مقاله حاضر، تحت عنوان “کوکوژن: مدل‌های مولد شرطی و فیزیکی-سازگار مبتنی بر اسکور برای مسائل مستقیم و معکوس” (CoCoGen: Physically-Consistent and Conditioned Score-based Generative Models for Forward and Inverse Problems) به بررسی رویکردی نوین در استفاده از هوش مصنوعی مولد برای حل مسائل فیزیکی می‌پردازد. این مقاله، با بهره‌گیری از مدل‌های مولد مبتنی بر اسکور، راهکاری کارآمد برای اعمال قوانین فیزیکی و شرطی‌سازی در مسائل مستقیم و معکوس مربوط به معادلات دیفرانسیل با مشتقات جزئی (PDEs) ارائه می‌دهد. اهمیت این تحقیق در گسترش کاربردهای هوش مصنوعی مولد به حوزه‌های علمی و مهندسی است، جایی که دقت و سازگاری با اصول فیزیکی از اهمیت ویژه‌ای برخوردار است.

این مقاله توسط کریستین یاکوبسن (Christian Jacobsen)، ییلین ژوانگ (Yilin Zhuang) و کارتیک دورایسامی (Karthik Duraisamy) به رشته تحریر درآمده است. زمینه تحقیقاتی این نویسندگان، یادگیری ماشین، به‌ویژه مدل‌های مولد، و کاربرد آن‌ها در حل مسائل علمی و مهندسی است. تخصص آن‌ها در حوزه‌هایی مانند معادلات دیفرانسیل با مشتقات جزئی، شبیه‌سازی فیزیکی، و یادگیری ماشین فیزیکی (Physics-informed Machine Learning) می‌باشد.

در این مقاله، نویسندگان دو نوآوری کلیدی را ارائه می‌دهند:

• یکپارچه‌سازی قوانین فیزیکی: روشی کارآمد برای اعمال سازگاری با معادلات دیفرانسیل با مشتقات جزئی. این روش با وارد کردن اطلاعات گسسته به مدل‌های مولد مبتنی بر اسکور، نمونه‌هایی تولید می‌کند که به توزیع داده‌های واقعی بسیار نزدیک هستند. پسماندهای (residuals) حاصل از این نمونه‌ها با داده‌های تولید شده از طریق حل‌کننده‌های سنتی PDEs قابل مقایسه هستند، که نشان‌دهنده دقت و وفاداری بالای این روش است.
• کاربردهای متنوع در مسائل فیزیکی: نمایش قابلیت‌ها و انعطاف‌پذیری مدل‌های مولد مبتنی بر اسکور در وظایف مختلف فیزیکی. این وظایف شامل مدل‌سازی جانشینی (surrogate modeling)، بازسازی احتمالی میدان‌ها (probabilistic field reconstruction) و معکوس‌سازی از اندازه‌گیری‌های پراکنده (inversion from sparse measurements) می‌باشند.

مبنای این کار، طراحی مدل‌های مولد مبتنی بر اسکور بدون شرط (unconditional) است که از معادلات دیفرانسیل معمولی جریان احتمال برگشت‌پذیر (reversible probability flow ordinary differential equations) استفاده می‌کنند. با بهره‌گیری از مدل‌های شرطی (conditional) که نیاز به آموزش کمی دارند، نویسندگان انعطاف‌پذیری آن‌ها را در ترکیب با یک مدل بدون شرط از پیش آموزش‌دیده نشان می‌دهند. این مدل‌های شرطی با وارد کردن پارامترها، کمیت‌های ماکروسکوپی یا اندازه‌گیری‌های جزئی میدان به عنوان راهنما، به تولید پاسخ‌های معادلات دیفرانسیل با مشتقات جزئی می‌پردازند.

روش‌شناسی این تحقیق بر پایه مدل‌های مولد مبتنی بر اسکور (Score-based Generative Models – SGMs) استوار است. SGMs نوعی از مدل‌های مولد هستند که با یادگیری “اسکور” داده‌ها، که گرادیان لگاریتم توزیع احتمال داده‌ها است، به تولید نمونه‌های جدید می‌پردازند. به‌طور خلاصه، فرآیند به این صورت است:

1. فاز انتشار نویز (Noise Diffusion Phase): داده‌های اصلی به تدریج با افزودن نویز Gaussian تخریب می‌شوند تا به یک توزیع نویزی (مانند Gaussian استاندارد) تبدیل شوند.
2. فاز بازگردانی نویز (Noise Reversal Phase): یک شبکه عصبی (Neural Network) آموزش داده می‌شود تا “اسکور” (گرادیان لگاریتم چگالی احتمال) در هر مرحله از فاز انتشار نویز را تخمین بزند.
3. نمونه‌برداری (Sampling): با استفاده از اسکور تخمین زده شده، می‌توان با شروع از یک نویز Gaussian، به تدریج نویز را حذف کرد و نمونه‌هایی تولید کرد که مشابه داده‌های اصلی هستند.

در این مقاله، نویسندگان این روش را با دو رویکرد کلیدی بهبود داده‌اند:

• یکپارچه‌سازی قوانین فیزیکی: آن‌ها اطلاعات حاصل از معادلات دیفرانسیل (مانند معادلات گسسته‌شده) را در فرآیند آموزش SGM وارد می‌کنند. این امر باعث می‌شود که نمونه‌های تولید شده نه تنها از نظر آماری مشابه داده‌های اصلی باشند، بلکه از قوانین فیزیکی حاکم بر سیستم نیز تبعیت کنند. به عنوان مثال، در شبیه‌سازی جریان سیال، این امر به معنای آن است که نمونه‌های تولید شده باید معادلات ناویر-استوکس (Navier-Stokes equations) را برآورده کنند.
• شرطی‌سازی: آن‌ها مدل‌های SGM را به گونه‌ای شرطی می‌کنند که بتوانند با توجه به اطلاعات جانبی (مانند پارامترهای فیزیکی سیستم، اندازه‌گیری‌های جزئی میدان یا کمیت‌های ماکروسکوپی)، نمونه‌های خاصی تولید کنند. این امر به مدل اجازه می‌دهد تا به سوالاتی از این قبیل پاسخ دهد: “اگر ورودی سیستم X باشد، خروجی چه خواهد بود؟” یا “با داشتن این اندازه‌گیری‌های پراکنده، میدان کامل چگونه خواهد بود؟”.

