جدول المحتويات
تحسين التركيبات بالذكاء الاصطناعي حلقة متكررة: تُحوَّل المواصفات إلى أهداف قابلة للقياس، وتُحدَّد الوصفات المسموح بها، ويُدرَّب نموذج على نتائج المختبر السابقة، ثم يقترح مُحسِّن دفعة صغيرة من الوصفات، فتُختبر وتُعاد نتائجها إلى النموذج. كل جولة تحسّن النموذج، ونتيجة المختبر وحدها تؤكد مطابقة الوصفة للمواصفات.
أهم النقاط
- معظم العمل يسبق أي نموذج: مواصفات مُعبَّر عنها بالأرقام، ومجال تصميم بقيوده، وسجل مخبري نظيف.
- مجموع نسب مكونات الخليط يساوي واحدًا، فتغيير مكوّن يغيّر المكونات الأخرى. ويجب أن يحترم النموذج والمُحسِّن ذلك معًا (NIST/SEMATECH).
- استخدموا نموذجًا يعطي درجة عدم اليقين في تنبؤاته، واختبروه على عائلات وصفات لم يرها، لا على تقسيم عشوائي.
- يمكن دمج عدة أهداف في مؤشر رغبة (desirability) واحد أو إبقاؤها منفصلة على شكل مجموعة من الموازنات. أما الكلفة وغيرها من القيم المشتقة من الوصفة فيجب أن تُحسب لا أن يُتنبأ بها.
- اتفقوا على قاعدة التوقف مسبقًا، وعاملوا كل تنبؤ على أنه فرضية حتى يؤكدها المختبر.
ماذا يشمل تحسين التركيبات بالذكاء الاصطناعي؟
يشرح دليلنا حول المختبر الافتراضي المكونات الأساسية: نموذج بديل (surrogate model) يتنبأ بنتائج الاختبار انطلاقًا من الوصفة، ومُحسِّن يختار التجارب التالية، وسجل لكل تجربة. ويقارن مقال تصميم التجارب مقابل التحسين البايزي بين الخطط الثابتة والخطط المتتابعة. أما هذا المقال فيتناول ترتيب العمل في مشروع فعلي.
يناسب هذا النهج الاختبارات البطيئة أو المكلفة. إذ يصف الدليل التعليمي لـ Peter Frazier التحسين البايزي بأنه مصمَّم لدوال هدف يستغرق تقييمها دقائق أو ساعات، ويتحمل الضجيج في النتائج، وأنسب ما يكون للمسائل المتصلة التي تقل عن 20 بُعدًا. فثمانية مكونات وإعدادان للعملية يدخلان في هذا الإطار، أما خمسون مادة أولية مرشحة فيجب تقليصها أولًا.
الخطوة 1: كيف تُحوَّل مواصفات المنتج إلى أرقام؟
لا يستطيع المُحسِّن العمل انطلاقًا من عبارة «ينظّف جيدًا ويبقى مستقرًا». فكل هدف يحتاج إلى طريقة اختبار ووحدة قياس ونطاق مقبول. صنّفوا كل هدف قبل لمس أي بيانات:
| نوع الهدف | مثال من سوائل الحفر | مثال من المنظفات | كيف يتعامل معه المُحسِّن |
|---|---|---|---|
| بلوغ نطاق محدد | الخواص الريولوجية ضمن النطاق المحدد لمقطع البئر | اللزوجة ضمن نطاق خط التعبئة | الهدف الاسمي هو الأفضل |
| التعظيم | نسبة استرجاع الطَّفل (shale recovery) في اختبار التثبيط | قوة التنظيف | تعظيم |
| التقليل | فقد السائل (fluid loss) | كلفة المواد الأولية | تقليل |
| مطابق أو غير مطابق | الاستقرار بعد التعتيق في درجة حرارة مرتفعة | عدم انفصال الطور بعد التخزين | قيد، أو مصنِّف منفصل |
تتوافق الأنواع الثلاثة الأولى مع الأشكال الثلاثة لنهج دالة الرغبة في NIST/SEMATECH e-Handbook. أما نتائج «مطابق أو غير مطابق» فتُعالج بطريقة مختلفة: فقد ربط Cao وزملاؤه مصنِّفًا بمُحسِّن متعدد الأهداف بحيث تُحسَّن المخرجات المنفصلة والمتصلة معًا في منتج سائل مُركَّب. ودوّنوا كذلك القواعد الإلزامية: المكونات المحظورة، والحدود التنظيمية، والكلفة القصوى.
