یکی از برکات معلمی این است که دانشجویان قبلی را میبینی که در جاهای مختلف و موقعیت های گوناگون مشغول به کار و فعالیت شده اند. انگار که آدم یک خانواده بزرگ دارد که همه جا گسترده شده اند.
چند روز پیش یکی از دانشجویان سابقم با من تماس گرفته بود. از آنجاییکه ایشان هم در موقعیت تحصیلی جدیدشان، کار با هوش مصنوعی را شروع کرده اند، صحبت‌مان خیلی زود به موضوع دوره‌ی آموزشی PINN معکوس رسید که این روزها در حال برگزاری‌اش هستم. پرسید که این مسئله‌ی معکوس که PINN قرار است حل کند دقیقاً یعنی چه؟ چرا باید PINN معکوس را یاد بگیریم؟ راستش را بخواهید این سوال را قبل تر هم از بچه ها شنیده بودم. از این بابت گمان کردم سوال خیلی ها باشد و تصمیم گرفتم به بهانه‌ی این گفت‌وگو، این پست را بنویسم تا خیلی ساده و خودمانی توضیح دهم چرا Inverse PINN یکی از جذاب‌ترین مباحثی است که می‌توان در دنیای مدل‌سازی یاد گرفت.
فرض کنید یک سازه در حال ارتعاش دارید. با زحمت زیاد، معادله‌ی ارتعاش آن را نوشته‌اید: جرم در شتاب، به علاوه میرایی در سرعت، به اضافه سختی در تغییرمکان! همان معادله‌ی معروف دینامیک سازه‌ها! اما یک مشکل وجود دارد! شما میرایی دقیق سازه را نمی‌دانید. حالا چه کار می‌شود کرد؟ چطور می‌توان معادله‌ای را حل کرد که بخشی از آن نامعلوم است؟ یا مثلا به عنوان مثالی دیگر، فرض کنید در حال بررسی جریان یک سیال هستید. می‌دانید که این جریان از معادلات ناویر استوکس پیروی می‌کند، اما از شرایط اولیه یا مرزی‌اش خبر ندارید. نمی‌دانید سرعت در لحظه‌ی شروع چقدر بوده یا فشار در دیواره‌ها چه وضعیتی داشته است. در چنین حالتی، چطور می‌توان حرکت سیال را درست پیش‌بینی کرد وقتی بخشی از واقعیت پنهان مانده است؟
اینجاست که Inverse PINN به کمک ما می‌آید، روشی فوق العاده که مرز بین فیزیک، داده و هوش مصنوعی را از نو تعریف می‌کند. در روش‌های کلاسیک، ما همه‌چیز را درباره‌ی معادله می‌دانیم و به دنبال پاسخ می‌گردیم. اما در Inverse PINN ما پاسخ را داریم، و به دنبال آنچه نمی‌دانیم می‌گردیم. شبکه‌ی عصبی، با تکیه بر قوانین فیزیکی، می‌آموزد که پارامترهای ناشناخته، مثل میرایی، چگالی، نفوذپذیری یا حتی شرایط مرزی پنهان را از دل داده‌های محدود و پراکنده، بازسازی کند. در واقع، Inverse PINN یعنی توانایی حل معادله‌ای که کامل نیست، اما فیزیک آن را می‌شناسیم. انگار که یادگیری ماشین از سطح داده‌ها فراتر می‌رود و وارد قلمرو درک فیزیکی پدیده‌ها می‌شود.
به باور من، آینده‌ی مدل‌سازی مهندسی در دانستن همه‌چیز نیست، بلکه در یادگیری هوشمندانه از نادانسته‌هاست. درست در همین نقطه است که Inverse PINN پدیدآمده است، جایی که فیزیک، داده و شهود، در کنار هم به فهمی تازه از جهان منجر می‌شوند.