Table of Contents

وقد أعادت النماذج العميقة السخاء تشكيل المشهد العام لتوليف البيانات، حيث وفرت للباحثين الأقوياء في الهندسة أدوات لإعداد مجموعات بيانات ذات جودة عالية، وتتعلم هذه النماذج التوزيعات المحتملة للبيانات في العالم الحقيقي، وتولد عينات جديدة لا يمكن اختراقها من الناحية الإحصائية عن عمليات الرصد الفعلية، وفي المجالات التي يُعتبر فيها جمع البيانات الضخمة والمسماة باهظة التكلفة، أو تحد من الزمن، أو تحد من الناحية الأخلاقية.

التعريف بالأنواع الجامدة العميقة

والنماذج العميقة التي تولدها هي فئة من الشبكات العصبية التي تتعلم نموذج التوزيع المشترك لبيانات التدريب على الاحتمالات، وعلى عكس النماذج التمييزية التي تركز على حدود القرار، تهدف النماذج المجزية إلى استخلاص العملية الكاملة لتوليد البيانات، مما يتيح لها إيجاد عينات جديدة تماما، علما بأن أهم أسرتين هما شبكات التنوع البيولوجي الجيني وشبكة التموين التفاوتية، وإن كان ذلك يمثل نماذج أحدث من قبيل توسيع نطاق النهج المعتادة.

شبكات التنوع الجيني

وتتكون الشبكة العالمية لشبكة جيان، التي قدمها إيان غودفلو وزملاؤه في عام 2014، من شبكتين عصبيتين متنافستين: مولد يخلق بيانات اصطناعية ومميزة لا تُميز إلا عن المزيف، ومن خلال التدريب على النزعات العدائية، يحسن المولد من نواتجه إلى أن لا يستطيع المُتفرقع أن يُفصلها بشكل موثوق به.

Variational Autoencoders (VAEs)

وتأخذ المؤسسات المالية الضعيفة نهجاً محتملاً من خلال إدراج بيانات المدخلات في حيز متأخر ثم تفصل من ذلك المكان لإعادة بناء المدخلات، ومن خلال إنفاذ التوزيع المتأخر السلس والمستمر، يمكن أن تولد الشركات الصغيرة والمتوسطة الحجم نواتج متنوعة وأكثر استقراراً في تدريبها من الشبكات الجيولوجية، وفي حين أن عيناتها كثيراً ما تفتقر إلى عطل نواتج الشبكة العالمية، فإن أجهزة الكشف عن الكائنات الحية في المدارية تُفضَّل التطبيقات التي تتطلب تمثيلاً متأخراً.

المعمارات الناشئة: تطبيع المتدفقات والنماذج الشحومية

ومن ناحية أخرى، يمكن أن تُستخدم تسلسل التحولات غير القابلة للكشف من أجل رسم خريطة لتوزيع بسيط على أساس التوزيع المعقد للأهداف، مما يتيح إمكانية حساب العينات العالية الجودة على وجه الدقة، ومن ناحية أخرى، يمكن أن تتعلم نماذج التفريغ عكس عملية التلميح التدريجي، وتنتج أحدث النتائج في توليد الصور، وتظهر مؤخراً الوعود بالنسبة لبيانات السلاسل الزمنية وسحب من النقاط الثالثة إلى دال.

تطبيقات في البحوث الهندسية

إن القدرة على توليد بيانات اصطناعية واقعية لها آثار بعيدة المدى عبر التخصصات الهندسية، وندرس أقل حالات الاستخدام تأثيرا، من تحسين نماذج التعلم الآلاتي إلى التمكين من تبادل البيانات المتعلقة بحفظ خصوصيات الناس.

تدريب الماكينات التعليمية مع البيانات المحدودة

وكثير من المجالات الهندسية تعاني من ندرة البيانات، فعلى سبيل المثال، فإن البيانات المتعلقة بالفشل في عمليات الانهيار الميكانيكي النادرة، ونتائج اختبار التحطم في تصميمات جديدة للمركبات، أو قياسات الأنفاق الريحية للطائرات التجريبية تكون متاحة بكميات محدودة جدا، ويمكن أن تؤدي النماذج العميقة للسخاء إلى زيادة مجموعات البيانات الصغيرة من خلال تجميع عينات إضافية قابلة للتنبؤ، وقد ثبت هذا النهج بنجاح في كشف التنبؤات، حيث لا تولد نماذج للإصابة بالأضخيمة.