الخطوة 2: كيف يُحدَّد مجال التصميم وقيوده؟
مجال التصميم هو كل وصفة يُسمح للمُحسِّن باقتراحها. حدّدوه مع خبراء التركيبات، لا انطلاقًا من البيانات وحدها. وتحمل التركيبات قيدًا لا تعرفه معظم مسائل التحسين: يجب أن يكون مجموع النسب واحدًا. ويشير دليل NIST/SEMATECH إلى أن الحدود الدنيا للمكونات تُبقي المنطقة الممكنة على شكل سمبلكس (simplex)، ويوصي بإعادة التحجيم إلى مكونات زائفة (pseudo-components) لأن مناطق الخلائط المقيّدة تميل إلى إظهار تعدد خطي مرتفع.
| القيد | مثال | كيف يُرمَّز |
|---|---|---|
| مجموع النسب 100% | جميع مكونات منظف سائل | قيد مساواة، أو مكوّن مكمّل يُحسب من المكونات الأخرى |
| حد أدنى وحد أقصى لكل مكوّن | مادة مكثّفة مسموح بها ضمن نطاق محدد فقط | حدود على ذلك المتغير؛ ومكونات زائفة للنموذج |
| نسبة بين مكونين | نسبة الماء إلى المادة الرابطة في خلطة إسمنتية | قيد متباينة خطي |
| اختيار بين خيارات | طين أي مورّد، أو أي مادة خافضة للتوتر السطحي | متغير فئوي، أو يُثبَّت في كل دراسة |
| سقف للكلفة | الكلفة القصوى للمواد الأولية للطن | قيد خطي يُحسب من قائمة الأسعار |
| مكوّن محظور أو مقيّد | مادة يستبعدها عميل أو تنظيم | حذفه من مجال التصميم |
تختلف الأدوات فيما تقبله. فالدالة optimize_acqf في BoTorch تقبل قيود المتباينة والمساواة الخطية. وإذا كانت الأداة لا تدعم قيود المساواة، فإن أسلوب المكوّن المكمّل في الجدول أعلاه يتجنب المشكلة.
الخيارات الفئوية أصعب من الجرعات. ومن الحلول وصف كل خيار بخواص مُقاسة: فقد بيّنت دراسة Gryffin أن الواصفات الفيزيائية الكيميائية يمكن أن تسرّع بشكل ملموس البحث بين خيارات مثل المحفزات أو المذيبات. والبداية الأبسط هي تثبيت الخيار، وتحسين الجرعات، ثم مقارنة الخيارات.
الخطوة 3: كيف يُجهَّز السجل المخبري؟
يسرد دليلنا حول المختبر الافتراضي السجلات الواجب جمعها. ويعني تجهيزها للنموذج ما يلي:
- أساس واحد لكل الوصفات. تحويل الغرامات لكل دفعة أو الكيلوغرامات لكل متر مكعب أو الأجزاء من المئة إلى أساس واحد، مثل الكسر الكتلي في المنتج النهائي.
- سطر واحد لكل اختبار. الاحتفاظ بنتائج التكرارات في أسطر منفصلة لا كمتوسطات، ليتمكن النموذج من تقدير ضجيج الاختبار.
- طريقة الاختبار مع كل نتيجة. وسم النتائج الناتجة عن طريقة قديمة أو معدّلة، والاتفاق مع المختبر على مدى قابليتها للمقارنة.
- إدراج الإخفاقات. الوصفات التي انفصلت أو تهلّمت أو لم تبلغ المواصفات تُري النموذج أين تقع الحدود.
- وسم العائلة. ربط كل وصفة بمشروعها أو بوصفتها الأساسية. وتستخدم الخطوة 5 هذا الوسم.
الخطوة 4: متى نحتاج إلى تجارب جديدة قبل النمذجة؟
إذا كان السجل التاريخي ضئيلًا أو متركزًا حول وصفة مرجعية واحدة، فلن يستطيع النموذج تعلّم أثر متغيرات لم تتغير قط. أجروا أولًا مجموعة أولية صغيرة من التجارب.
بالنسبة إلى الخلائط التي لا يقيّدها إلا شرط المجموع، يصف دليل NIST/SEMATECH تصاميم الشبكة السمبلكسية (simplex-lattice) والسمبلكس المركزي (simplex-centroid). وعندما تكون للمكونات حدودها الدنيا والعليا الخاصة، يحيل إلى تصاميم مقيّدة مثل تصاميم الرؤوس القصوى أو التصاميم D-المثلى. أما إعدادات العملية مثل درجة الحرارة أو مدة الخلط، فالعيّنات المالئة للفضاء (space-filling) خيار شائع. إذ يقسّم أسلوب المكعب الفائق اللاتيني (Latin hypercube) نطاق كل متغير إلى فترات متساوية ويضع نقطة واحدة بالضبط في كل منها. وهو لا يحترم قيد المجموع بمفرده، لذا تُسحب العينات للمكونات الحرة ويُحسب المكوّن المكمّل.
