الذكاء الاصطناعي
ثورة في الهندسة: الدور الجديد للذكاء الاصطناعي في حل المعادلات المعقدة أسرع من الحواسيب الفائقة
تُعرف الحواسيب الفائقة بأدائها العالي، مما يتيح لها حل المشكلات الحسابية المعقدة. تُعد هذه الآلات من أسرع الحواسيب في العالم، حيث يمكنها معالجة مجموعات بيانات ضخمة وإجراء حسابات معقدة بسرعات هائلة، قادرة على حل ما يصل إلى كوينتليون عملية حسابية في الثانية.
ومن المثير للاهتمام، هذا الأسبوع فقط، كشفت شركة التكنولوجيا العملاقة جوجل عن شريحتها الجيل التالي المسماة ‘Willow’، والتي تعمل باستخدام الكيوبتات فائقة التوصيل ويمكنها حل مشكلة رياضية معقدة في خمس دقائق فقط مع تقليل الأخطاء بصورة أسية.
على الرغم من أدائه المثير للإعجاب، فإن الشريحة الكمومية لا تقترب بأي حال من الأحوال من كسر التشفير الحديث.
وسط كل ذلك، ظهر ذكاء اصطناعي جديد يمتلك القدرة على حل المشكلات الهندسية المعقدة أسرع من الحواسيب الفائقة. يأتي هذا الحل التكنولوجي الجديد من باحثي جامعة جونز هوبكنز، الذين يمكن أن يكونوا مغيري قواعد اللعبة في مجال الهندسة.
العصر الجديد للذكاء الاصطناعي
بعد أن كان موضوعًا ساخنًا لسنوات، بدأ الذكاء الاصطناعي أخيرًا يُستَخدم بشكل ذي معنى عبر الصناعات الرئيسية. إمكاناته الضخمة لتعزيز الكفاءة والإنتاجية جعلت سوقه يتجاوز 184 مليار دولار هذا العام و من المتوقع أن يزيد الإيرادات بأكثر من 15 تريليون دولار بحلول نهاية هذا العقد.
وجد تقرير حديث أن 68٪ من المؤسسات إما تستخدم الذكاء الاصطناعي العام بنشاط أو وضعت خرائط طريق بعد تنفيذ تجريبي ناجح.
مع استمرار الذكاء الاصطناعي في تحويل الصناعات المختلفة، خاصةً في مجال الهندسة، يواجه الناس الآن تحدي أن يصبحوا قديمين. تشير التقديرات إلى أنه خلال العقد القادم، قد يتم أتمتة ما يصل إلى 40٪ من مهام الهندسة.
لفهم تأثير الذكاء الاصطناعي على العالم، يجب أولاً أن ندرك أن الذكاء الاصطناعي هو ببساطة تقنية تمكّن الآلات والحواسيب من محاكاة التفكير البشري، والتعلم، والفهم، وحل المشكلات، واتخاذ القرارات، والإبداع.
تحت الذكاء الاصطناعي يكمن التعلم الآلي، الذي يتضمن تدريب خوارزمية لإنشاء نماذج تستخدم البيانات لاتخاذ القرارات وإصدار التنبؤات.
هناك أنواع مختلفة من خوارزميات أو تقنيات التعلم الآلي، وتُعد الشبكات العصبية الاصطناعية واحدة من أكثر الأنواع شيوعًا. تُنمذج هذه الشبكات بناءً على بنية ووظيفة الدماغ البشري.
التعلم العميق، وهو فرع من التعلم الآلي، يستخدم شبكات عصبية متعددة الطبقات تكون أكثر فعالية في محاكاة القدرة المعقدة للدماغ البشري على اتخاذ القرارات. تتعلم هذه الشبكات من البيانات وتُستخدم لحل مشكلات مختلفة، بدءًا من التعرف على الصور والصوت إلى معالجة اللغة الطبيعية.
يُغيّر التعلم العميق تمامًا طريقة تفاعل الآلات مع البيانات المعقدة، مع القدرة على تجاوز الأداء البشري مع تحقيق دقة عالية.
