خب رفقا، بذارین یه موضوع خیلی خفن و جدید رو با هم مرور کنیم: مدل‌سازی پخش آلودگی تو اقیانوس‌ها با کمک یه مدل ترکیبی از هوش مصنوعی و فیزیک! یعنی اگر فکر می‌کردین هوش مصنوعی فقط بلده گپ بزنه و جوک بسازه، اشتباه می‌کردین! تو این مقاله، دانشمندها اومدن یه رویکرد متفاوت رو معرفی کردن به اسم Physics-Informed Neural Network یا همون PINN که خیلی راحت بخوام توضیح بدم، یعنی شبکه عصبی که قوانین فیزیک هم توش لحاظ شده. خلاصه‌ش اینه که مغز ماشین رو جوری آموزش می‌دن که دیگه فقط با داده خام کار نکنه، بلکه خودش «می‌فهمه» که چیا تو طبیعت و دنیای واقعی ممکنه اتفاق بیفته.
حالا مشکل چیه که اصلاً سراغ این روش رفتن؟ قضیه اینه که مدل‌سازی و پیش‌بینی اینکه آلودگی‌ها چجوری تو اقیانوس (که خیلی بزرگ و پیچیده‌ست) پخش می‌شن، با روش‌های سنتی شبیه‌سازی معمولاً خیلی سخته! روش‌های سنتی که بهشون می‌گن numerical methods (مثلاً روش اختلاف محدود که به انگلیسی میشه Finite Difference Method یا همون FDM)، معمولا وقتی مقیاس بزرگ و شرایط محیطی پیچیده باشه، دیگه کم میارن یا حسابی کند پیش می‌رن.
تو این مقاله اومدن سراغ یه راه حل جدید. گفتن بیاین شبکه عصبی رو با قوانینی که فیزیک پیشنهاد می‌ده تربیت کنیم. PINNها مثل همون شبکه‌های عصبی معمولی هستن، ولی تو آموزششون علاوه بر داده، معادلات فیزیکی رو (مثلاً همون معادله ۲-بعدی advection-diffusion که برای انتقال و پخش مواد تو سیال استفاده میشه) هم وارد می‌کنن. اینجوری نتایجی که مدل پیش‌بینی می‌کنه، با دنیای واقعی و قوانین طبیعت همخوانی بیشتری دارن.
برای آموزش مدل‌شون، کلی داده شبیه‌سازی درست کردن که بهش می‌گن داده synthetic (یعنی داده‌هایی که واقعاً از محیط جمع‌آوری نشده بلکه با شبیه‌سازی کامپیوتری تولید شده). برای اینکه مدل با کم و زیاد شدن کیفیت داده کنار بیاد و شباهت بیشتری به شرایط واقعی داشته باشه، حتی به این داده‌ها مقدارهای مختلفی نویز (یعنی سر و صدای تصادفی) هم اضافه کردن. اینجور نویزگذاری باعث میشه مدل، داده‌های ناپایدار و غیر دقیق محیط واقعی رو هم درک کنه.
آموزش مدل هم جالب بوده؛ اومدن یه تابع هزینه ترکیبی تعریف کردن. اصلاً تابع هزینه یا loss function اون معیاریه که به هوش مصنوعی می‌گه چقدر اشتباه کرده و باید خودش رو چطور اصلاح کنه. این تابع هم بقایای معادله دیفرانسیل جزئی (PDE residual یعنی اون اضافه یا خطایی که مدل در حل معادلات فیزیکی داره)، هم هماهنگی با شرایط اولیه و مرزی (یعنی اینکه مدل بفهمه از کجا شروع شده و چه محدودیت‌هایی وجود داره) و هم تناسب با داده رو لحاظ کرده. اینطوری مدل هم به قوانین فیزیک وفادار می‌مونه، هم به داده‌های واقعی یا شبیه‌سازی شده نزدیک میشه.
جالب‌تر اینکه واسه شبیه‌سازی‌ها، از زبان Julia کمک گرفتن. Julia یه زبان برنامه‌نویسی نسبتاً جدید و مخصوص کارهای محاسباتی سنگینه؛ یعنی کارهایی که نیاز به سرعت بالا و راندمان زیاد دارن، مثل همین شبیه‌سازی‌های بزرگ علمی.
نتیجه کار؟ یه مدل خیلی مقیاس‌پذیر و منعطف که برای شبیه‌سازی پخش آلودگی تو اقیانوس‌ها، هم دقیق‌تر جواب می‌ده هم نیاز به منابع کامپیوتری کمتر داره نسبت به روش‌های سنتی. مخصوصاً وقتی پای شرایط مرزی پیچیده یا داده‌های پر از نویز وسط باشه، این مدل حسابی می‌درخشه.
در مجموع، این مقاله ثابت می‌کنه که وقتی هوش مصنوعی و قوانین فیزیک دست به یکی کنن، مدل‌سازی پدیده‌های سختی مثل پخش آلودگی تو اقیانوس‌ها می‌تونه هم سریع‌تر باشه و هم واقعی‌تر. پس دفعه بعد که خبر آلودگی نفتی یا ریزگردهای دریایی رو شنیدین، یادتون بیاد که دانشمندها دارن با کمک PINNها، راه‌های جدید مجازی برای نجات طبیعت پیدا می‌کنن!
منبع: +
