برخلاف تصور عوام که «هوش مصنوعی» را رباتی با توانایی تسخیر جهان تصور می‌کنند، در پسا پردۀ این کلمات پیچیده، ساختارهای جبری ساده نهفته است. یکی از اولین ساختارهای ساده که با الهام‌گیری از طرز عملکرد نورونهای مغز ساخته شد، شبکه‌های عصبی بودند که مبنای اصلی آنها ضرب و جمع و استفاده از توابع ساده بود.
هوش مصنوعی علی‌رغم اینکه در باور عوام علمی جدید شناخته می‌شود، قدمتی دیرینه دارد و در سال ۱۹۵۶ در کنفرانس «Dartmouth» متولد شده است. جالب است بدانید که هوش مصنوعی در دو دوره به خواب زمستانی فرو رفته است. خواب زمستانی اول در بازۀ ۱۹۷۴ تا ۱۹۸۰ به دلیل کمبود قدرت محاسباتی کامپیوترهای آن زمان اتفاق افتاد و دومی در سال‌های ۱۹۸۷ تا ۱۹۹۳ به دلیل آنکه نگه‌داری از سیستمهای پردازشی به‌شدت گران شد و دولت‌ها به دلیل ترس از عدم بازگشت سرمایه، از سرمایه‌گذاری امتناع کردند.
اما بعد از آن با ایده‌هایی جدید، مانند یادگیری عمیق و بهبود قدرت پردازشی کامپیوترها باز هم هوش مصنوعی اوج گرفت و مخصوصاً در پنج سال اخیر به یکی از موضوعات داغ دنیا تبدیل شده است. اما آیا زمستان دیگری در راه است یا بالاخره همۀ خودروها خودران می‌شوند؟ آیا به آن چیزی که همه از آن می‌ترسیم و در فیلم‌های علمی_تخیلی دیده‌ایم خواهیم رسید و ربات‌های هوشمند جهان و انسان را تسخیر می‌کنند؟
گفتنی است که کاربرد هوش مصنوعی در حوزۀ مهندسی مکانیک فقط در زمینۀ رباتیک نیست! معادلۀ «نویر استوکس»، یکی از پیچیده‌ترین معادله‌های موجود در طبیعت برای حل جریان سیال است؛ معادله‌ای با مشتقات جزیی که هنوز هم حل تحلیلی کلی برای آن ارائه نشده است. بنابراین سال‌هاست که محققان حوزۀ مکانیک سیالات محاسباتی در تلاش‌اند تا این معادله را با «روش‌های عددی» (CFD) حل کنند.
اغلب برای حل این‌گونه مسائل، زمان‌های محاسباتی زیادی نیاز است. بنابراین برای آنکه بتوان حل کلی از این شبیه‌سازی‌ها به‌دست آورد و تأثیر پارامترهای مختلف را بررسی کرد یا نقطۀ بهینه را پیدا کرد، از هوش مصنوعی صرفاً به‌عنوان یک ابزار قدرتمند جهت «fitting» استفاده شده است. همچنین ورودی هوش مصنوعی در حل این مسائل می‌تواند داده‌های آزمایشگاهی نیز باشد. تمام هدف هوش مصنوعی در حل این نوع از مسائل سیالاتی این است که بتواند تأثیر متغیرهای مورد نظر مهندسان را در نقاطی که آزمایش یا شبیه‌سازی انجام نشده است، پیش‌بینی کند و این حوزه همچنان درحال توسعه است!
با گذر زمان، در سال ۲۰۱۸ ایدۀ جدیدی مطرح شد که افق‌های جدیدی را در زمینۀ مسائل سیالاتی برای محققان باز کرد. این روش «Physics-Informed Neural Networks» یا به اختصار «PINN» نامیده می‌شود و ایدۀ اصلی‌اش این است که معادلات حاوی مشتقات جزئی مانند پیوستگی، پایستگی مومنتوم یا انرژی، با هوش مصنوعی حل شوند تا دیگر به داده‌های تجربی و شبیه‌سازی نیازی نباشد.
این روش نوظهور که بر خلاف روش‌های عددی مرسوم، نیازی به پیچیدگی‌های گسسته‌سازی معادلات و تولید شبکه ندارد، محققان را به این فکر واداشت که از آن به‌عنوان جایگزینی برای حل‌های کلاسیک حوزۀ «مکانیک سیالات محاسباتی» (CFD) بهره ببرند؛ اما استفاده از این روش کار ساده‌ای نبوده و چالش‌های خاص خود را دارد. بنابراین PINN، زمینۀ تحقیقاتی جدیدی را به‌وجود آورده است که هم‌اکنون یکی از داغ‌ترین بحث‌های تحقیقاتی بین محققان به‌شمار می‌رود.