استخدام الذكاء الاصطناعي لمعالجة المشكلات المعقدة
يقدم الذكاء الاصطناعي فوائد عديدة، مثل أتمتة المهام المتكررة، وتقليل الأخطاء البشرية، وتوافره على مدار الساعة، وتعزيز اتخاذ القرار، مما أدى إلى تطبيقه في جميع أنواع الأعمال عبر الصناعات.
تُتيح قدرة التقنية على تحليل كميات هائلة من البيانات بكفاءة، وتحديد الأنماط التي قد يغفل عنها البشر، وأخيرًا إجراء حسابات سريعة، تجعل الذكاء الاصطناعي أداة رائعة لحل المشكلات المعقدة. عند التعامل مع مجموعات بيانات كبيرة وسيناريوهات اتخاذ قرار معقدة قد تستغرق وقتًا طويلاً أو تكون مستحيلة على البشر بمفردهم، يمكن للذكاء الاصطناعي أن يكون مفيدًا للغاية.
وبالتالي، يزداد التركيز على استخدام الذكاء الاصطناعي لحل القضايا المعقدة. قبل عام، استخدم باحثون من MIT و ETH Zurich التعلم الآلي لحل مشكلة التحسين الخاصة بتوجيه طرود العطلات بكفاءة لشركات مثل FedEx.
تستخدم هذه الشركات برنامجًا يُدعى حل برمجة خطية مختلطة صحيحة (MILP) يقوم بتقسيم المشكلة إلى أجزاء أصغر ويستخدم خوارزميات عامة لإيجاد الحل الأمثل، مما قد يستغرق ساعات أو حتى أيام.
هنا، الجزء الرئيسي الذي يبطئ العملية بأكملها هو أن حلول MILP لديها عدد هائل من الحلول المحتملة. استخدم الباحثون آلية تصفية لتبسيط هذه الخطوة، مما سرّع حلول MILP بنسبة تتراوح بين 30-70٪ دون التأثير على الدقة. اعتمدت التقنية في ذلك على مبدأ العائد المتناقص ثم استخدمت التعلم الآلي، المدرب على مجموعة بيانات خاصة بالمشكلة، لإيجاد الحل الأمثل من بين عدد الخيارات المخفض.
في وقت قريب من بداية هذا الشهر، قدمت شركة ناشئة مقرها لندن تُدعى PhysicsX نموذجًا هندسيًا كبيرًا يُدعى LGM-Aero لهندسة الطيران. من المتوقع أن يساعد النموذج الهندسي والفيزيائي في تحقيق تخفيضات ملحوظة في زمن تطوير مفاهيم الطائرات. جعلت الشركة تطبيقًا مرجعيًا (‘Ai.rplane’) مبنيًا على LGM-Aero متاحًا للجمهور لعرض قدرات نموذجها في توليد تصاميم الطائرات وتوقع الفيزياء المتعلقة بأداء الطائرات.
تم تدريب النموذج على حوسبة سحابة Amazon Web Services (AWS) باستخدام أكثر من 25 مليون شكل مختلف، تمثل أكثر من 10 مليارات رأس. تشمل بيانات التدريب أيضًا مجموعة من محاكيات الديناميكا الحرارية الحاسوبية (CFD) وتحليل العناصر المحدودة (FEA) التي تم إنشاؤها بالتعاون مع Siemens.
تمامًا كما تفهم نماذج اللغة الكبيرة (LLMs) النص، يمتلك LGM معرفة واسعة بالأشكال والهياكل المهمة لهندسة الطيران، وبالتالي، “يمكنه تحسين عدة أنواع من الفيزياء في ثوانٍ، أسرع بمراتب عديدة من المحاكاة العددية، وبنفس مستوى الدقة”، كما صرح الرئيس التنفيذي جاكومو كوربو.
هذا العام، كشفت شركة OpenAI، شركة أبحاث الذكاء الاصطناعي المدعومة من مايكروسوفت والمسؤولة عن ChatGPT، عن نماذجها الأخيرة، o1-preview و o1-mini، مدعية قفزة كبيرة في قدرات الاستدلال لنماذج اللغة الكبيرة (LLMs).