تبسيط سيناريوهات التصميم على الوجه الأمثل

وكثيرا ما يتطلب التصاميم الهندسية تقييم آلاف أو ملايين التشكيلات المرشحة، ويمكن أن تكون عمليات المحاكاة العالية التكوين لكل مرشح باهظة التكلفة، كما يمكن لمولدات البيانات الاصطناعية أن تكون نماذج بديلة، وأن تتعلم رسم الخرائط من بارامترات التصميم إلى مقاييس الأداء، ثم تولد نواتج بلورةية لبارامترات غير مرئية، مثلا في الشكل الأمثل، نموذجا مكثفا للسحب

الحفاظ على الخصوصية في تبادل البيانات الحساسة

وكثيراً ما تتضمن مجموعات البيانات الهندسية إشارات معلومات سرية أو سرية، وطرق الفشل، والبارامترات التشغيلية التي لا يمكن تقاسمها بحرية، وتوفر البيانات الاصطناعية طريقاً لفتح العلم والتعاون دون أن تبرز تفاصيل حساسة، ومن خلال تدريب نموذج سخي على البيانات الأصلية، ولا تُطلق سوى عينات اصطناعية، يمكن للمنظمات أن تتبادل بيانات واقعية عن المقاييس، أو اختبار قابلية التشغيل البيني، أو البحث الأكاديمي.

تعزيز البيانات المتعلقة بالأداء النموذجي الآلي

وكثيرا ما تحتاج نماذج التعلم من الآلات في الهندسة إلى تعميم الظروف غير الممثلة في مجموعة التدريب، إذ أن زيادة البيانات الاصطناعية توسع بشكل اصطناعي في توزيع التدريب عن طريق توليد ظروف واقعية للإضاءة غير المتماثلة لنظم الرؤية الحاسوبية، أو خصائص المواد البديلة لنماذج العناصر المحددة، أو القراءات الفاسدة لأجهزة الكشف عن الأخطاء، ويمكن أن تنتج نماذج الوصلات الرادارية حالات تحد من نقاط الضعف في البيانات الحقيقية، وتساعد على كشف مواطن الضعف في هذا المجال.

فوائد استخدام البيانات الاصطناعية

ويوفّر اعتماد البيانات الاصطناعية في البحوث الهندسية عدة مزايا ملموسة تتجاوز مجرد توليد المزيد من العينات، مما يحفز على مواصلة الاستثمار في تقنيات النماذج الوراثية.

انخفاض الاعتماد على جمع البيانات التكاليفية

وكثيرا ما ينطوي جمع البيانات الهندسية الحقيقية على أدوات باهظة التكلفة أو حملات اختبار مطولة أو اختبارات تدميرية، مثلا، يتطلب الحصول على الحياة البدينة لعنصر هيكلي آلاف الدورات، وجمع بيانات اختبارات التحطم بما يكفي من تكاليف الأهمية الإحصائية بملايين الدولارات، ويمكن أن تؤدي البيانات الاصطناعية المستمدة من مجموعة صغيرة نسبيا من القياسات الحقيقية إلى تخفيض كبير في هذه النفقات، ويمكن أن ينتج نموذج مدرَّب تدريبا جيدا آلافا من المنحنىات البدّة أو تحطمة.

الاختبارات تحت الظروف البرية والتطرفية

ويجب أن تعمل النظم الهندسية في العالم الحقيقي في إطار مجموعة واسعة من الظروف، قد يكون الكثير منها خطيرا جدا أو نادر أو مكلفا لإعادة التجديد، ويمكن لمولدات البيانات الاصطناعية أن تستخرج من البيانات الملاحظه لتحفيز الأحمال الهيكلية القصوى التي تتجاوز الحدود العادية، أو الفشل في الاستشعار في نظم الحكم الذاتي، أو الأحداث الجوية التي تحدث مرة واحدة فقط في القرن، وهذه القدرة قيمة بوجه خاص بالنسبة للتطبيقات الحيوية للسلامة مثل رصد المفاعلات النووية.

تعزيز خصوصية البيانات وأمنها

ومع أن الهندسة تصبح أكثر ترابطاً وتحفزها البيانات، فإن حماية الملكية الفكرية والخصوصية الشخصية تزداد أهمية، فالبيانات الاصطناعية تتيح للمنظمات تبادل الأفكار دون كشف البيانات الأولية، فعلى سبيل المثال، يمكن للمصنع أن يصدر مجموعة بيانات اصطناعية من قراءات أجهزة الاستشعار الخاصة بخطوط الإنتاج إلى خبير استشاري من أطراف ثالثة دون الكشف عن معايير العمليات الخاصة بالملكية، وعندما يقترن ذلك بالخصوصية المتباينة، يمكن أن توفر نماذج تعاقدية ضمانات يمكن التحقق منها

تيسير وضع الصيغة السريعة والتجارب

ويستفيد من التطوير في مجال الهندسة المبكرة من سرعة التكرار، إذ إن توليد البيانات الاصطناعية من نموذج مسخ يستغرق دقائق أو ساعات، في حين أن جمع البيانات الحقيقية قد يستغرق أسابيع أو أشهر، وهذه السرعة تمكن الباحثين من اختبار نهج النماذج المتعددة، ومقاييس الارتفاع المفرط، وتوثيق المفاهيم بسرعة أكبر بكثير، فعلى سبيل المثال، يمكن لفريق وضع نموذج للتعلم الآلي لكشف أخطاء الحمل القائمة على اليقظة أن يولد بيانات تقريبية ذات حجم مضاعف.

