هوش مصنوعی (AI)[1] زیرشاخه ای از علوم کامپیوتر، با هدف ساخت ماشین های هوشمند و مقلد مهارتهای انسان است. مهارت هایی همچون دانش، استدلال، حل مسئله، ادراک، یادگیری و مهارت تغییر و جابه جایی در موقعیت اشیا که انسان را منحصربهفرد می سازند. هدف اصلی در حوزه هوش مصنوعی، دادن توانایی به رایانه ها به طریقی که بتوانند دنیای اطرف خود را به خوبی درک کرده و به روشی هوشمندانه با آن تعامل داشته باشند. در حالت کلی، منظور از یادگیری را میتوان بهتر شدن عملکرد در یک وظیفه خاص با استفاده از تجربه و تمرین تعریف کرد. بنابراین، یادگیری را در برنامه های رایانه ای میتوان هرگونه برنامه ای که کارایی اش در یک کار خاص با تجربه بهبود یابد، توصیف نمود.
یادگیری ماشین (ML)[2] بخشی مهم از هوش مصنوعی بوده که سیستم های مختلف را قادر میسازد به طور خودکار یاد گرفته و بدون آنکه توسط انسان برنامه نویسی شده باشند، تنها از طریق تجربه مهارت های خود را بهبود بخشند. فرایند یادگیری در ماشینهای هوشمند با مشاهده آغاز میشود. به عبارت دیگر، ماشینهای هوشمند ابتدا مواردی همچون مثالهای پیشین، تجربیات و دستورالعملها را مشاهده کرده و پس از کشف الگوهای موجود در دادهها، تصمیمات بهتری اتخاذ میکنند. به بیانی ساده، یادگیری ماشین، مجموعه ای از الگوریتم هایی بوده که داده ها را تجزیه کرده، از آنها یاد گرفته و سپس آنچه را که یاد گرفته برای تصمیم گیری هوشمندانه به کار می گیرد.
شبکه عصبی مصنوعی(ANN)[3]، الگوی برنامه نویسی الهام گرفته شده از زیست بوده که ساختار آن قابلیت یادگیری از داده ها را برای رایانه ممکن می سازد. بهکمک شبکه های عصبی به عنوان یکی از روش های یادگیری ماشینی، میتوان الگوریتم های مورد نظر جهت تصمیم گیری را با پردازش در داده ها و مشابه با یک انسان، از طریق یادگیری مثال های از قبل آموخته و تعداد لایه های دنباله داری که در ساختارش وجود دارد، پیاده سازی نمود. وجود این تعداد لایه های مختلف این امکان را می دهد که بتوان در هر لایه، ویژگی های خاصی از مسئله را کشف و از آن در جهت تصمیم گیری بهتر در حل مسئله استفاده کرد. با افزایش قدرت سخت افزارها و عصر داده های بزرگ[4]، داده های فراوانی جهت آموزش شبکه وجود داشته که بنابراین میتوان شبکه هایی با بیش از چند لایه پنهان را آموزش داد. شبکه های عصبی که از چندین لایه تشکیل شده باشند را، شبکه های عصبی عمیق (DNN)[5] می نامند. به دلیل پیشرفت های اخیر در مبحث هوش مصنوعی و توانایی در عمیق کردن شبکه های عصبی، با رفتن به لایه های سطح بعدی، به حل مفاهیم پیچیده تری از مسئله دست یافته ایم. امروزه وقتی در حال استفاده از شبکه های عمیق هستیم، منظور همان یادگیری عمیق می باشد.
