هوش مصنوعی توضیح‌پذیر و آشفتگی: نگاهی نو به یک مسألهٔ حل‌نشدهٔ فیزیکی

نوشته پاتریشیا دلسی، کالج مهندسی دانشگاه میشیگان

آشفتگی جوی به‌عنوان عامل شناخته‌شدهٔ پروازهای ناآرام شناخته می‌شود، اما حرکت آشوبی جریان‌های آشوبی همچنان یک مسألهٔ حل‌نشده در فیزیک است. برای به‌دست آوردن بینش در مورد این سیستم، تیمی از پژوهشگران با به‌کارگیری هوش مصنوعی توضیح‌پذیر نواحی مهم‌ترین در یک جریان آشوبی را شناسایی کردند، طبق مطالعه‌ای در Nature Communications که توسط دانشگاه میشیگان و دانشگاه فنی والنسیا هدایت شد.

درک واضح‌تری از آشفتگی می‌تواند پیش‌بینی‌ها را بهبود بخشد، به خلبانان کمک کند تا مسیرهای خود را دور نواحی آشوبی تنظیم کنند و از صدمات به مسافران یا خسارت‌های سازه‌ای جلوگیری نمایند. همچنین می‌تواند به مهندسان امکان کنترل آشفتگی را بدهد؛ به‌طوری‌که با افزایش آن به بهبود میکس صنعتی مانند تصفیه آب پرداخته یا با کاهش آن بازده سوخت وسایل نقلیه را افزایش دهند.

«به‌طوری‌که بیش از یک قرن، پژوهش در زمینه آشفتگی با معادلاتی بیش از حد پیچیده برای حل، آزمایش‌های دشوار و کامپیوترهایی ناکافی برای شبیه‌سازی واقعیت مواجه بود. هوش مصنوعی اکنون ابزاری نوین به ما ارائه کرده تا این چالش را پیش بگیریم و به پیشرفتی با پیامدهای عملی عمیق دست یابیم»، گفت سرجیو هوایاس، استاد مهندسی هوافضا در دانشگاه فنی والنسیا و هم‌نویسندهٔ این مطالعه.

در مدل‌سازی آشفتگی، روش‌های کلاسیک سعی می‌کنند مؤثرترین عناصر را با استفاده از معادلات فیزیکی یا با مشاهده ساختارهایی که به‌راحتی در آزمایش‌ها دیده می‌شوند، مانند گردابه‌ها یا جریان‌های دورانی، شناسایی کنند.

روش جدید تمرکز را از صرفاً پیش‌بینی آشفتگی به درک بهتر سیستم جابجا می‌کند. این روش کل جریان را بدون پیش‌فرض‌های قبلی بررسی می‌نماید و با حذف تک‌تک نقطهٔ داده، اهمیت هر یک را محاسبه می‌کند.

بر خلاف فرضیات کلاسیک، گردابه‌ها تنها در فاصله‌ای دور از دیوار—مرز بین هوای آشوبی و هوای صاف—اهمیت کمی داشتند. در عوض، تنش‌های رینولدز (اصطکاکی که هنگام برخورد سرعت‌های مختلف سیالات ایجاد می‌شود) در نزدیکی بسیار نزدیک و همچنین در فاصلهٔ بسیار دور از دیوار بیشترین تأثیر را داشتند، در حالی که رشته‌ها (نوارهای کشیدهٔ هوای سریع و آهسته که به‌صورت موازی با جریان حرکت می‌کنند) در فواصل متوسط حاکم بودند.

«اگر تمام دیدگاه‌های کلاسیک را به‌هم بپیوندید، به بازسازی کامل روایت نزدیک‌تر می‌شوید. اگر هر یک از این دیدگاه‌ها را به‌صورت جداگانه در نظر بگیرید، فقط بخشی از روایت را دریافت می‌کنید»، گفت ریکاردو وینوسا، استادیار مهندسی هوافضا در دانشگاه میشیگان (U‑M) و یکی از نویسندگان مسئول این مطالعه.

معمای ریاضی حل‌نشده

تا به این لحظه، پژوهشگران قادر به درک کامل چگونگی حرکت یا دفع انرژی در جریان‌های آشوبی نیستند. ریاضیات توصیف حرکت سیالات از معادلاتی به نام معادلات ناویر‑استوکس مشتق می‌شود که برای جریان‌های صاف، پیش‌بینی‌پذیر و آشفتگی‌های ملایم به‌خوبی عمل می‌کند.

برای آشفتگی شدید، یعنی تقریباً هر جریان مورد علاقهٔ عملی، این معادلات همچنان معتبر هستند، اما برای حل آن‌ها به مقدار عظیم‌تری از توان محاسباتی نیاز می‌شود.

