در دنیای پیچیده فیزیک و مهندسی، تلاطم (Turbulence) همواره یکی از چالش‌برانگیزترین پدیده‌ها برای مدل‌سازی و پیش‌بینی بوده است. حرکت‌های نامنظم و آشفته سیالات، که مشخصه جریان‌های آشفته هستند، در طیف وسیعی از پدیده‌های طبیعی و مهندسی، از جریان هوا در بال هواپیما گرفته تا رگ‌های خونی و حتی تشکیل ستاره‌ها، نقش محوری ایفا می‌کنند. با وجود دهه‌ها تحقیق، مدل‌سازی دقیق و جامع تلاطم همچنان یک مسئله حل نشده باقی مانده است، به خصوص در مقیاس‌های کوچک و با جزئیات فضایی و زمانی بالا.

مقاله علمی با عنوان “Emulating Spatio-Temporal Realizations of Three-Dimensional Isotropic Turbulence via Deep Sequence Learning Models” (شبیه‌سازی فضایی-زمانی تلاطم سه‌بعدی همسانگرد با مدل‌های یادگیری عمیق دنباله‌ای)، گام مهمی در مسیر پرداختن به این چالش برداشته است. این پژوهش با بهره‌گیری از قدرت یادگیری عمیق (Deep Learning)، رویکردی داده‌محور را برای مدل‌سازی جریان‌های آشفته سه‌بعدی معرفی می‌کند. اهمیت این مقاله از چندین جنبه قابل بررسی است:

• پل زدن بین فیزیک و هوش مصنوعی: این تحقیق نشان می‌دهد که چگونه می‌توان از مدل‌های پیشرفته یادگیری عمیق، که عمدتاً در حوزه‌هایی مانند پردازش زبان طبیعی موفق بوده‌اند، برای حل مسائل پیچیده فیزیک بنیادی مانند تلاطم سیالات استفاده کرد.
• مدل‌سازی دقیق‌تر تلاطم: به جای استفاده از مدل‌های تقریب‌زننده سنتی، این رویکرد داده‌محور پتانسیل بالایی برای یادگیری مستقیم دینامیک پیچیده تلاطم از داده‌های شبیه‌سازی عددی مستقیم (DNS) دارد که جزئیات بسیار دقیقی از جریان ارائه می‌دهد.
• کاهش هزینه‌های محاسباتی: شبیه‌سازی‌های عددی مستقیم (DNS) برای تلاطم، بسیار پرهزینه و زمان‌بر هستند. ایجاد مدل‌هایی که بتوانند با دقت قابل قبولی این پدیده‌ها را شبیه‌سازی کنند، می‌تواند انقلابی در تحقیقات و کاربردهای مهندسی ایجاد کند، زیرا نیاز به شبیه‌سازی‌های پرهزینه را کاهش می‌دهد.
• تلفیق محدودیت‌های فیزیکی: یکی از نقاط قوت این پژوهش، گنجاندن محدودیت‌های فیزیکی مانند پایستگی تراکم‌ناپذیری (incompressibility) و ثوابت آماری جهانی تانسور گرادیان سرعت، در چارچوب یادگیری عمیق است. این رویکرد، اعتبار فیزیکی مدل را به طور قابل توجهی افزایش می‌دهد و آن را از صرفاً یک مدل آماری متمایز می‌کند.

این مقاله نه تنها به پیشرفت در حوزه دینامیک سیالات کمک می‌کند، بلکه راه را برای کاربردهای وسیع‌تر یادگیری عمیق در سایر رشته‌های علمی که با پدیده‌های پیچیده و غیرخطی سروکار دارند، هموار می‌سازد.

این پژوهش توسط تیمی متشکل از محمدرضا مومنی‌فر، انما دیاو، وحید تارخ و اندرو دی. براگ انجام شده است. ترکیب اسامی نویسندگان خود نشان‌دهنده ماهیت بین‌رشته‌ای این تحقیق است. با توجه به تخصص‌های معمول مرتبط با این گونه تحقیقات، می‌توان حدس زد که این گروه از متخصصان در حوزه‌های دینامیک سیالات، مکانیک محاسباتی و یادگیری ماشین (هوش مصنوعی) تشکیل شده است.

