیل کل گسسته‌شده مشتق شده است؛ به این معنا که مدل برای یادگیری، به هیچ داده‌ی پاسخ‌برچسب‌دار نیاز ندارد.
از دیدگاه فنی، این رویکرد یک گسست آشکار از درونیابی‌های مبتنی بر شبکه (Grid-based) است. MR-GVNO با اجازه دادن به گسسته‌سازی مستقل میدان‌های فیزیکی، نیاز به نگاشت اشکال نامنظم روی یک شبکه مشترک را حذف می‌کند؛ جایی که به‌طور تاریخی اصلی‌ترین منشأ خطا و ناکارآمدی در عملگرهای عصبی بود. این تحول، معیار ارزیابی AI در سازه‌ها را از «تقریب ساده» به «تعمیم سازگار با فیزیک» تغییر می‌دهد.
گام بعدی شما
- بررسی مقیاس‌پذیری این رویکرد برای سازه‌های پوستی (Shell) سه‌بعدی یا مواد غیرخطی.
- دنبال کردن انتشار کد باز این پژوهش برای ادغام استنتاج‌های میلی‌ثانیه‌ای در حلقه‌های بهینه‌سازی بلادرنگ (Real-time).
- مطالعه اثر کاهش نیاز به داده‌های آموزشی بر سرعت توسعه نمونه‌های اولیه در صنایع مکانیک.
اما تأثیر این رویکرد بر سخت‌افزارهای استنتاجی حتی عمیق‌تر است — برای درک چگونگی اجرای این مدل‌ها در لبه، تحلیل ما درباره‌ی رایانش لبه را بخوانید.
گفتگو