آشفتگی به‌طور ذاتی آشوبی است و گرادیان‌های سرعت می‌توانند به‌طور بسیار بزرگ شوند — به‌نزدیک رفتار تکینگی. در چنین شرایطی، میدان جریان ساختاری شبیه به فرکتال نشان می‌دهد که با پیکربندی‌های فضایی بسیار پیچیده و دقیق توصیف می‌شود.

این رفتار پیچیده ناشی از تعامل دقیق بین جملات خطی و غیرخطی معادلات ناویر‑استوکس است. این معمای بنیادی آن‌قدر مهم است که مؤسسهٔ ریاضیات کلی آن را به‌عنوان یکی از هفت مسئلهٔ جایزهٔ هزاره (Millennium Prize Problems) معرفی کرده و یک میلیون دلار برای نمایش وجود و یکتایی یک حل صاف از این معادلات جایزه می‌دهد.

یک راه‌حل در مدل‌سازی

در حالی که تکنیک محاسباتی به نام شبیه‌سازی عددی مستقیم می‌تواند بخش‌های کوچک جریان‌های آشوبی را با دقت بالا مدل‌سازی کند، هزینهٔ اجرای آن در مقیاس بزرگ به‌طور فوق‌العاده زیاد و غیرقابل‌پذیر است.

شبیه‌سازی یک ثانیه پرواز برای یک ایرباس ۳۲۰ در شرایط گردش تقریباً پنج ماه زمان می‌برد، حتی با استفاده از سریع‌ترین سوپرکامپیوتر جهان (دارای دو اگزافلوپ توان محاسباتی). حافظهٔ مورد نیاز تقریباً برابر با حجم داده‌های منتقل‌شده در تمام اینترنت در یک ماه است.

به‌عنوان راه‌حلی جایگزین، تیم پژوهش‌گر شبیه‌سازی عددی مستقیم را با هوش مصنوعی توضیح‌پذیر ترکیب کرد تا بینش‌های نوینی دربارهٔ جریان‌های آشوبی به‌دست آورد. ابتدا، تیم از داده‌های شبیه‌سازی عددی مستقیم برای آموزش یک مدل هوش مصنوعی جهت پیش‌بینی جریان آشوبی استفاده کرد. سپس، با بهره‌گیری از روش توضیح‌پذیر افزایشی شِیپ (SHAP) اهمیت هر ورودی مدل پیش‌بین اولیه را محاسبه کرد. این رویکرد هر ورودی را حذف می‌کند و میزان تأثیر آن بر دقت پیش‌بینی را می‌سنجد.

«SHAP همانند حذف یک به‌یک هر بازیکن از تیم فوتبال است تا بفهمیم هر فرد چه‌قدری به عملکرد کلی تیم کمک می‌کند و به شناسایی بازیکنان ارزشمند کمک می‌دهد»، گفت وینوسا.

زمانی که آزمایش شد، روش SHAP ترکیب‌ شده با یادگیری عمیق تقویتی بر روش‌های کلاسیک برتری یافت و اصطکاک بال هواپیما را تا ۳۰٪ کاهش داد. برای اولین بار، ما دقیقاً می‌دانیم کدام ساختارها در یک جریان آشوبی از اهمیت بالایی برخوردار هستند.

«این به این معناست که می‌توانیم این نواحی را هدف بگیریم تا استراتژی‌های کنترلی تدوین کنیم که کشش را کاهش دهند، احتراق را بهبود بخشند و آلودگی شهری را به‌صورت مؤثرتر کم‌کنند، چرا که اکنون می‌توانیم دینامیک سیستم را پیش‌بینی کنیم»، گفت آندریس کرمادس، استادیار در دانشگاه فنی والنسیا و یکی از نویسندگان مسئول این مطالعه.

پژوهشگران خاطرنشان می‌کنند که این تکنیک می‌تواند برای مسائلی فراتر از آشفتگی به‌کار گرفته شود.

«در هر مسئلهٔ فیزیکی می‌توانید ویژگی‌های مهم و غیرمهم را شناسایی کنید و از این شناسایی برای بهینه‌سازی، کنترل یا سایر کاربردهای آینده استفاده نمایید»، افزود وینوسا.

اطلاعات بیشتر: آندریس کرمادس و همکاران، ساختارهای همبسته‌ای که به صورت کلاسیک بررسی شده‌اند تنها تصویر جزئی از آشفتگی محدود به دیوار را نشان می‌دهند، Nature Communications (2025). DOI: 10.1038/s41467-025-65199-9