أدرجوا تكرارين أو ثلاثة لوصفتكم المرجعية الحالية. فتشتت نتائجها يعطي قابلية تكرار الاختبار (repeatability)، التي تحتاجونها في الخطوتين 5 و8.
الخطوة 5: كيف يُبنى النموذج ويُتحقق منه؟
ابدؤوا بنموذج مرجعي بسيط. ففي الخلائط، لا يحتوي كثير الحدود القانوني الوارد في الدليل على حد ثابت لأن مجموع المكونات واحد، ويضيف شكله التربيعي حدًّا تقاطعيًا لكل زوج من المكونات. وإذا لم يتفوق نموذج أعقد عليه في البيانات المستبعدة من التدريب، فاحتفظوا بكثير الحدود.
العملية الغاوسية (Gaussian process) هي الخطوة التالية المعتادة. وتذكر وثائق scikit-learn أنها تعطي متوسطًا وانحرافًا معياريًا لكل تنبؤ، وأن حد WhiteKernel يمكنه تقدير مستوى الضجيج من البيانات، وأن الطريقة تفقد كفاءتها عندما يتجاوز عدد المتغيرات بضع عشرات. ويمكن أن يكون الزمن مُدخلًا أيضًا: ففي دراسة حول الخرسانة، نمذج Ament وزملاؤه المقاومة بدلالة التركيب ولوغاريتم زمن المعالجة معًا.
تحققوا بعناية. فالتقسيم العشوائي يضع نسخًا شبه متطابقة من الوصفة الأساسية نفسها في بيانات التدريب والاختبار معًا، فيبدو الخطأ أصغر مما هو عليه. استخدموا وسم العائلة من الخطوة 3 مع تحقق متقاطع قائم على المجموعات: فمع GroupKFold في scikit-learn، تظهر كل مجموعة مرة واحدة بالضبط في مجموعة الاختبار عبر جميع الطيّات. ثم قارنوا خطأ التنبؤ بقابلية تكرار الاختبار المقيسة في الخطوة 4؛ إذ لا يمكن إثبات أن النموذج أدق من الاختبار نفسه.
الخطوة 6: كيف نتعامل مع عدة أهداف في آن واحد؟
هناك نهجان شائعان.
| مؤشر الرغبة | مجموعة الموازنات (جبهة باريتو) | |
|---|---|---|
| الفكرة | تحويل كل نتيجة إلى درجة بين 0 و1 ودمج الدرجات بمتوسط هندسي | إبقاء الأهداف منفصلة وإيجاد الوصفات التي لا يتحسن فيها هدف دون أن يسوء هدف آخر |
| النتيجة | وصفة واحدة في المرتبة الأولى | مجموعة من الخيارات للاختيار بينها |
| يناسب | مواصفات ثابتة بأولويات متفق عليها | موازنات تمثل قرارًا تجاريًا، مثل الكلفة مقابل الأداء |
| ما يجب الانتباه إليه | الحدود والأوزان تحدد الإجابة؛ ودرجة صفرية واحدة تجعل المجموع صفرًا | قد يتطلب رسم الموازنات مزيدًا من التجارب |
يعود نهج دالة الرغبة إلى Derringer وSuich (1980)، ويشرح الدليل كيف أن استجابة واحدة غير مقبولة تجعل المؤشر الكلي صفرًا. أما للموازنات، فتوفر BoTorch دوال اكتساب متعددة الأهداف مثل qLogNEHVI تبحث عن جبهة باريتو.
بعض الأهداف لا ينبغي نمذجتها أصلًا. فكلفة المواد الأولية ونسبة المادة الفعالة والبصمة الكربونية عمليات حسابية على الوصفة. ففي دراسة الخرسانة، حُسبت إمكانية الاحترار العالمي بوصفها دالة خطية حتمية في مكونات الخلطة، ولم يُتعلَّم من الاختبارات إلا المقاومة؛ ويذكر المؤلفون أن الدفعات التي اقترحها الذكاء الاصطناعي دفعت الموازنة المقيسة إلى الخارج. لا تطلبوا أبدًا من نموذج أن يتعلم ما يستطيع جدول بيانات حسابه.