يأتي النموذج بقدرة على استخدام “التفكير المتسلسل”، مشابهًا لما يفعله البشر عند حل مشكلة، والذي يتضمن تقسيم الأشياء المعقدة إلى مهام صغيرة قابلة للإدارة. تم ملاحظة تطبيق التفكير الشبيه بالبشر في نماذج LLMs سابقًا من قبل Google Research وآخرين أيضًا.
نموذج ذكاء اصطناعي جديد لحل معادلات التفاضل الجزئية
مع استمرار زيادة استخدام وشعبية الذكاء الاصطناعي، تتزايد قدراته أيضًا، حيث يعمل الباحثون والشركات على تحسين التقنية وجعلها أكثر دقة.
الإطار الذكائي الاصطناعي الأحدث من باحثي جامعة جونز هوبكنز يتبع نهجًا عامًا للتنبؤ بحلول المعادلات الرياضية المستهلكة للوقت والمنتشرة. تُعد معادلات التفاضل الجزئية (PDEs) مهمة شائعة في مجال الهندسة والبحوث الطبية.
ومع ذلك، قد تكون التكاليف الحاسوبية المطلوبة لحل هذه المعادلات مرتفعة للغاية. عادةً ما تتطلب حل هذه المشكلات الرياضية الضخمة حواسيب فائقة، لكن الآن لم يعد الأمر كذلك.
يُمكّن الإطار الذكائي الاصطناعي الجديد حتى أجهزة الكمبيوتر الشخصية من معالجة هذه المعادلات التفاضلية الجزئية التي يستخدمها العلماء لتحويل العمليات أو الأنظمة الواقعية إلى تمثيلات رياضية لكيفية تغير الأشياء بمرور الوقت والمساحة.
ليس هذا هو المرة الأولى التي يُقترح فيها نموذج ذكاء اصطناعي لحل معادلات التفاضل الجزئية؛ في الواقع، تم مشاركة فكرته لأول مرة قبل عدة عقود. في مجال التعلم الآلي العلمي الناشئ، حظيت حلول معادلات التفاضل الجزئية باستخدام الشبكات العصبية باهتمام كبير خلال العقد الماضي بفضل جميع التقدمات في القدرة الحاسوبية لتدريب الشبكات العصبية العميقة.
على الرغم من نجاح المشغل العصبي، الذي يستخدم الذكاء الاصطناعي لتعلم مشغل حل معادلات التفاضل الجزئية، أظهرت الأبحاث الأخيرة أن اختناقات حاسوبية لا تزال موجودة عند أداء مهام التحسين والتنبؤ. ذلك يرجع إلى عدم قدرة المشغلات العصبية على تقييم حلول معادلات التفاضل الجزئية التي تعتمد على الشكل الهندسي.
حاليًا، تُطوَّر معظم أطر المشغلات العصبية، كما أشارت الدراسة، على نطاق ذو حدود ثابتة. كما أن وجود تباينات في الشكل يتطلب إعادة تدريب الشبكة العصبية.
لذلك، بهدف معالجة هذه التحديات الحاسوبية، اقترح الباحثون DIMON — تعلم تشغيل الخريطة التشابهية (Diffeomorphic Mapping Operator Learning). لهذا، دمجوا المشغلات العصبية مع خريطة تشابهية بين النطاقات والأشكال.
يلغي النموذج الحاجة إلى إعادة حساب الشبكات مع كل تغيير في الشكل. بهذه الطريقة، يمكن لـ DIMON تسريع المحاكاة وتحسين التصميمات من خلال توقع سلوك العناصر الفيزيائية مثل الحركة والضغط والحرارة عبر أشكال مختلفة بدلاً من تقسيم الأشكال المعقدة إلى عناصر صغيرة.
