خب ببین، جدیداً مدل‌های زبونی خیلی گنده یا همون Large Language Models که با اسم مخففشون LLM هم میشناسنشون، دارن دنیای فناوری و مهندسی رو زیرو رو می‌کنن. منظورم از LLM همون هوش مصنوعی‌های مدرن و پیشرفته‌ست که مثلاً می‌تونن برات متن بنویسن، سوالات علمی جواب بدن یا حتی برنامه‌نویسی کنن!
حالا بیایم سر بحث اصلی: این هوش مصنوعی‌ها توی توسعه نرم‌افزار مخصوصاً تو ساخت کتابخونه‌هایی که کارشون حل معادلات دیفرانسیل با مشتقات جزئی یا همون PDE هست، غوغا به پا کردن. اگه نمی‌دونی PDE چیه، خلاصه بگم: معادلاتی‌ان که توشون مشتق‌های چندین متغیر وجود داره و حل کردنشون معمولاً کار راحتی نیست و تو فیزیک، مهندسی و کلی جای دیگه کاربرد دارن.
تا قبل از این، مطالعات بیشتر روی این بود که این مدل‌ها فقط بیارن محیط اجرا و راه‌اندازی رو برای کاربر ساده‌تر کنن. اما یه راه جدید به اسم LLM-PDEveloper معرفی شده که اومده پا رو یه پله بالاتر گذاشته. داستان چیه؟ این یه چارچوب باحال بر اساس LLMهاست که کامل صفر تا صد توسعه کد رو، اونم برای خود کتابخونه‌های حل PDE، انجام می‌ده. این دفعه هدفشون بیشتر کسایی‌ان که خودشون توسعه‌دهنده نرم‌افزارن و نه کاربر عادی.
کار این LLM-PDEveloper اینجوریه که تو توصیف ریاضی و الگوریتم رو بهش می‌دی، اون خودش خودکار کدشو می‌نویسه! یعنی فقط کافی ریاضی قضیه رو بدونی، کدشو به هوش مصنوعی بسپری. این سیستم حتی بلده مودول جدید به کتابخونه اضافه کنه یا اونایی که قبلاً بودن رو ویرایش کنه و گسترش بده. خلاصه همه چی خودکار و مرتب انجام میشه.
یه نکته باحال دیگه: این روش یه جور خط تولید خودافزاینده درست کرده؛ یعنی سیستم می‌تونه مدام خودش مجموعه کدها رو بزرگ‌تر کنه و توانایی‌های کتابخونه رو هم بیشتر و بیشتر کنه.
یه سری کار هم روش امتحان کردن:
- ساخت سالور جدید (سالور یعنی برنامه‌ای که معادله PDE رو حل کنه) برای یه PDE جدید.
- اضافه کردن شرایط مرزی جدید (BC یا Boundary Condition همون شرایطی هست که باید مرزهای مسئله ریاضی رو باهاش مشخص کنی) به یه PDE داده شده.
- تغییر تو سالور قبلی برای اینکه بتونه یه سری موارد اضافی هم حساب کنه.
نتیجه چی شد؟ تو این سه کار، با اینکه همیشه همه چی صددرصد عالی پیش نمی‌ره و گاهی هم مدل‌های زبونی توی نحو کد یا دقت معنایی گاف می‌زنن، اما موفقیت معقولی گرفتن. ایرادها هم بررسی شده؛ مثلاً فهمیدن بعضی اشتباهاتش فقط به خاطر اشکال تو سینتکس یا همون قواعد نوشتاریه که خوشبختانه میشه درستشون کرد. حتی رفتن سراغ اشتباهات معنایی (Semantic Errors یعنی خطاهایی که مدل مفهوم دقیق رو نگرفته) تا بفهمن چرا این اتفاق‌ها می‌افته و برای تحقیقات بعدی راه‌حل پیدا کنن.
در کل آینده اینجور مدل‌های هوش مصنوعی که می‌تونن خودشون از ریاضیات مستقیم به کد برسونن، خیلی هیجان‌انگیزه چون عملاً داره کار برنامه‌نویس‌های عددی رو چند برابر سریع‌تر می‌کنه و باعث میشه دایره خلاقیت و امکانات تو ساخت کتابخونه‌های پیشرفته اصلاً محدوده نداشته باشه!
منبع: +