[1] Artificial Intelligence
[2] Machine Learning
[3] Artificial Neural Network
[4] Big Data
[5] Deep Neural Network
برخــلاف تصــور عــوام کــه هــوش مصنوعــی را رباتــی بــا توانایــی تســخیر جهــان تصــور می کننــد، در پسـا پـرده ایـن کلمـات پیچیـده، سـاختارهای جبـری سـاده نهفتـه اسـت. یکـی از اولیـن سـاختارهای سـاده کــه بــا الهام گیــری از طــرز عملکــرد نورون هــای مغــز ســاخته شــد، شــبکه های عصبــی بودنــد کــه مبنــای اصلـی آنهـا ضـرب و جمـع و اسـتفاده از توابـع سـاده بـود. هــوش مصنوعــی علیرغــم اینکــه در بــاور عــوام علمـی جدیـد شـناخته می شـود، قدمتـی دیرینـه دارد و در سـال ۱۹۵۶ در کنفرانـسDartmouth متولـد شـده اسـت. جالـب اسـت بدانیـد کـه هـوش مصنوعـی در دو دوره بـه خـواب زمسـتانی فـرو رفتـه اسـت. خواب زمسـتانی اول در بـازه ۱۹۷۴ تـا ۱۹۸۰ بـه دلیـل کمبود قـدرت محاسـباتی کامپیوترهـای آن زمـان اتفـاق افتـاد و دومـی در سـال های ۱۹۸۷ تـا ۱۹۹۳ بـه دلیـل آنکـه نگـهداری از سیسـتمهای پردازشـی به شـدت گـران شـد و دولت هـا بـه دلیـل تـرس از عـدم بازگشـت سـرمایه، از ســرمایه گذاری امتنــاع کردنــد. امـا بعـد از آن بـا ایده هایـی جدیـد، ماننـد یادگیـری عمیــق و بهبــود قــدرت پردازشــی کامپیوترهــا بــار دیگر هــوش مصنوعــی اوج گرفــت و مخصوصــا ســالیان اخیــر بــه یکــی از موضوعــات داغ دنیــا تبدیــل شـده اسـت. امـا آیـا زمسـتان دیگـری در راه اسـت یـا بالاخــره همـه خودروهــا خــودران میشــوند؟ آیــا بــه آن چیــزی کــه همــه از آن میترســیم و در فیلمهــای علمی تخیلــی دیده ایــم خواهیــم رســید و ربات هــای هوشــمند جهــان و انســان را تســخیر می کننــد؟
گفتنــی اســت کــه کاربــرد هــوش مصنوعــی در حــوزه مهندســی مکانیــک فقــط در زمینه رباتیــک نیســت! معادلـه نویـر اسـتوکس، یکـی از پیچیده تریـن معادلههـای موجـود در طبیعــت بــرای حــل جریــان ســیال اســت؛ معادلــه ای بــا مشـتقات جزیـی کـه هنـوز هـم حـل تحلیلـی کلـی بـرای آن ارائـه نشـده اسـت. بنابرایـن سال هاسـت کـه محققـان حـوزه مکانیـک سـیالات محاسـباتی در تلاش انـد تـا ایـن معادلـه را بــا روش هــای عــددی CFD حــل کننــد. اغلــب بــرای حــل اینگونــه مســائل، زمان هــای محاســباتی زیــادی نیــاز اســت. بنابرایــن بــرای آنکــه بتــوان حــل کلــی از ایــن شبیه ســازیها بهدســت آورد و تأثیــر پارامترهــای مختلــف را بررســی کــرد یــا نقطـه بهینــه را پیــدا کــرد، از هــوش مصنوعــی صرفــا به عنــوان یــک ابــزار قدرتمنــد جهــت fitting اســتفاده شــده اســت. همچنیــن ورودی هــوش مصنوعــی در حــل ایــن مســائل میتوانــد داده هــای آزمایشـگاهی نیـز باشـد. تمـام هـدف هـوش مصنوعـی در حل ایــن نــوع از مســائل ســیالاتی ایــن اســت کــه بتوانــد تأثیــر متغیرهـای مـورد نظـر مهندسـان را در نقاطـی کـه آزمایـش یــا شبیه ســازی انجــام نشــده اســت، پیشبینــی کنــد و ایــن حــوزه همچنــان درحــال توســعه اســت!