عمومًا، يتضمن حل هذه المعادلات تقسيم الأشكال المعقدة، مثل الأعضاء البشرية أو أجنحة الطائرات، إلى شبكات أو مشابك مكوّنة من عناصر صغيرة. تُحل المشكلة على كل قطعة بسيطة قبل إعادة تجميعها.
ومع ذلك، إذا تغيرت هذه الأشكال نتيجة لحادث أو تشوه، يجب تحديث الشبكات. وهذا يعني أن الحلول تحتاج إلى إعادة حساب أيضًا، مما يجعل عملية الحوسبة بأكملها مكلفة وبطيئة.
يستخدم DIMON الذكاء الاصطناعي هنا لفهم طريقة عمل الأنظمة الفيزيائية مع أشكال مختلفة. لذا، لا يضطر الباحثون إلى تقسيم الأشكال إلى شبكات وحل المعادلات مرارًا وتكرارًا؛ بل يستخدم الذكاء الاصطناعي الأنماط التي تعلمها لتوقع سلوك العوامل المختلفة، مما يجعل النمذجة للسيناريوهات الخاصة بالأشكال أسرع وأكثر كفاءة.
وفقًا للباحثة المشاركة ناتاليا ترانوفا، أستاذة الهندسة الطبية والطب في جامعة جونز هوبكنز:
“بينما جاء الدافع لتطويره من عملنا الخاص، نعتقد أن هذا الحل سيحدث تأثيرًا هائلًا على مختلف مجالات الهندسة لأنه عام وقابل للتوسع.”
نقطة تحول لتصاميم الهندسة
يوفر الإطار الذكائي الاصطناعي الجديد نهجًا يتيح توقعًا سريعًا لحلول معادلات التفاضل الجزئية عبر نطاقات متعددة. علاوةً على ذلك، يُسهل العديد من التطبيقات اللاحقة باستخدام الذكاء الاصطناعي.
عند الحديث عن قدرات النموذج، أشارت ترانوفا إلى أن DIMON يمكنه أساسًا العمل على أي مشكلة في أي مجال من مجالات العلوم أو الهندسة لحل معادلات التفاضل الجزئية على أشكال متعددة.
يشمل ذلك اختبار التصادم، وتحليل استجابة المركبات الفضائية للبيئات القاسية، وتقييم مقاومة الجسور للضغط، ودراسة انتشار السوائل عبر أشكال مختلفة، وإجراء أبحاث في مجال جراحة العظام، ومعالجة مشكلات معقدة أخرى حيث تتغير المواد والأشكال. يمكن الآن جعل نمذجة جميع هذه السيناريوهات أسرع بفضل الإطار الذكائي الاصطناعي الجديد.
لإظهار قابلية تطبيق النموذج الجديد في حل أنواع أخرى من المشكلات الهندسية، اختبر الفريق DIMON على أكثر من 1,000 توأم رقمي للقلب. تُعد هذه التوائم الرقمية نماذج حاسوبية مفصلة للغاية لقلوب مرضى حقيقيين.
يتم دراسة اضطراب نظم القلب من خلال حل معادلات التفاضل الجزئية. يتسبب هذا الاضطراب في نبضات قلب غير منتظمة بسبب سلوك غير صحيح للنبضة الكهربائية. تمكّن التوائم الرقمية للقلوب الباحثين من تحديد ما إذا كان المرضى قد يصابون بهذه الحالة، التي غالبًا ما تكون مميتة، ثم توصي بطرق علاجية.
وُجد أن الإطار الذكائي الاصطناعي الجديد ناجح في توقع كيفية انتقال الإشارات الكهربائية عبر كل شكل قلب فريد بدقة عالية دون الحاجة إلى إجراء محاكاة عددية مكلفة.
ترانوفا، مديرة تحالف جونز هوبكنز للتشخيص والعلاج القلبي الوعائي، تطبق نهجًا قائمًا على البيانات، ونمذجة حاسوبية، وابتكارات في تصوير القلب لتشخيص وعلاج أمراض القلب والأوعية الدموية. هم يواصلون تقديم تقنيات جديدة إلى العيادة.
