اگر با شبیه‌سازی‌های دینامیکی ذره‌ای در مقیاس میلیون‌ها واحد سر و کار دارید، می‌دانید که گلوگاه اصلی، حجم سرسام‌آور محاسبات است. حالا یک چارچوب جدید ادعا می‌کند این پیچیدگی را با تنها ۳۲ متغیر به حداقل می‌رساند، بدون آنکه دقت خروجی فدا شود.
به نقل از مقاله منتشر شده در arxiv.org در تاریخ ۹ ژوئن ۲۰۲۶، مدل OnlyDense قادر است سیستم‌های میلیون-ذره‌ای را با ضریب تعیین (R²) بالای ۰.۹۹ بازسازی کند. این دستاورد به معنای پیش‌بینی دقیق تغییر شکل‌های شدید و تکه-تکه شدن مواد بدون نیاز به هزینه‌های سنگین متدهای گسسته سنتی است.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی مدل‌های فیزیک-آگاه (Physics-Informed AI) اشاره کردیم، صنعت همواره به دنبال راهی برای کاهش مرتبه شبیه‌سازی‌ها بدون از دست دادن فیزیکِ حاکم بوده است. روش‌های شبیه‌سازی لاگرانژی (Lagrangian Simulation)—مانند هیدرودینامیک ذرات هموار (SPH) و روش نقطه-ماده (MPM)—در مطالعه شکست‌های ساختاری فضاپیماها یا رشد حفره‌ها در مواد حیاتی هستند، اما به‌دلیل برخورد با سیستم به عنوان مجموعه‌ای گسسته از ذرات، در تحلیل پدیده‌های چندمقیاسی دچار مشکل می‌شوند.
طبق مستندات فنی، OnlyDense با عبور از رویکردهای مبتنی بر گراف، حالت سیستم را به عنوان یک تابع و تکامل آن را به عنوان یک مسیر در فضای هیلبرت (Hilbert Space) تعریف می‌کند. مشخصات کلیدی این معماری عبارتند از:
- تقریب زیرفضای خطی (Linear Subspace Approximation): فضای حالت از طریق توابع پایه عصبی یادگرفته‌شده تقریب زده می‌شود تا نیاز به بهینه‌سازی در یک فضای پنهان غیرخطی نباشد.
- ناورداشتی گسسته‌سازی (Discretization Invariance): نمایش سیستم بدون توجه به تعداد نقاط گسسته‌سازی، ثابت و سازگار باقی می‌ماند.
- همسانی با POD: متغیرهای پنهان در اینجا به‌عنوان ضرایبی در فضای هیلبرت عمل می‌کنند و توابع پایه، نقش مودهای مکانی را ایفا می‌کنند؛ دقیقاً مشابه تجزیه متعامد مناسب (Proper Orthogonal Decomposition).
این چرخش راهبردی، فرض بنیادین این حوزه را تغییر می‌دهد؛ دیگر نیازی به جای‌گذاری (Embedding) حالت‌های ذره‌ای در منیفولدهای غیرخطی نیست. استفاده از یک زیرفضای خطی از توابع یادگرفته‌شده، اجازه می‌دهد تا با یک تصویر مستقیم (Projection)، ضرایب پنهان به‌دست آیند و هزینه محاسباتی بازسازی سیستم‌های عظیم به‌شدت کاهش یابد.
گام بعدی شما
- پایش ادغام OnlyDense در نرم‌افزارهای CAD و CAE صنعتی، به‌ویژه در تحلیل‌های برخورد با سرعت بالا (Hypervelocity Impact).
- بررسی توانایی این رویکرد در حفظ دقت R² هنگام مقیاس‌پذیری برای شبیه‌سازی‌های چند-فیزیکی شامل واکنش‌های گرمایی و شیمیایی.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell و بهینه‌سازی استنتاج در مدل‌های علمی مراجعه کنید.
گفتگو