هوش مصنوعی یاد می‌گیرد که با «مهندسی معکوس»، نیروهای پنهان طبیعت را آشکار کند!

مهندسان دانشگاه پنسیلوانیا تکنیک جدیدی مبتنی بر هوش مصنوعی توسعه داده‌اند که می‌تواند به دانشمندان در حل برخی از دشوارترین مسائل ریاضی که برای مطالعه جهان طبیعی به کار می‌روند، کمک کند.

این روش که «لایه های نرم‌کننده» (Mollifier Layers) نامیده می‌شود، برای کار با معادلات دیفرانسیل با مشتقات جزئیِ معکوس (Inverse PDEs) طراحی شده است؛ دسته‌ای از معادلات که به پژوهشگران اجازه می‌دهد از روی الگوهای قابل مشاهده، به عقب (معکوس) حرکت کرده و فرآیندهای پنهانی را که باعث ایجاد آن الگوها شده‌اند، کشف کنند. این مسائل در حوزه‌های مختلفی، از ژنتیک و علم مواد گرفته تا پیش‌بینی وضع هوا، کاربرد دارند.

ویوک شنوی، استاد برجسته مهندسی و علم مواد در دانشگاه پنسیلوانیا و نویسنده ارشد این مطالعه که در ژورنال TMLR منتشر شده و قرار است در کنفرانس NeurIPS 2026 ارائه شود، می‌گوید:

حل یک مسئله معکوس مانند نگاه کردن به موج‌های روی یک برکه و حرکت به عقب برای فهمیدن محل پرتاب سنگ است. شما اثرات را به وضوح می‌بینید، اما چالش اصلی، استنتاج آن علتِ پنهان است.

پژوهشگران به جای تکیه بر سیستم‌های هوش مصنوعی بزرگ‌تر و پرمصرف‌تر، تمرکز خود را بر بهبود ریاضیاتِ پشت این فرآیند گذاشتند.

وینایاک وینایاک، دانشجوی دکتری و نویسنده همکار این مطالعه، می‌گوید:

هوش مصنوعی مدرن اغلب با افزایش مقیاس محاسبات پیشرفت می‌کند؛ اما برخی چالش‌های علمی به ریاضیات بهتر نیاز دارند، نه فقط سخت‌افزار قوی‌تر.

چرا حل معادلات معکوس (Inverse PDEs) تا این حد دشوار است؟

معادلات دیفرانسیل به دانشمندان کمک می‌کنند تا چگونگی تغییر پدیده‌ها در طول زمان را توصیف کنند؛ از رشد جمعیت و واکنش‌های شیمیایی گرفته تا انتقال حرارت. اما معادلات دیفرانسیل با مشتقات جزئی (PDEs) یک گام فراتر رفته و تغییرات را هم در زمان و هم در مکان توصیف می‌کنند.

حل معکوس این معادلات (Inverse PDEs) بسیار چالش‌برانگیز است؛ زیرا فرآیند معمول را برعکس می‌کند. دانشمندان به جای شروع با قوانین شناخته‌شده برای پیش‌بینی نتایج، با داده‌های مشاهده‌شده شروع می‌کنند و سعی می‌کنند پویایی‌های پنهانی را که مسئول ایجاد آن‌هاست، کشف کنند.

روشی نوین برای مدیریت معادلات پیچیده در هوش مصنوعی

هسته اصلی این چالش، «مشتق‌گیری» است؛ فرآیندی ریاضی برای اندازه‌گیری تغییرات. اکثر سیستم‌های هوش مصنوعی برای حل این معادلات از روشی به نام «مشتق‌گیری خودکار بازگشتی» استفاده می‌کنند. اما این روش هنگام برخورد با داده‌های دارای نویز (اختلال) یا سیستم‌های مرتبه بالا، ناپایدار می‌شود و توان محاسباتی عظیمی مصرف می‌کند.

تیم تحقیق دریافت که آن‌ها به راهی برای «صاف و نرم کردن» داده‌ها پیش از اندازه‌گیری تغییرات نیاز دارند. راه حل آن‌ها الهام‌گرفته از «نرم‌کننده‌ها» (Mollifiers) بود؛ ابزارهای ریاضی که اولین بار در دهه ۱۹۴۰ توسط ریاضیدان آلمانی-آمریکایی، «کورت اتو فریدریشس»، معرفی شدند.

با تطبیق این ایده برای هوش مصنوعی، آن‌ها «لایه نرم‌کننده»‌ای ایجاد کردند که سیگنال‌ها را پیش از محاسبه مشتقات توسط سیستم، صاف می‌کند. این کار به طرز چشمگیری نویز را کاهش و کارایی محاسباتی را افزایش داد.

درک DNA و بیماری‌ها

یکی از اولین کاربردهای این روش جدید در مطالعه «کروماتین» است (ساختار فشرده‌ای از DNA و پروتئین‌ها در سلول که دسترسی به اطلاعات ژنتیکی را کنترل می‌کند).

آزمایشگاه دکتر شنوی حوزه‌های کوچک کروماتین را مطالعه می‌کند که تنها ۱۰۰ نانومتر ابعاد دارند، اما نقش حیاتی در سلامت، پیری و بیماری‌ها ایفا می‌کنند. این چارچوب جدید هوش مصنوعی می‌تواند به دانشمندان کمک کند تا نرخ واکنش‌های اپی‌ژنتیک را استنتاج کنند و بفهمند کروماتین چگونه در طول زمان تکامل یافته و بر بیان ژن‌ها تأثیر می‌گذارد.

کاربردهایی فراتر از زیست‌شناسی

پژوهشگران معتقدند «لایه‌های نرم‌کننده» در بسیاری از حوزه‌های دیگر از جمله مکانیک سیالات و یادگیری ماشین علمی (Scientific ML) که با داده‌های پر از نویز سر و کار دارند، کاربردی خواهند بود.

دکتر شنوی در پایان می‌گوید:

هدف نهایی این است که از مشاهده الگوهای پیچیده به سمت کشف کمیِ قوانینی برویم که آن‌ها را تولید می‌کنند. اگر قوانینی که بر یک سیستم حاکم است را درک کنید، آنگاه امکان تغییر دادن آن را خواهید داشت.

منبع: Scitechdaily