ومع ذلك، أشارت إلى أن حلولهم لا تزال بطيئة حيث يستغرقون حوالي أسبوع لمسح قلب المريض وحل معادلات التفاضل الجزئية لتوقع ما إذا كان المريض معرضًا لخطر الموت القلبي المفاجئ ثم تقديم أفضل خطة علاج.
لكن هذا يتغير بشكل جذري مع نموذجهم الأخير.
«مع هذا النهج الجديد للذكاء الاصطناعي، السرعة التي يمكننا الحصول فيها على حل لا تصدق».
– ترانوفا
الوقت الذي يستغرقه إجراء التنبؤ بـ توأم القلب الرقمي تم تقليصه من عدة ساعات إلى نصف دقيقة فقط (30 ثانية). وهذا ليس كل شيء؛ لا يتطلب حساب ذلك حتى حاسوبًا فائقًا. بل يتم كل ذلك على حاسوب مكتبي، وهو ما قالت ترانوفا إنه سيسمح لهم «جعلها جزءًا من سير العمل السريري اليومي».
تجعل مرونة التقنية منها مثالية للسيناريوهات التي يتطلب فيها حل معادلات التفاضل الجزئية على أشكال جديدة بشكل متكرر.
«لكل مشكلة، يقوم DIMON أولاً بحل معادلات التفاضل الجزئية على شكل واحد ثم يطبع الحل على أشكال جديدة متعددة. تُظهر هذه القدرة على التحول بين الأشكال مرونتها الهائلة. نحن متحمسون جدًا لاستخدامه في العديد من المشكلات وكذلك لتوفيره للمجتمع الأوسع لتسريع حلول التصميم الهندسي لديهم.»
– مينغلانغ يين، زميل ما بعد الدكتوراه في الهندسة الطبية الحيوية بجامعة جونز هوبكنز، الذي طور المنصة
الشركات التي تدفع الذكاء الاصطناعي إلى الأمام
الآن، دعونا نلقي نظرة على الشركات التي تساعد في رفع ثورة التكنولوجيا للذكاء الاصطناعي إلى آفاق جديدة.
1. NVIDIA Corporation (NVDA )
مُزود رائد لوحدات معالجة الرسوميات (GPU)، تُعد Nvidia الشركة العالمية الثانية من حيث القيمة السوقية، حيث تبلغ قيمتها السوقية 3.28 تريليون دولار. في وقت كتابة هذا المقال، تُتداول أسهمها عند 133.91 دولار، بارتفاع هائل قدره 171.9٪ منذ بداية العام (YTD)، مع ربحية السهم (EPS) (TTM) بقيمة 2.54، نسبة السعر إلى الأرباح (P/E) (TTM) 52.90، وعائد حقوق الملكية (ROE) (TTM) 127.21٪، مع عائد توزيعات بنسبة 0.03٪.
(NVDA
)
تُعد حلول الشركة من الأجهزة والبرمجيات أساسية لتطبيقات التعلم العميق والمحاكاة الهندسية، وتلعب دورًا مهمًا في دفع ثورة الذكاء الاصطناعي إلى الأمام.
مدفوعةً بالجنون حول الذكاء الاصطناعي، أعلنت Nvidia عن إيرادات تجاوزت 35 مليار دولار للربع الثالث المنتهي في 27 أكتوبر 2024، وهو زيادة بنسبة 17٪ عن الربع السابق وزيادة هائلة قدرها 94٪ عن العام السابق.
«عصر الذكاء الاصطناعي في أوجه، يدفع تحولًا عالميًا نحو حوسبة NVIDIA»، قال الرئيس التنفيذي والمؤسس جنسن هوانغ، مشيرًا إلى أن الذكاء الاصطناعي لا يغيّر فقط الشركات والصناعات بل أيضًا الدول التي «استفاقت إلى أهمية تطوير الذكاء الاصطناعي الوطني والبنية التحتية».