زمینه اصلی این تحقیق در مرز مشترک دو حوزه حیاتی علمی قرار دارد: دینامیک سیالات (Fluid Dynamics) و یادگیری ماشین (Machine Learning). دینامیک سیالات به مطالعه حرکت سیالات و نیروهای وارد بر آن‌ها می‌پردازد و از دیرباز با چالش‌های نظری و محاسباتی متعددی، به ویژه در مورد تلاطم، روبرو بوده است. از سوی دیگر، یادگیری ماشین و به خصوص یادگیری عمیق، در سال‌های اخیر با قابلیت‌های بی‌نظیر خود در کشف الگوهای پیچیده از داده‌ها، انقلابی در بسیاری از رشته‌ها ایجاد کرده است. پیوند این دو حوزه، فرصت‌های جدیدی را برای حل مسائل دیرینه فیزیک سیالات، به ویژه مدل‌سازی تلاطم، فراهم آورده است. نویسندگان با ترکیب این دو حوزه، به دنبال توسعه ابزارهای جدیدی هستند که قادر به پیش‌بینی و شبیه‌سازی دقیق‌تر پدیده‌های آشفته با پیچیدگی‌های فضایی و زمانی بالا باشند.

همانطور که در چکیده مقاله ذکر شده، هدف اصلی این تحقیق استفاده از رویکردی داده‌محور برای مدل‌سازی یک جریان آشفته سه‌بعدی با استفاده از تکنیک‌های پیشرفته یادگیری عمیق است. هسته مرکزی این رویکرد، توسعه یک چارچوب یادگیری عمیق است که محدودیت‌های فیزیکی مربوط به جریان را نیز در خود جای می‌دهد. این محدودیت‌ها شامل حفظ تراکم‌ناپذیری (incompressibility) و ثوابت آماری جهانی تانسور گرادیان سرعت می‌شوند که برای اطمینان از اعتبار فیزیکی مدل بسیار حیاتی هستند. ارزیابی دقت مدل با استفاده از معیارهای آماری و مبتنی بر فیزیک انجام شده است.

داده‌های مورد استفاده برای آموزش و اعتبارسنجی مدل، از شبیه‌سازی عددی مستقیم (Direct Numerical Simulation – DNS) یک جریان آشفته همسانگرد، از نظر آماری ایستا و تراکم‌ناپذیر در یک جعبه مکعبی به دست آمده‌اند. DNS قادر به حل تمام مقیاس‌های فضایی و زمانی تلاطم است و بنابراین دقیق‌ترین داده‌های موجود را فراهم می‌کند، اما به شدت از نظر محاسباتی پرهزینه است و حجم عظیمی از داده را تولید می‌کند. به دلیل حجم بالای داده‌ها و محدودیت‌های حافظه، محققان ابتدا یک نمایش کم‌بعدی از داده‌های سرعت را تولید کرده‌اند. سپس این نمایش کم‌بعدی به یک شبکه پیش‌بینی دنباله‌ای (sequence prediction network) وارد می‌شود که مسئول یادگیری همبستگی‌های فضایی و زمانی زیربنایی داده‌هاست.

برای کاهش ابعاد، از روش استخراج با استفاده از رمزگذار خودکار برداری کوانتیده (Vector-Quantized Autoencoder – VQ-AE) استفاده شده است که متغیرهای پنهان گسسته را یاد می‌گیرد. VQ-AE یک نوع خاص از رمزگذارهای خودکار است که فضای پنهان را به صورت گسسته کدگذاری می‌کند و به مدل اجازه می‌دهد تا ویژگی‌های اصلی داده را در یک فضای با ابعاد بسیار پایین‌تر و گسسته، به خوبی نمایش دهد.