با پیبردن به قدرت هوش مصنوعی به‌عنوان جایگزینی برای حل‌گرهای قدیمی، محققان توانستند به کاربردهای بسیار خلاقانه‌ای در این زمینه دست یابند؛ به‌عنوان مثال، برای اینکه بهینه‌ترین حالت برای بال یک هواپیما به‌دست آید تا نسبت نیروی «لیفت» به «درگ» بیشترین مقدار باشد، لازم است تا مسئله، بارها با استفاده از شبیه‌سازی عددی مرسوم حل شود. این فرایند بار محاسباتی زیادی دارد (حتی نزدیک به یک ماه)؛ اما با استفاده از روش PINN می‌توان بسیار راحت‌تر این مسئلۀ بهینه‌سازی را حل کرد (شکل زیر).
به‌عنوان مثالی دیگر، هوش مصنوعی این توانایی را دارد که پس از یادگیری جریان حول دایره و مثلث، به‌طور تقریبی جریان حول اشکال دیگر که آنها را ندیده است، یاد بگیرد و پیش‌بینی کند. در این روش معمولاً از الگوریتم «CNN» که برای پردازش تصویر معمول است، استفاده می‌شود (شکل زیر).
به‌عنوان مثال بعدی، در سال‌های بسیار دور «پیکاسو»، نقاش معروف، برخورد جریان آب رودخانه به یک سنگ را نقاشی کرده است (شکل زیر سمت چپ). شما می‌توانید با روش معرفی‌شده، سایر پارامترهای جریان مانند نحوۀ توزیع فشار و خطوط جریان را از این عکس قدیمی به‌دست آورید.
یا مثلاً در داده‌های به‌دست‌آمده از تصویربرداری از آئورت که دارای ضایعه شده، می‌توان با استفاده از این روش توزیع سرعت و فشار را از عکس‌های خام به‌دست آورد (شکل زیر).
البته گفتنی است که سرعت حل روش PINN برای یک مسئلۀ ساده، همچنان از روش‌های معمول شبیه‌سازی (CFD) بیشتر نیست و ما در گروه تحقیقاتی‌مان به کمک دانشجویان کارشناسی، کارشناسی ارشد و دکتری در تلاشیم تا بتوانیم سرعت و دقت این روش را برای حل مسائل افزایش دهیم و آن را در حل مسائل سیالاتی و انتقال حرارتی ساده مانند انتقال حرارت رسانشی دوبعدی تا مسائل پیچیده‌تر همانند جریان متلاطم، جریان دوفاز، جوشش و جریان در محیط متخلخل با کاربرد در زمینه‌های انرژی‌های تجدیدپذیر و مسائل زیستی استفاده کنیم.
با ظهور چت‌بات‌ها و ایجاد انقلابی تازه در حوزۀ هوش مصنوعی و متحولسازی سیستمهای جست‌و‌جو، به‌نظر می‌رسد که جهان و تحقیقات، رنگ و بوی تازه‌ای به خود گرفته‌اند. آیا این تغییرات می‌توانند انقلابی در زمینۀ مکانیک سیالات هم ایجاد کنند؟ آیا روزی یک «FluidGPT» نوشته خواهد شد که توانایی حل تمامی مسائل حوزۀ سیالات را داشته باشد و با چتکردن با آن بتوان نتایج شبیه‌سازی را خیلی سریع به‌دست آورد؟ آیا در آینده مهندسان، فقط روی طراحی فکر خواهند کرد و دیگر زحمت ماه‌ها شبیه‌سازی را نخواهند کشید؟ آیا ما که هم‌اکنون به نحوۀ انتقال اطلاعات با فلاپی‌دیسک و سی‌دی در حدود ده سال پیش میخندیم، ده سال بعد هم به این نحوۀ شبیه‌سازی‌ها خواهیم خندید؟ باید دید!
یادگیری عمیق چیست و رابطۀ آن با PINN چگونه است؟
یادگیری عمیق زیرمجموعۀ یادگیری ماشین و یادگیری ماشین، زیرمجموعۀ هوش مصنوعی است. به‌صورت مختصر یادگیری عمیق با نورون‌هایی سر و کار دارد که با Weight و Biasها مجموعه‌ای تحت عنوان یک شبکۀ عصبی را تشکیل می‌دهند که الهام‌گرفته‌شده از ساختار مغز انسان است. این شبکه می‌تواند رفتارهای خطی و غیرخطی داده‌های پیوسته و گسسته را در خروجی خود پیش‌بینی کند.
سایر روش‌های یادگیری ماشین بسیار قدیمی‌تر هستند؛ اما روشی که ما در حال پرداختن به آن هستیم، (PINN) در شاخۀ یادگیری عمیق قرار می‌گیرد که تا قبل از سال ۲۰۰۰، دانش اندکی از آن موجود بود و بعد از این سال با افزایش قدرت کامپیوترها و قدرت‌بخشیدن به ساختار شبکه‌های عصبی پیشرفت چشم‌گیری داشته است.