التحديات والاتجاهات المستقبلية

وعلى الرغم من وعدها، تواجه النماذج السخية العميقة عدة عقبات يجب التغلب عليها لتحقيق كامل إمكاناتها في مجال البحوث الهندسية، وتعالج الأعمال الجارية هذه التحديات في الوقت الذي تفتح فيه سبلا جديدة للتطبيق.

القدرة على الاستغناء عن طريق أسلوب التدريب

وتعاني الشبكات المالية، على وجه الخصوص، من انهيار في الموضة، حيث يتعلم المولد أن ينتج فقط بضعة أنواع من النواتج، دون تغطية تنوع التوزيع الحقيقي للبيانات، وبالنسبة للتطبيقات الهندسية التي تتطلب توليد مجموعة واسعة من التصميمات أو أساليب الفشل، فإن توقف المواسطة يحد بشدة من الفائدة، حيث أن عدم الاستقرار في التدريب، حيث يتغلب المفرق على المولد أو العكس، يجعل من الصعب تطبيق بدائل الشبكة في الممارسة العملية.

ضمان تنوع البيانات وميزانيتها

ويجب ألا تكون البيانات الاصطناعية واقعية فحسب بل متنوعة أيضاً لتغطية المجال التشغيلي، وإذا كان النموذج السخائي يحفظ أمثلة التدريب أو يركز على منطقة ضيقة من مجموعات البيانات، فإن النماذج الموزعة على البيانات الاصطناعية لا تعمم، فمقاييس التقييم بالنسبة للبيانات الاصطناعية في السياقات الهندسية لا تزال ناقصة التطور.

التكلفة الحاسوبية والقابلية للتقسيم

كما أن التدريب على نماذج السخاء العميقة، ولا سيما نماذج الانتشار والشبكات الكبيرة من الغازات، يتطلب موارد حاسوبية كبيرة - في كثير من الأحيان عدة وحدات من وحدات التجهيز العالمي لعدة أيام أو أسابيع، ويمكن أن تكون هذه التكلفة باهظة بالنسبة للأفرقة الهندسية الصغيرة أو فرادى المختبرات، وعلاوة على ذلك، فإن توليد كميات كبيرة من البيانات الاصطناعية للمشاكل العالية الأبعاد (مثل ميادين الضغط العصبية التي تتطلبها 3D) يظل باهظاً التكلفة.

الاتجاهات المستقبلية: نماذج الديموغرافيون والنُهج الهجينة

وقد تفوقت نماذج التفشي مؤخراً الشبكات الجيولوجية في نوعية توليد الصور ويجري تكييفها الآن لطرائق الهندسة، وهي توفر تدريباً أكثر استقراراً ويمكن أن تنتج عينات عالية الجودة مع قدر أكبر من التنوع، أما بالنسبة للتطبيقات الهندسية، فقد طُبقت نماذج للعوامل المضبوطة في مجال الانتشار لتوليد هياكل جزائية، وتشكيلات هوائية، وبيانات الاستشعار عن طريق أجهزة الاستنشاق التي تجمع بين نماذج الإجهاد الواعدة.

الإدماج في تدفقات العمل الهندسي

ولكي تصبح البيانات الاصطناعية أداة معيارية في مجال الهندسة، يجب أن تدمج بلاسقة مع النظم الإيكولوجية القائمة للبرامجيات، وهذا يعني تطوير نظم المعلومات المسبقة عن علم، والبلوجين، ومعايير تقاسم البيانات الاصطناعية، كما أن البرامج الهندسية مثل النظم الفضائية " سيمينس " أو " MATLAB " ، قد بدأت تدمج نماذج " للتدريس في مجال التكنولوجيا المتقدمة " ، ولكن النماذج الخلقية لا تشمل بعد نماذج مستقبلية.

خاتمة

إن النماذج العميقة للإبداع قد انتقلت من الفضول النظري إلى أدوات عملية تحول البحوث الهندسية التي تحركها البيانات، ومن خلال تمكينها من إيجاد بيانات اصطناعية واقعية، فإنها تتصدى للتحديات الأساسية المتمثلة في ندرة البيانات، والتكلفة، والخصوصية، مع إتاحة إمكانيات جديدة للتحفيز، والتصميم الأمثل، والتعلم الآلي القوي.

External Links:]