10 سپتامبر 2021، توسط اینگرید فادلی
تجسمات نمایشی از چهار سیستم فیزیکی مورد بررسی محققان، که نتایج و محدوده نمونه برداری از شرایط اولیه را نشان می‌دهد. هر کدام دارای دو جزء حالت هستند: برای سیستم ناویر استوکس، سرعت جریان و میدان فشار و برای سه مورد دیگر موقعیت و حرکت در عکس دیده می‌شوند.
شبیه سازی سیستم‌های فیزیکی با استفاده از ابزارهای محاسباتی می‌تواند کاربردهای بی‌شمار ارزشمندی داشته باشد، هم در محیط تحقیقاتی و هم در محیط واقعی. اکثر ابزارهای موجود برای شبیه سازی سیستم‌های فیزیکی بر اساس نظریه فیزیک و محاسبات عددی است. با این حال، در سال‌های اخیر، دانشمندان کامپیوتر سعی کرده‌اند تکنیک‌هایی را توسعه دهند که بتواند مکمل این ابزارها باشد، که بر اساس تجزیه و تحلیل حجم زیادی از داده‌ها است.
الگوریتم‌های یادگیری ماشینی (ML) رویکردهای امیدوارکننده‌ای برای تجزیه و تحلیل داده‌ها هستند. بنابراین، بسیاری از دانشمندان کامپیوتر تکنیک‌های ML را توسعه دادند که می‌تواند با تجزیه و تحلیل داده‌های تجربی شبیه سازی سیستم‌های فیزیکی را بیاموزد.
در حالی که برخی از این ابزارها به نتایج قابل توجهی دست یافته‌اند، ارزیابی آن‌ها و مقایسه آن‌ها با سایر رویکردها به دلیل تنوع بسیار زیاد روش‌های موجود و تفاوت در کارهایی که برای تکمیل آن‌ها طراحی شده است، می‌تواند چالش برانگیز باشد. بنابراین، تاکنون، این ابزارها با استفاده از چارچوب‌ها و معیارهای مختلف ارزیابی شده‌اند.
محققان دانشگاه نیویورک مجموعه معیار جدیدی را توسعه داده‌اند که می‌تواند برای ارزیابی مدل‌های شبیه سازی سیستم‌های فیزیکی مورد استفاده قرار گیرد. این مجموعه، که در مقاله‌ای که قبلاً در arXiv منتشر شده است، ارائه می‌شود، می‌تواند برای ارزیابی انواع تکنیک‌های شبیه سازی مبتنی بر ML مناسب، اقتباس و توسعه یابد.
محققان در مقاله خود می‌نویسند: «ما مجموعه‌ای از مشکلات معیار را معرفی می‌کنیم تا گامی در جهت معیارهای یکپارچه و پروتکل‌های ارزیابی برداریم. ما چهار سیستم فیزیکی نماینده و همچنین مجموعه‌ای از هر دو ادغام کننده زمان کلاسیک پرکاربرد و روش‌های داده محور مبتنی بر هسته، MLP ، CNN ، را پیشنهاد می‌کنیم.»
مجموعه معیار توسعه یافته توسط محققان شامل شبیه سازی چهار مدل فیزیکی ساده با آموزش و ارزیابی است. چهار سیستم عبارت‌اند از: یک فنر نوسانی، یک معادله موج خطی تک بعدی (1 بعدی)، یک مشکل جریان ناویر استوکس و یک شبکه از چشمه‌های میرایی.
محققان در مقاله خود توضیح دادند: «این سیستم‌ها نشان دهنده پیشرفت پیچیدگی هستند. سیستم فنر یک سیستم خطی با فضای کم بعدی از شرایط اولیه و حالت کم بعدی است؛ معادله موج یک سیستم خطی کم بعد با یک حالت (نسبتاً) زیاد بعد از گسسته سازی است؛ معادلات ناویر استوکس غیر خطی هستند و ما مجموعه‌ای با شرایط اولیه با ابعاد کم و فضای حالت ابعاد بالا را در نظر می‌گیریم؛ در نهایت، سیستم مش فنری هم دارای شرایط اولیه ابعاد بالا و هم حالت‌های با ابعاد بالا است.»
علاوه بر شبیه سازی این سیستم‌های فیزیکی ساده، مجموعه توسعه یافته توسط محققان شامل مجموعه‌ای از رویکردها و ابزارهای شبیه سازی است. این‌ها شامل رویکردهای عددی سنتی و تکنیک‌های ML مبتنی بر داده است.
با استفاده از این مجموعه، دانشمندان می‌توانند ارزیابی‌های سیستماتیک و عینی از تکنیک‌های شبیه سازی ML خود را انجام دهند، دقت، کارایی و ثبات آن‌ها را آزمایش کنند. این به آن‌ها امکان می‌دهد عملکرد ابزارها با ویژگی‌های مختلف را به طور قابل اعتماد مقایسه کنند، که در غیر این صورت مقایسه آن‌ها دشوار خواهد بود. چارچوب معیار را می‌توان پیکربندی و گسترش داد تا سایر وظایف و رویکردهای محاسباتی را در نظر بگیریم.
محققان در مقاله خود می‌نویسند: «ما از سه طریق می‌توانیم از نتایج این کار استفاده کنیم. ابتدا، مجموعه داده‌های توسعه یافته می‌تواند برای آموزش و ارزیابی تکنیک‌های جدید یادگیری ماشین در این زمینه مورد استفاده قرار گیرد. ثانیاً، از نرم افزار شبیه سازی می‌توان برای ایجاد مجموعه داده‌های جدید از این سیستم‌ها با اندازه‌های مختلف، ابعاد و توزیع شرایط اولیه مختلف استفاده کرد، در حالی که آموزش می‌توان از نرم افزار برای کمک به انجام آزمایش‌های بیشتر استفاده کرد و ثالثاً، برخی از روندهایی که در نتایج ما مشاهده می‌شود ممکن است به طراحی وظایف آینده یادگیری ماشین برای شبیه سازی کمک کند.»
مجموعه جدید معیار معرفی شده توسط این تیم از محققان می‌تواند به زودی به ارزیابی روش‌های موجود و نوظهور برای شبیه سازی سیستم‌های فیزیکی کمک کند. با این حال، در حال حاضر، همه پیکربندی‌ها و تنظیمات مدل ممکن را پوشش نمی‌دهد، بنابراین می‌توان آن را در آینده بیشتر گسترش داد.