بـا گـذر زمـان، در سـال 2019 ایـده جدیـدی مطـرح شـد کــه افق هــای جدیــدی را در زمینـه مســائل ســیالاتی بــرای محققــان بــاز کــرد. ایــن روش Physics-informed neural networks یــا بــه اختصــار PINN نامیــده میشــود و ایــده اصلــی اش ایــن اســت کــه معادلات حاوی مشــتقات جزئــی ماننــد پیوســتگی، پایســتگی ممنتــوم یــا انـرژی، بـا هـوش مصنوعـی حـل شـوند تـا دیگـر بـه داده هـای تجربی و شبیه سـازی نیــازی نباشــد. ایـن روش نوظهــور کــه بــر خـلـاف روش هــای عــددی مرســوم، نیــازی بــه پیچیدگی هــای گسسته ســازی معــادلات و تولیـد شـبکه نـدارد، محققـان را بـه ایـن فکـر واداشـت کـه از آن به عنوان جایگزینی برای حل های کلاسیک حوزه مکانیک سیالات محاسباتیCFD بهره ببرند؛ اما استفاده از ایـن روش کار سـاده ای نبوده و چالش های خاص خود را دارد. بنابراین PINN، زمینه تحقیقاتی جدیدی را به وجود آورده است که هم اکنون یکی از داغ ترین بحث های تحقیقاتی بیـن محققان به شمار می رود.
بــا پی بــردن بــه قــدرت هــوش مصنوعــی به عنــوان جایگزینــی بــرای حلگرهــای قدیمـی، محققان توانسـتند به کاربردهـای بسـیار خلاقانـه ای در ایــن زمینــه دســت یابنــد؛ به عنــوان مثــال، بــرای اینکــه بهینه تریـن حالـت بـرای بـال یــک هواپیمــا به دســت آیــد تــا نســبت نیــروی لیفــت بــه درگ بیشــترین مقــدار باشـد، لازم اسـت تـا مسـئله بارهـا بـا اسـتفاده از شبیه سـازی عـددی مرسـوم حـل شـود. ایـن فراینـد بـار محاسـباتی زیـادی حتـی نزدیـک بــه یــک مــاه دارد؛ امــا بــا اســتفاده از روش PINN میتــوان بســیار راحتتــر ایــن مســئله بهینه ســازی را حــل نمود.
به عنــوان مثالــی دیگــر، روش شبکه عصبی مبتنی بر فیزیک ایـن توانایـی را دارد کـه پــس از یادگیــری جریــان حــول دایــره و مثلــث، به طــور تقریبــی جریــان حــول اشــکال دیگــر کــه آنهـا را ندیـده اسـت، یـاد بگیـرد و پیشبینــی کنــد. در ایــن روش از الگوریتـم CNN کـه بــرای پــردازش تصویــر معمــول اســت، اســتفاده می شــود.
به عنـوان مثـال بعـدی، در سـال های بسـیار دور پیکاسـو، نقـاش معروف، برخـورد جریـان آب رودخانـه بـه یـک ســنگ را نقاشــی کــرده اســت. شــما میتوانیــد بــا روش معرفی شــده، سـایر پارامترهـای جریـان ماننـد نحـوه توزیــع فشــار و خطــوط جریــان را از ایــن عکــس قدیمــی به دســت آوریــد.