در بخش پیش‌بینی دنباله‌ای، ایده‌ی معماری ترنسفورمر (Transformer) که از پردازش زبان طبیعی (NLP) سرچشمه می‌گیرد، مورد استفاده قرار گرفته است. عملکرد این مدل با شبکه‌های بازگشتی استانداردتر (مانند Conv-LSTM) مقایسه شده است. این معماری‌ها برای انجام یک وظیفه طبقه‌بندی چندکلاسه دنباله به دنباله (sequence to sequence multi-class classification) طراحی و آموزش دیده‌اند. در این وظیفه، مدل یک دنباله ورودی با طول ثابت (k) را دریافت می‌کند و یک دنباله با طول ثابت (p) را پیش‌بینی می‌کند که نمایانگر لحظات زمانی آینده جریان است. این رویکرد امکان پیش‌بینی تکامل زمانی میدان‌های سرعت را فراهم می‌آورد.

روش‌شناسی این تحقیق بر ترکیب نوآورانه تکنیک‌های یادگیری عمیق با اصول بنیادی دینامیک سیالات استوار است. مراحل اصلی این روش‌شناسی عبارتند از:

1. تولید داده:
   • داده‌های جریان آشفته از شبیه‌سازی عددی مستقیم (DNS) یک جریان همسانگرد، تراکم‌ناپذیر و از نظر آماری ایستا در یک جعبه مکعبی به دست آمده‌اند. این روش بالاترین وفاداری را به دینامیک واقعی جریان ارائه می‌دهد.
   • اهمیت این مرحله در این است که داده‌های آموزشی باید به اندازه کافی غنی و دقیق باشند تا مدل بتواند الگوهای پیچیده تلاطم را یاد بگیرد.
2. کاهش ابعاد (Dimensionality Reduction):
   • به دلیل حجم عظیم داده‌های DNS، یک مرحله حیاتی کاهش ابعاد است. این کار با استفاده از رمزگذار خودکار برداری کوانتیده (Vector-Quantized Autoencoder – VQ-AE) انجام شده است.
   • VQ-AE یک شبکه عصبی است که تلاش می‌کند یک ورودی را به یک نمایش فشرده (رمزگذاری) تبدیل کرده و سپس از آن نمایش فشرده، ورودی اصلی را بازسازی (رمزگشایی) کند. ویژگی منحصر به فرد VQ-AE این است که فضای پنهان (latent space) خود را به صورت گسسته کوانتیزه می‌کند، یعنی هر نقطه در فضای پنهان به نزدیک‌ترین “کد” در یک کتابخانه کد نگاشت می‌شود. این کار به یادگیری متغیرهای پنهان گسسته کمک می‌کند که می‌تواند برای مدل‌سازی پدیده‌های گسسته یا ویژگی‌های کیفی مفید باشد و همچنین باعث فشرده‌سازی بسیار بالا می‌شود.
3. پیش‌بینی دنباله‌ای (Sequence Prediction):
   • پس از کاهش ابعاد، نمایش‌های کم‌بعدی به شبکه‌های پیش‌بینی دنباله‌ای داده می‌شوند. دو معماری اصلی مورد بررسی قرار گرفته‌اند:
     • ترنسفورمر (Transformer): این معماری که ابتدا برای وظایف پردازش زبان طبیعی (مانند ترجمه ماشینی) معرفی شد، به دلیل قابلیت توجه (attention mechanism) خود، در یادگیری وابستگی‌های بلندمدت در دنباله‌ها بسیار مؤثر است. در اینجا، ترنسفورمر برای یادگیری همبستگی‌های فضایی و زمانی میدان‌های سرعت (در حالت کم‌بعدی) استفاده می‌شود.
     • شبکه عصبی بازگشتی کانولوشنی حافظه بلند-کوتاه (Convolutional LSTM – Conv-LSTM): این مدل ترکیبی از LSTM (که برای دنباله‌ها مناسب است) و لایه‌های کانولوشنی (که برای داده‌های فضایی مانند تصاویر یا میدان‌های سرعت مناسب است) است. این مدل‌ها به طور سنتی برای پیش‌بینی دنباله‌های ویدئویی یا سایر داده‌های فضایی-زمانی استفاده می‌شوند.
   • هدف این شبکه‌ها، انجام یک وظیفه طبقه‌بندی چندکلاسه دنباله به دنباله است. به این صورت که یک دنباله ورودی با طول ثابت (k لحظه زمانی گذشته) را دریافت کرده و یک دنباله خروجی با طول ثابت (p لحظه زمانی آینده) را پیش‌بینی می‌کنند.
4. گنجاندن محدودیت‌های فیزیکی:
   • یکی از جنبه‌های کلیدی این روش‌شناسی، تلفیق محدودیت‌های فیزیکی در فرآیند آموزش مدل یادگیری عمیق است. این محدودیت‌ها شامل پایستگی تراکم‌ناپذیری (به این معنی که حجم المان‌های سیال در طول زمان ثابت می‌ماند) و ثوابت آماری جهانی تانسور گرادیان سرعت می‌شوند. این کار به افزایش فیزیکی بودن پیش‌بینی‌های مدل کمک می‌کند و از تولید نتایج غیرفیزیکی جلوگیری می‌نماید.
5. ارزیابی مدل:
   • دقت مدل با استفاده از معیارهای آماری و مبتنی بر فیزیک ارزیابی می‌شود. معیارهای آماری می‌توانند شامل میانگین مربعات خطا (MSE) یا همبستگی باشند، در حالی که معیارهای مبتنی بر فیزیک ممکن است شامل بررسی حفظ انرژی، طیف انرژی، و سایر کمیت‌های مهم در دینامیک سیالات باشند.