برای آموزش مدل‌ها، از مجموعه‌های داده‌ای شبیه‌سازی‌شده و تکنیک‌های بهینه‌سازی استاندارد یادگیری عمیق استفاده شده است. عملکرد مدل‌ها با مقایسه نمونه‌های تولید شده با داده‌های واقعی و با اندازه‌گیری میزان برآورده شدن قوانین فیزیکی (مانند محاسبه پسماند معادلات دیفرانسیل) ارزیابی شده است.

یافته‌های کلیدی این تحقیق را می‌توان به صورت زیر خلاصه کرد:

• دقت بالا در تولید نمونه‌های فیزیکی-سازگار: مدل کوکوژن (CoCoGen) توانایی تولید نمونه‌هایی را دارد که از نظر آماری مشابه داده‌های واقعی هستند و در عین حال قوانین فیزیکی حاکم بر سیستم را نیز به دقت برآورده می‌کنند. پسماندهای معادلات دیفرانسیل در نمونه‌های تولید شده توسط کوکوژن با پسماندهای حاصل از حل‌کننده‌های سنتی PDEs قابل مقایسه است.
• انعطاف‌پذیری در حل مسائل مختلف: مدل کوکوژن می‌تواند برای حل طیف گسترده‌ای از مسائل فیزیکی، از جمله مدل‌سازی جانشینی، بازسازی میدان و معکوس‌سازی، مورد استفاده قرار گیرد. این امر نشان‌دهنده انعطاف‌پذیری بالای این روش است.
• کارایی در آموزش مدل‌های شرطی: مدل‌های شرطی کوکوژن با استفاده از یک مدل بدون شرط از پیش آموزش‌دیده و با آموزش مقدار کمی پارامتر، می‌توانند به دقت به اطلاعات جانبی پاسخ دهند. این امر باعث می‌شود که آموزش مدل‌های شرطی بسیار کارآمدتر باشد.

به عنوان مثال، نویسندگان نشان دادند که کوکوژن می‌تواند به طور دقیق میدان دما را در یک قطعه الکترونیکی با توجه به توان حرارتی قطعات مختلف تخمین بزند. همچنین، آن‌ها نشان دادند که کوکوژن می‌تواند با استفاده از اندازه‌گیری‌های پراکنده سرعت سیال، میدان کامل سرعت را بازسازی کند.

کاربردهای بالقوه این تحقیق بسیار گسترده است و می‌تواند تاثیر قابل توجهی در حوزه‌های مختلف داشته باشد، از جمله:

• مهندسی: طراحی و بهینه‌سازی سیستم‌های مهندسی (مانند قطعات الکترونیکی، توربین‌های بادی، و سیستم‌های HVAC) با استفاده از شبیه‌سازی‌های سریع و دقیق.
• علوم زمین: پیش‌بینی الگوهای آب و هوا، مدل‌سازی جریان آب‌های زیرزمینی، و ارزیابی خطرات زمین‌شناسی.
• علوم زیستی: شبیه‌سازی فرآیندهای بیولوژیکی، طراحی داروها، و توسعه روش‌های درمانی.
• تحقیقات علمی: تسریع کشف علمی با استفاده از شبیه‌سازی‌های دقیق و مدل‌سازی داده‌ها.

دستاورد اصلی این تحقیق، ارائه یک چارچوب قدرتمند برای ترکیب هوش مصنوعی مولد با دانش فیزیکی است. این چارچوب می‌تواند به محققان و مهندسان کمک کند تا مسائل پیچیده فیزیکی را با دقت و کارایی بیشتری حل کنند.

به عنوان مثال، در طراحی یک هواپیما، می توان از کوکوژن برای تخمین سریع میدان جریان هوا در اطراف بال ها استفاده کرد. این اطلاعات می تواند برای بهینه سازی شکل بال ها و کاهش مقاومت هوا استفاده شود. یا در حوزه پزشکی، می توان از کوکوژن برای بازسازی تصاویر MRI از تعداد محدودی از اندازه گیری ها استفاده کرد. این امر می تواند زمان اسکن را کاهش داده و به تشخیص سریعتر بیماری ها کمک کند.

مقاله “کوکوژن: مدل‌های مولد شرطی و فیزیکی-سازگار مبتنی بر اسکور برای مسائل مستقیم و معکوس” گامی مهم در جهت ادغام هوش مصنوعی مولد با دانش فیزیکی است. روش ارائه‌شده، امکان تولید نمونه‌های فیزیکی-سازگار با دقت بالا و انعطاف‌پذیری در حل مسائل مختلف را فراهم می‌کند. این تحقیق، پتانسیل بالایی برای کاربرد در حوزه‌های مختلف علمی و مهندسی دارد و می‌تواند به تسریع فرآیند طراحی و کشف علمی کمک کند. با توجه به نتایج امیدوارکننده این تحقیق، انتظار می‌رود که مدل‌های مولد مبتنی بر اسکور، نقش مهم‌تری در حل مسائل پیچیده فیزیکی در آینده ایفا کنند.