در روش PINN راهنمای شــبکه بــرای پیشبینــی خروجـی، به جـای تعـداد زیـادی داده، معـادلات دیفرانسیل فیزیـکی اســت. مــا در مســائل مهندســی، بــه جــز مســائلی ماننــد هواشناســی کــه بــه لطــف تاریخچه اطلاعــات جمع آوری شــده، حجــم داده مناســبی در دســترس بوده، امــکان جمــع آوری حجــم بــالای داده ای کــه بــرای یادگیــری یــک شــبکه نیــاز اســت را نداریــم. از آنجایـی کـه بـا یـک تغییـر کوچـک در مسـئله نیــاز بــه حــل مجــدد و از صفــر داریــم، شبیه ســازی بــرای جمــع آوری ایــن داده هــا نیــز بســیار زمانبــر اسـت؛ پـس بایـد راه دیگـری اتخـاذ کـرد. اینجاسـت کـهPINN وارد میشــود. از جمله برتری هـای ایـن روش نســبت بــه روش هــای عددی مرســوم، میتــوان بــه عــدم نیــاز بــه مش زنــی اشــاره کــرد. در روش هــای مرســوم، زمــان زیـادی بـرای سـاخت مـش مناسـب صـرف میشـود؛ امـا در PINN مـا عمـلا بـا تعـداد زیـادی نقطه تصادفی سـر و کار داریــم و بــه مش زنــی هندســه نیــازی نیســت. از برتری هــای دیگــر PINN میتــوان بــه مســائلی اشــاره کــرد کــه در آن مقــدار داده هــا انــدک بوده و مســئله به طــور کامــل بــرای مــا روشــن نیســت؛ بــرای مثــال شـروط مـرزی نامشـخصی داریـم یـا قسـمتی از هندسه مــا نامعلــوم اسـت. اینجاســت کــه میتــوان بــا کمــک PINN مســئله را به خوبــی حــل کــرد، امــا روش هــای عددی مرســوم ایــن توانایــی را ندارنــد. همچنیــن PINN میتوانــد مســائل پارامتــری را حــل کنــد کــه از نقــاط قــوت ایــن روش اسـت؛ بـرای مثــال میتوانیــم هندسه یــک ایرفویــل را به عنــوان پارامترهــای ورودی شـبکه بدهیـم و شـبکه عصبـی مـا هندسه ایـن ایرفویـل را بــا بهینه تریــن حالــت ممکــن بــه مــا تحویــل دهـد. البتــه روش PINN ویژگی هــای مثبــت دیگــری هــم دارد کــه در ایــن مطلب نمی گنجد.
در صنعــت، داســتان کمــی فــرق میکنــد. روش هــای مرســوم CFDماننــد نــرم افزارهــای FLUENT وCOMSOL حــدود پنجــاه ســال اســت کــه در حــال عرضــه هســتند و هرســاله بهبــود یافته انــد و امــروزه تــا حــد قابــل توجه ای بــرای صنعــت جهــان قابــل اتــکا هســتند. در مقابــل، PINN چنــد ســالی بیشتــر نیسـت کـه مطـرح شـده و هنـوز جـای پیشـرفت و بهبود زیــادی دارد تــا بتوانــد جــای روش هــای مرســوم را در صنعــت بگیــرد؛ امــا بــا توجــه بــه شــیب زیــاد رشــد فنـاوری هـوش مصنوعـی، غالب شـدن PINN در صنعـت نیـز چیـزی دور از ذهـن نبوده و بـه احتمـال زیـاد در ســال های آتــی ایــن اتفــاق خواهــد افتــاد. بــا ظهــور چت باتها و ایجــاد انقلابــی تــازه در حــوزه هــوش مصنوعــی و متحول ســازی سیســتم های جســت و جو، به نظــر میرســد کــه جهــان و تحقیقــات، رنــگ و بــوی تــازه ای بــه خــود گرفته انــد. آیــا ایــن تغییـرات میتواننـد انقالبـی در زمینه مکانیـک سـیالات هــم ایجــاد کننــد؟ آیــا روزی یــک FluidGPT نوشــته خواهــد شــد کــه توانایــی حــل تمامــی مســائل حــوزه ســیالات را داشــته باشــد و بــا چت کــردن بــا آن بتــوان نتایــج شبیه ســازی را خیلــی ســریع به دســت آورد؟ آیـا در آینـده مهندسـان، فقـط روی طراحـی فکـر خواهنــد کــرد و دیگــر زحمــت ماه ها شبیهســازی را نخواهنــد کشــید؟ آیــا مــا کــه هم اکنــون بــه نحــوه انتقــال اطلاعــات بــا فلاپی دیســک و ســی دی در حــدود ده سـال پیـش میخندیـم، ده سـال بعـد هـم بـه ایـن نحـوه شبیه ســازیها خواهیــم خندیــد؟ بایــد دیــد!