این رویکرد جامع، نه تنها به قابلیت‌های یادگیری از داده‌های یادگیری عمیق تکیه می‌کند، بلکه با گنجاندن دانش فیزیکی، استحکام و اعتبار مدل را به نحو چشمگیری افزایش می‌دهد.

نتایج حاصل از این مطالعه، بینش‌های مهمی را در مورد توانایی مدل‌های یادگیری عمیق برای شبیه‌سازی تلاطم ارائه می‌دهند. یافته‌های کلیدی به شرح زیر هستند:

• کاهش دقت در پیش‌بینی‌های بلندمدت: برای پیش‌بینی‌های کوتاه‌مدت، دقت هر دو مدل (Transformer و Conv-LSTM) با افزایش تعداد گام‌های زمانی پیش‌بینی شده، کاهش می‌یابد. این پدیده به ماهیت خودبازگشتی (autoregressive nature) پیش‌بینی‌ها نسبت داده می‌شود. به عبارت دیگر، خطاهای جزئی در هر مرحله پیش‌بینی به مرحله بعدی منتقل و تشدید می‌شوند و این امر باعث افت دقت در پیش‌بینی‌های طولانی‌تر می‌شود. این یک چالش رایج در مدل‌های سری زمانی است و نشان می‌دهد که حتی پیشرفته‌ترین مدل‌ها نیز در حفظ دقت در افق‌های زمانی طولانی‌تر دچار مشکل می‌شوند.
• برتری مدل Conv-Transformer: بر اساس آزمایش‌های تشخیصی انجام شده، مدل Conv-Transformer آموزش‌دیده عملکرد بهتری نسبت به مدل Conv-LSTM از خود نشان داده است. این برتری هم از نظر کمی و هم کیفی مشاهده شده است. این نتیجه نشان می‌دهد که مکانیسم توجه (attention mechanism) موجود در معماری ترنسفورمر، به همراه قابلیت‌های کانولوشنی، در استخراج و مدل‌سازی وابستگی‌های فضایی-زمانی پیچیده در داده‌های تلاطم، مؤثرتر عمل کرده است.
• حفظ مقیاس‌های بزرگ و میانی: مدل Conv-Transformer با دقت بالایی قادر به حفظ مقیاس‌های بزرگ (large scales) و جذب مناسب مقیاس‌های اینرسی (inertial scales) جریان بوده است. مقیاس‌های بزرگ مسئول انتقال انرژی اصلی در تلاطم هستند، در حالی که مقیاس‌های اینرسی جایی هستند که انرژی از مقیاس‌های بزرگ به سمت مقیاس‌های کوچک‌تر منتقل می‌شود. توانایی مدل در شبیه‌سازی این مقیاس‌ها به طور دقیق، نشان‌دهنده قابلیت بالای آن در درک دینامیک کلی جریان است.
• ناتوانی در بازیابی مقیاس‌های کوچک و حرکات متناوب: با این حال، مدل در بازیابی حرکات کوچک و متناوب سیال با شکست مواجه شده است. مقیاس‌های کوچک در تلاطم مسئول اتلاف انرژی هستند و اغلب شامل جزئیات بسیار ریز و گذرا (intermittent) هستند که مدل‌سازی آن‌ها به دلیل ماهیت پیچیده و غیرخطی‌شان، فوق‌العاده دشوار است. این محدودیت یک حوزه مهم برای تحقیقات آینده را نشان می‌دهد و یادآور این است که حتی با یادگیری عمیق، برخی از جنبه‌های تلاطم هنوز هم بسیار چالش‌برانگیز باقی می‌مانند. این امر می‌تواند ناشی از محدودیت در نمایش کم‌بعدی داده‌ها یا خود معماری مدل باشد که قادر به رمزگذاری و رمزگشایی دقیق تمام جزئیات در این مقیاس‌ها نیست.

