كيف يحدد مهندسو المحاكاة عدد التجارب اللازمة لتدريب نموذج تعلم آلي؟

لا يحدد عدد متغيرات التصميم وحده حجم البيانات اللازمة لتدريب نموذج تعلم آلي يتنبأ بنتائج محاكاة الهندسة بمساعدة الحاسوب (CAE). ووفق مادة نشرتها Semiconductor Engineering في 3 سبتمبر 2026، فإن العامل الأهم هو طبيعة الاستجابة التي يحاول النموذج تعلمها: فالاستجابات المستمرة والناعمة أسهل في التنبؤ من النتائج التي تتغير عند عبور عتبة أو تتضمن إشارات سريعة التذبذب.

تستند المادة إلى أربع دراسات لتصادمات المركبات. وفي هذا النوع من سير العمل، تمثل كل تجربة تصميم تشغيل محاكاة تصادم كاملة وصريحة، ما يجعل بناء مجموعة التدريب الجزء الأعلى كلفة قبل الوصول إلى نموذج قادر على تقييم تصميمات جديدة خلال ثوانٍ بدلاً من ساعات.

عدد المتغيرات ليس مقياساً كافياً

تظهر المقارنة بين دراستين أن حجم مجموعة البيانات لا يتناسب مباشرة مع عدد متغيرات التصميم. فقد احتاجت دراسة هيكل العتبة الجانبية لمركبة كهربائية إلى أربعة أضعاف عدد التجارب المطلوبة في دراسة سلامة الركاب المؤلفة من 25 تجربة، رغم أن الدراسة الأولى استخدمت تمثيلاً أبسط شمل سُمكي لوحين وموقع أحدهما، بينما غيّرت دراسة الركاب متغيرات عدة في نظام التقييد، مثل احتكاك الدمية بحزام الأمان، ووقت مستشعر الحزام، وموضع حلقة الانزلاق.

كما لم تجد المادة علاقة مباشرة بين حجم النموذج أو شدة حالة التحميل وعدد التجارب المطلوبة. والعامل الفاصل ظهر عند تدريب متنبئين من مجموعة واحدة مؤلفة من 100 تجربة وباستخدام متغيرات التصميم الثلاثة نفسها. فقد حقق التنبؤ بكتلة هيكل العتبة درجة قدرة تنبؤية بلغت 0.98، في حين بلغت الدرجة 0.64 عند التنبؤ بعدد خلايا البطارية المتضررة.

طبيعة الاستجابة تحدد صعوبة التعلم

تفسير هذا الفارق مرتبط بالفيزياء. فالكتلة استجابة ناعمة وشبه رتيبة تتأثر بسُمك اللوح، بينما يمثل عدد الخلايا المتضررة قيمة صحيحة ناتجة عن تجاوز عتبة إجهاد محددة تؤدي إلى حدوث قصر داخلي. وقد يؤدي تغير هندسي صغير إلى نقل خلية من حالة عدم الضرر إلى حالة الضرر، أو لا يؤدي إلى ذلك، ما يفرض على النموذج تعلم مواقع حدود كثيرة ومنفصلة.

تكرر النمط في دراسة تصادم أمامي مؤلفة من 60 تجربة. فكانت أخطاء التنبؤ بمواضع التوغل، مقارنة بتحليل العناصر المحددة (FE)، بين 0.9% و12.6%، بينما وصلت أخطاء توقع التسارعات عند نقاط تثبيت المقعد إلى 16.8%. وتربط المادة ذلك بكون التوغل إزاحة أكثر نعومة، في حين أن التسارع مشتق ثانٍ للإزاحة ويحتوي على مكونات عالية التردد.

المخرجات الغنية لا تعني دائماً بيانات أكثر

تقدم الدراسة الأمامية نتيجة أخرى قد تبدو غير بديهية. فقد احتاجت المتنبئات الخاصة بالقيم الأساسية إلى التجارب الستين كلها، لكن متنبئات المنحنيات ثنائية الأبعاد ونتائج الحقول ثلاثية الأبعاد دُرّبت على 20 تجربة فقط. وتشمل هذه الحقول الإزاحة والانفعال اللدن عند ثلاث نقاط تكامل عبر السمك وفي كل خطوة زمنية.

التفسير المحتمل الذي تذكره المادة هو أن التجربة الواحدة تمنح متنبئ الحقل كمية أكبر بكثير من بيانات التدريب مقارنة بمتنبئ يتعامل مع قيمة عددية واحدة. فالتجربة تقدم رقماً واحداً لأقصى توغل عند موضع القدم، لكنها تقدم في الوقت نفسه حقلاً مكانياً مترابطاً عبر النموذج وفي جميع اللحظات الزمنية.

ما الذي يتغير عملياً في تخطيط التجارب؟

القاعدة العملية المقترحة هي تصميم حملة المحاكاة وفق الاستجابة الأقل سلاسة، لا وفق أكثر أشكال المخرجات تعقيداً. وقبل الالتزام بكل ميزانية الحل، توصي المادة ببدء مرحلة تجريبية وتحليل البيانات الأولية.

• فحص مصفوفة الارتباط ومخططات التبعثر لمعرفة المتغيرات التي تحرك كل استجابة.
• استخدام درجة القدرة التنبؤية، التي ترصد العلاقات الخطية وغير الخطية على مقياس من 0 إلى 1، لتقدير صعوبة الاستجابة قبل تدريب متنبئ كامل.
• قراءة منحنى التعلم الذي يربط حجم البيانات بالدقة، لمعرفة ما إذا كانت إضافة 20 تجربة أخرى ستفيد أم أن الأداء وصل إلى مرحلة استقرار.
• ربط كل توقع بحدود خطئه؛ فإذا خرج التوقع عن الحدود المبلغ عنها أو عن نطاق الثقة الخاص به، ينبغي التعامل معه كإشارة إلى إجراء حل جديد لا كإجابة موثوقة.
• استخدام خرائط أهمية متغيرات التصميم لتقليل الإنفاق على المتغيرات ضعيفة التأثير وإعادة توجيه التجارب نحو المتغيرات المؤثرة.

توضح المادة أن الفرق بين حملة من 25 تجربة وأخرى من 100 تجربة قد يعني أربعة أضعاف وقت الحل الصريح وعدد الأيام التقويمية. وفي المقابل، يؤدي تقليص البيانات أكثر من اللازم إلى فشل التحقق وفقدان الثقة في المنهج، بينما يؤدي تضخيمها إلى دفع تكلفة تجارب كان منحنى التعلم سيكشف عدم ضرورتها.

وفي مثال تطبيقي، استُخدمت المتنبئات كنماذج لسطح الاستجابة لقيادة تحسين بخوارزمية التلدين المحاكى عبر 500 تكرار خلال بضع دقائق، إذ استغرق توقع معايير الإصابة ثوانٍ بدلاً من تشغيل محاكاة كاملة لكل تكرار.

قراءة certi.news

القيمة الأساسية هنا ليست وعداً بأن نماذج التعلم الآلي ستلغي المحاكاة، بل أنها تقدم معياراً أفضل لتوزيع ميزانية التجارب: صعوبة الهدف الفيزيائي أهم من عدد المدخلات أو ثراء المخرج. لكن النتائج الواردة تأتي من مادة مدونة برعاية، وتعرض دراسات محددة من دون تفاصيل المنهجية الكاملة داخل النص المتاح؛ لذلك ينبغي اعتبار قواعد اختيار حجم البيانات نقطة بدء للتجربة والتحقق، لا بديلاً عن التحقق الهندسي المستقل أو عن حل الحالات التي تقع خارج حدود الثقة.