الخطوة 7: كيف يقترح المُحسِّن الدفعة التالية؟
يقيّم المُحسِّن الوصفات المرشحة بدالة اكتساب (acquisition function)، مثل التحسن المتوقع (expected improvement) مقارنة بأفضل نتيجة حتى الآن (Frazier). وهي توازن بين الوصفات الواعدة والوصفات الواقعة في مناطق لا يعرف النموذج عنها إلا القليل. والمختبرات تعمل بالدفعات، لذا اطلبوا عدة مرشحين في آن واحد. فالدالة optimize_acqf في BoTorch تولّد دفعة من المرشحين معًا مع احترام قيود الخطوة 2. وحدّدوا حجم الدفعة بما يستطيع المختبر إنجازه في دورة واحدة.
قبل أن تصل الدفعة إلى منضدة المختبر، يراجعها خبير تركيبات:
- هل يمكن تحضير كل وصفة، بالنظر إلى ترتيب الإضافة والذوبانية؟
- هل توجد وصفة شبه مطابقة لوصفة اختُبرت من قبل؟
- هل تجتاز مراجعة السلامة؟
تتعلق هذه المراجعة بقابلية التنفيذ والسلامة، لا بنقض الترتيب بحكم العادة. ففي دراسة نُشرت في مجلة Nature، تفوق التحسين البايزي على القرار البشري في تحسين التفاعلات الكيميائية، من حيث متوسط عدد التجارب ومن حيث الثبات.
الخطوة 8: كيف نختبر ونحدّث ونقرر التوقف؟
تتبع كل جولة التسلسل نفسه:
- إجراء الدفعة بطرق الاختبار المعيارية، مع الوصفة المرجعية كعينة شاهدة.
- تسجيل القيمة المتنبأ بها ودرجة عدم اليقين لكل وصفة قبل معرفة النتيجة.
- إضافة جميع النتائج، بما فيها الإخفاقات، إلى مجموعة البيانات وإعادة ملاءمة النموذج.
- التحقق مما إذا وقعت النتائج المقيسة ضمن عدم اليقين المتنبأ به، ومما إذا تحسنت أفضل نتيجة.
- اتخاذ القرار: المواصلة، أو تضييق مجال التصميم أو توسيعه، أو التوقف.
اتفقوا على قاعدة التوقف منذ الخطوة 1: مثلًا، وصفة تستوفي المواصفات كاملة في التكرارات، أو نفاد ميزانية التجارب، أو جولتان متتاليتان تحسّنان أفضل نتيجة بأقل من قابلية تكرار الاختبار.
تتوقف السرعة على المختبر. فباستخدام منصات روبوتية، وجد Cao وزملاؤه تسع وصفات مناسبة خلال 15 يوم عمل. ومعظم المختبرات الصناعية تُجري اختباراتها يدويًا، فتستغرق كل جولة وقتًا أطول، لكن الحلقة هي نفسها. وتمر الوصفة المختارة بعد ذلك بمرحلة التوسيع إلى الإنتاج واختبارات التأهيل؛ فتنبؤ النموذج ليس أبدًا نتيجة تأهيل.
ما رأيناه في KABAS AI
ينظّم Virtual Lab لدينا هذه الحلقة في أربع مراحل: Think (الأهداف والقيود والمحاكاة الأولية)، وTest (سيناريوهات «ماذا لو» والتحسين متعدد المعايير وخطة اختبارات مخبرية)، وIndustrialize (مقارنات مرئية وتقارير موحّدة وبدائل موجَّهة)، وCapitalize (بيانات مهيكلة ووصفات مرجعية قابلة لإعادة الاستخدام).
في ADFC (مجمع سوناطراك)، يوازن التحسين بين الأداء الريولوجي والتحكم في فقد السائل واستقرار جدار البئر والامتثال البيئي والكلفة. ويستخدم المهندسون سيناريوهات «ماذا لو» لاستبدال المكونات وتغيير الجرعات، وهذا مهم لأن المواد الأولية تختلف من دفعة إلى أخرى ومن مورّد إلى آخر. وتوجّه المقارنة بين النتائج المحاكاة والفعلية عمليات التحسين.
وفي ENAD Shymeca، نُقلت بيانات التركيبات التاريخية إلى المنصة قبل استخدامها في التنبؤ، ويوازن التحسين بين أهداف مثل فعالية التنظيف مقابل الكلفة، وخصائص الرغوة مقابل الأثر البيئي. وتذكر دراسة الحالة انخفاضًا بنسبة 40% في دورات الاختبارات الفيزيائية.