به طور خلاصه، این تحقیق نشان می‌دهد که مدل‌های یادگیری عمیق، به ویژه مدل‌های مبتنی بر ترنسفورمر، پتانسیل زیادی برای مدل‌سازی تلاطم دارند، اما بهبود دقت در پیش‌بینی‌های بلندمدت و همچنین بازیابی جزئیات مقیاس کوچک و متناوب، همچنان از چالش‌های اصلی باقی می‌مانند.

دستاوردها و کاربردهای این تحقیق گسترده و حائز اهمیت هستند و می‌توانند در حوزه‌های مختلف علمی و مهندسی تأثیرگذار باشند:

• پیشرفت در مدل‌سازی تلاطم: مهم‌ترین دستاورد، ارائه یک رویکرد نوین و قدرتمند برای مدل‌سازی تلاطم است که محدودیت‌های فیزیکی را نیز در نظر می‌گیرد. این امر می‌تواند به توسعه مدل‌های تلاطم دقیق‌تر و قابل اعتمادتر منجر شود که از مدل‌های مبتنی بر پارامترسازی و تقریب‌های سنتی پیشی می‌گیرد.
• مهندسی هوافضا: در طراحی هواپیما، بهینه‌سازی آیرودینامیک و کاهش درگ (Drag) وابسته به درک دقیق تلاطم در اطراف بال‌ها و بدنه هواپیما است. مدل‌های پیشرفته می‌توانند به مهندسان کمک کنند تا طراحی‌های کارآمدتری داشته باشند که سوخت کمتری مصرف کرده و عملکرد بهتری داشته باشند.
• هواشناسی و پیش‌بینی آب و هوا: پیش‌بینی دقیق آب و هوا، به ویژه در مقیاس‌های محلی و پدیده‌های شدید مانند طوفان‌ها، به شدت تحت تأثیر تلاطم جوی قرار دارد. مدل‌های یادگیری عمیق می‌توانند به بهبود پیش‌بینی‌های عددی آب و هوا و درک بهتر دینامیک جوی کمک کنند.
• انرژی (انرژی باد و هسته‌ای):
  • در مزارع بادی، درک تلاطم برای بهینه‌سازی قرارگیری توربین‌ها و افزایش بهره‌وری انرژی حیاتی است. این مدل‌ها می‌توانند به پیش‌بینی جریان باد در پشت توربین‌ها و بهینه‌سازی طرح مزارع بادی کمک کنند.
  • در رآکتورهای هسته‌ای، جریان سیالات خنک‌کننده (که اغلب آشفته است) بر ایمنی و کارایی سیستم تأثیر می‌گذارد. مدل‌های دقیق می‌توانند در طراحی و شبیه‌سازی سیستم‌های خنک‌کننده بهتر مورد استفاده قرار گیرند.
• مکانیک سیالات زیستی (Biofluid Mechanics): جریان خون در رگ‌ها و سیستم‌های تنفسی اغلب آشفته است. درک بهتر این جریان‌ها می‌تواند به تشخیص و درمان بیماری‌های قلبی-عروقی و تنفسی کمک کند. به عنوان مثال، مدل‌سازی دقیق جریان خون در نزدیکی تنگی‌ها یا دریچه‌های مصنوعی.
• جوشکاری و متالورژی: در فرآیندهای صنعتی مانند جوشکاری یا ریخته‌گری، جریان مذاب فلزات معمولاً آشفته است و بر کیفیت محصول نهایی تأثیر می‌گذارد. مدل‌سازی دقیق می‌تواند به کنترل بهتر این فرآیندها و بهبود کیفیت محصولات کمک کند.
• توسعه مدل‌های چند مقیاسی: این پژوهش به عنوان سنگ بنایی برای توسعه مدل‌های چند مقیاسی عمل می‌کند، جایی که مدل‌های یادگیری عمیق می‌توانند مقیاس‌های بزرگ را مدل‌سازی کرده و با مدل‌های فیزیکی مقیاس کوچک (که ممکن است همچنان به شبیه‌سازی‌های سنتی نیاز داشته باشند) ترکیب شوند.
• تلفیق یادگیری عمیق و دانش دامنه: این تحقیق نشان‌دهنده یک رویکرد موفقیت‌آمیز در تلفیق مدل‌های یادگیری عمیق با دانش دامنه (physics-informed machine learning) است که به طور فزاینده‌ای در حل مسائل علمی و مهندسی پیچیده مورد توجه قرار گرفته است. این رویکرد امکان ایجاد مدل‌هایی را فراهم می‌کند که هم از داده‌ها یاد می‌گیرند و هم اصول بنیادی فیزیکی را نقض نمی‌کنند.