2. Microsoft Corporation (MSFT )
بقيمة سوقية تبلغ 3.32 تريليون دولار، تحتل Microsoft مكانة واحدة من بين أكبر ثلاث شركات في العالم من حيث القيمة السوقية. تُتداول أسهمها، في وقت كتابة هذا المقال، عند 447.24 دولار، بزيادة تقارب 19٪ منذ بداية العام. وهذا يضع ربحية السهم (EPS) (TTM) عند 12.11، نسبة السعر إلى الأرباح (P/E) (TTM) عند 36.92، وعائد حقوق الملكية (ROE) (TTM) عند 35.60٪. بينما يبلغ عائد توزيعات Microsoft 0.74٪.
(MSFT
)
أكبر مشاركة لشركة Microsoft في مجال الذكاء الاصطناعي هي من خلال OpenAI، التي استثمرت فيها أكثر من 13 مليار دولار. بالإضافة إلى شراكتها مع OpenAI، التي تم تقييمها مؤخرًا بـ 150 مليار دولار، تستثمر Microsoft أيضًا بشكل كبير في أبحاث الذكاء الاصطناعي، وحلول السحابة، وتطبيقات الهندسة والحوسبة العلمية.
في الفترة بين يوليو وسبتمبر، أعلنت الشركة عن مبيعات بقيمة 65.6 مليار دولار، بزيادة 16٪ عن العام السابق، بينما ارتفعت أرباحها بنسبة 11٪ لتصل إلى 24.7 مليار دولار. وقد دفعت هذا النمو الطلب المستمر «أن يكون أعلى من طاقتنا المتاحة»، وفقًا لرئيس المالية في Microsoft.
3. ANSYS, Inc. (ANSS )
تتخصص هذه الشركة في برامج محاكاة الهندسة لحل المشكلات المعقدة. تُستخدم خدمات الشركة من قبل الطلاب والباحثين والمصممين والمهندسين، وتدمج الذكاء الاصطناعي بشكل متزايد لتعزيز الكفاءة.
بقيمة سوقية تبلغ 29.75 مليار دولار، تُتداول أسهم Ansys حاليًا عند 339.51 دولار، بانخفاض قدره 6.24٪ هذا العام. هذا يضع ربحية السهم (EPS) (TTM) عند 6.47، نسبة السعر إلى الأرباح (P/E) (TTM) عند 52.55، وعائد حقوق الملكية (ROE) (TTM) عند 10.48٪.
(ANSS
)
في الربع الثالث من عام 2024، أعلنت Ansys عن إيرادات بقيمة 601.9 مليون دولار، بزيادة 31٪ عن الربع الثالث من العام السابق، بينما بلغت قيمة العقود السنوية (ACV) 540.5 مليون دولار. تم الإبلاغ عن هامش ربح تشغيلي وفقًا لمبادئ GAAP بنسبة 26.8٪، بينما كان هامش الربح التشغيلي غير GAAP 45.8٪. بلغت التدفقات النقدية التشغيلية للفترة 174.2 مليون دولار، بينما كان الإيراد المؤجل والطلبات المتأخرة 1,463.8 مليون دولار.
الخلاصة
يتقدم الذكاء الاصطناعي بسرعة، وتُعد إدخال أطر الذكاء الاصطناعي الجديدة مثل DIMON خطوة ثورية في حل المشكلات الهندسية المعقدة مع تقليل الوقت والتكاليف الحاسوبية بشكل كبير. بهذه الطريقة، لا يسرّع الاختراق فقط عمليات التصميم الهندسي بل يوسع أيضًا تطبيقات الذكاء الاصطناعي عبر مجالات متنوعة.
مع استمرار الباحثين، إلى جانب شركات مثل Nvidia، في تحقيق اكتشافات كبيرة، وبناء نماذج قوية، وتطوير التقنيات، ينمو احتمال دمج الذكاء الاصطناعي في سير العمل اليومي بصورة أسية، مما يشير إلى عصر جديد حيث يدفع الذكاء الاصطناعي الكفاءة والابتكار إلى مستويات غير مسبوقة!
انقر هنا لتتعرف على كل ما يتعلق بالاستثمار في الذكاء الاصطناعي.