چرا از روش PINN استفاده می‌کنیم؟ چرا سایر روش‌های یادگیری عمیق نه؟
در روش PINN از ساختار ذکرشده در قسمت قبل استفاده می‌شود و راهنمای شبکه برای پیش‌بینی خروجی، به‌جای تعداد زیادی داده، معادلات فیزیک است. ما در مسائل مهندسی، امکان جمع‌آوری و آزمایش حجم بالای داده‌ای که برای یادگیری یک شبکه نیاز است را نداریم (به جز مسائلی مانند هواشناسی که به لطف تاریخچۀ اطلاعات جمع‌آوری‌شده، حجم دادۀ مناسبی در دسترس است). از آنجایی که با یک تغییر کوچک در مسئله نیاز به حل مجدد و از صفر داریم، شبیه‌سازی برای جمع‌آوری این داده‌ها نیز بسیار زمان‌بر است؛ پس باید راه دیگری اتخاذ کرد. اینجاست که PINN وارد می‌شود. از ویژگی‌های مثبت این روش، داشتن توابع غیرخطی در ساختار خود است که به حل PDEهای مسائل ما که غیرخطی‌اند، کمک شایانی می‌کند.
پیشینۀ روش PINN به چه صورت بوده است؟
در سال ۲۰۱۹ طی مقاله‌ای که توسط «M.Raissi» و همکارانش در دانشگاه پنسیلوانیا چاپ شد، این روش پا به عرصۀ ظهور گذاشت و بعد از آن تا به امروز با سرعتی باورنکردنی در حال پیشرفت است. دیگران نیز با تغییردادن ساختار شبکه و یا استفاده از الگوریتم‌های به‌صرفه‌تر، در جهت ارتقاء این روش گام برداشته‌اند.
فرق PINN با روش‌های مرسوم CFD چیست و چه برتری‌ای نسبت به آنها دارد؟
در روش‌های مرسوم CFD معادلۀ PDE غیرخطی پیوسته، با تبدیل‌شدن به معادلات گسسته FDE (Finite Difference Elements) با تقریب خوبی پاسخ مدنظر ما را محاسبه می‌کند. در PINN ما به این گسسته‌سازی و تقریب نیازی نداریم و در واقع، خود معادلۀ PDE را حل می‌کنیم و پاسخ ما کاملاً دقیق خواهد بود. از دیگر برتری‌های این روش نسبت به روش‌های مرسوم، می‌توان به عدم نیاز به مش‌زنی اشاره کرد. در روش‌های مرسوم، زمان زیادی برای ساخت مش مناسب صرف می‌شود؛ اما در PINN ما عملاً با تعداد زیادی نقطۀ تصادفی سر و کار داریم و به مش‌زنی هندسه نیازی نیست. از برتری‌های دیگر PINN می‌توان به مسائلی اشاره کرد که در آن مقدار داده‌ها اندک است و مسئله به‌طور کامل برای ما روشن نیست؛ برای مثال شروط مرزی نامشخصی داریم یا قسمتی از هندسۀ ما نامعلوم است یا غیره. اینجاست که می‌توان با کمک PINN مسئله را به‌‌خوبی حل کرد، اما روش‌های مرسوم این توانایی را ندارند. همچنین PINN می‌تواند مسائل پارامتری را حل کند که از نقاط قوت این روش است؛ برای مثال می‌توانیم هندسۀ یک ایرفویل را به‌عنوان پارامترهای ورودی شبکه بدهیم و شبکۀ عصبی ما هندسۀ این ایرفویل را با بهینه‌ترین حالت ممکن به ما تحویل دهد. البته روش PINN ویژگی‌های مثبت دیگری هم دارد که در این مصاحبه نمی‌گنجد.
آیا در صنعت نیز از روش PINN استفاده می‌شود؟
در صنعت، داستان کمی فرق می‌کند. روش‌های مرسوم CFD (مانند نرم افزارهای FLUENT و COMSOL) حدود پنجاه سال است که در حال عرضه هستند و هرساله بهبود یافته‌اند و امروزه تا حد قابل توجهی برای صنعت جهان قابل اتکا هستند. در مقابل، PINN چند سالی بیشتر نیست که مطرح شده و هنوز جای پیشرفت و بهبود زیادی دارد تا بتواند جای روش‌های مرسوم را در صنعت بگیرد؛ اما با توجه به شیب زیاد رشد فناوری هوش مصنوعی، غالب‌شدن PINN در صنعت نیز چیزی دور از ذهن نیست و به احتمال زیاد در سال‌های آتی این اتفاق خواهد افتاد. امروزه اوج استفاده از روش‌های PINN در صنعت این است که در کنار روش‌های مرسوم CFD و با ترکیب با آنها به رسیدن به نتایج کمک می‌کنند.