به طور کلی، دستاوردهای این مقاله تنها به پیشرفت تئوریک محدود نمی‌شود، بلکه پتانسیل حل مسائل عملی و حیاتی را در صنایع و تحقیقات مختلف دارد.

تحقیق ارائه شده در مقاله “شبیه‌سازی فضایی-زمانی تلاطم سه‌بعدی همسانگرد با مدل‌های یادگیری عمیق دنباله‌ای” نشان‌دهنده یک گام جسورانه و مهم در جهت غلبه بر چالش‌های دیرینه مدل‌سازی تلاطم است. با ترکیب هوشمندانه قدرت یادگیری عمیق دنباله‌ای و تلفیق محدودیت‌های فیزیکی، نویسندگان چارچوبی نوین را برای شبیه‌سازی فضایی-زمانی جریان‌های آشفته ارائه داده‌اند.

نکات برجسته این پژوهش شامل استفاده از VQ-AE برای کاهش ابعاد داده‌های DNS حجیم و سپس به‌کارگیری معماری ترنسفورمر (الهام گرفته از NLP) برای پیش‌بینی دنباله‌ای است. این مدل، به ویژه Conv-Transformer، برتری قابل توجهی نسبت به مدل‌های بازگشتی سنتی‌تر مانند Conv-LSTM نشان داده و قادر است مقیاس‌های بزرگ و اینرسی جریان را به خوبی حفظ کند.

با این حال، این تحقیق همچنین محدودیت‌های موجود را به وضوح نشان می‌دهد، به ویژه در مورد بازیابی حرکات کوچک و متناوب سیال و همچنین کاهش دقت در پیش‌بینی‌های بلندمدت به دلیل ماهیت خودبازگشتی مدل‌ها. این چالش‌ها، مسیرهای روشنی را برای تحقیقات آینده ترسیم می‌کنند، از جمله بهبود معماری‌های مدل برای جذب جزئیات مقیاس کوچک و توسعه روش‌هایی برای حفظ پایداری و دقت پیش‌بینی‌ها در افق‌های زمانی طولانی‌تر.

در مجموع، این مقاله نه تنها به پیشرفت دانش در دینامیک سیالات و یادگیری ماشین کمک شایانی می‌کند، بلکه راه را برای کاربردهای عملی گسترده‌ای در مهندسی، علوم محیطی و زیست‌پزشکی هموار می‌سازد. رویکرد تلفیق فیزیک و یادگیری عمیق، آینده‌ای امیدوارکننده را برای حل پیچیده‌ترین مسائل علمی پیش‌بینی می‌کند و این پژوهش مثالی درخشان از پتانسیل این هم‌افزایی است.