في المشروعين، سبقت هيكلة سجلات التركيبات السابقة أي تحسين، ولهذا تأتي الخطوات من 1 إلى 3 أولًا. وللتحقق من جاهزية سجلاتكم، ابدؤوا بتقييم سريع للجاهزية للذكاء الاصطناعي؛ ويعرض مقال لماذا تفشل مشاريع الذكاء الاصطناعي الصناعي الأخطاء الواجب تجنبها. والوصفات ملكية فكرية أساسية، لذا حدّدوا مبكرًا أين ستُشغَّل البيانات والنماذج، كما يشرح دليلنا حول الذكاء الاصطناعي السيادي داخل المؤسسة. وتوضح صفحة حلول الكيمياء كيف يندمج Virtual Lab في عمل التركيبات.
المصادر
- Frazier, A Tutorial on Bayesian Optimization, arXiv 1807.02811, 2018
- NIST/SEMATECH e-Handbook of Statistical Methods: Multiple responses, the desirability approach
- NIST/SEMATECH e-Handbook of Statistical Methods: Constrained mixture designs
- NIST/SEMATECH e-Handbook of Statistical Methods: Simplex-lattice designs
- Cao et al., Optimization of Formulations Using Robotic Experiments Driven by Machine Learning DoE, Cell Reports Physical Science, 2021
- BoTorch documentation: optimisation of acquisition functions (optimize_acqf)
- BoTorch documentation: multi-objective Bayesian optimisation
- Häse et al., Gryffin: An algorithm for Bayesian optimization of categorical variables informed by expert knowledge, arXiv 2003.12127
- SciPy documentation: scipy.stats.qmc.LatinHypercube
- scikit-learn documentation: Gaussian Processes
- scikit-learn documentation: GroupKFold
- Ament et al., Sustainable Concrete via Bayesian Optimization, NeurIPS 2023 workshop, arXiv 2310.18288
- Shields et al., Bayesian reaction optimization as a tool for chemical synthesis, Nature, 2021
الأسئلة الشائعة
كم تجربة يحتاج تحسين التركيبات بالذكاء الاصطناعي؟
لا يوجد عدد ثابت. فذلك يتوقف على عدد المكونات والإعدادات التي تُغيَّر، ومدى الضجيج في طرق الاختبار، ومدى الابتعاد عن الوصفات المعروفة أصلًا. اتفقوا على قاعدة توقف وميزانية للتجارب قبل الجولة الأولى، واحسبوا كل اختبار، بما في ذلك الإخفاقات والتكرارات.
هل يمكن استخدام الذكاء الاصطناعي إذا لم تكن وصفاتنا السابقة جزءًا من تصميم تجارب؟
نعم. يمكن للوصفات والنتائج التاريخية أن تدرّب نموذجًا أوليًا إذا سُجّلت على أساس موحّد مع طرق اختبارها. تحققوا من النموذج على عائلات وصفات لم يرها، وإذا كان السجل التاريخي ضئيلًا أو متركزًا حول وصفة مرجعية واحدة، فأضيفوا مجموعة صغيرة من التجارب المصمَّمة قبل التحسين.
كيف نتعامل مع وجوب أن يكون مجموع المكونات 100%؟
إما أن يُعطى المُحسِّن قيد مساواة يجعل مجموع النسب واحدًا دائمًا، وإما أن يُترك مكوّن واحد، غالبًا الماء أو مذيب، كمكمّل يُحسب من المكونات الأخرى. وتُضاف الحدود الدنيا والعليا لكل مكوّن كقيود على المتغيرات. ويجب أن يُبنى النموذج على الأساس نفسه، مثل الكسور الكتلية للمنتج النهائي.
بأي نموذج نبدأ؟
ابدؤوا بنموذج مرجعي بسيط مثل كثير الحدود القانوني للخلائط، ثم جرّبوا العملية الغاوسية (Gaussian process) التي تعطي أيضًا درجة عدم اليقين في كل تنبؤ. ولا تحتفظوا بالنموذج الأعقد إلا إذا تنبأ بعائلات الوصفات المستبعدة من التدريب أفضل من النموذج المرجعي.
هل يحل المُحسِّن محل خبير التركيبات؟
لا. يحدد خبراء التركيبات الأهداف والنطاقات المسموح بها، ويراجعون كل دفعة مقترحة من حيث قابلية التنفيذ والسلامة، ويقررون متى يتوقفون. أما المُحسِّن فيكتفي بترتيب الوصفات المرشحة، ونتيجة المختبر لا التنبؤ هي التي تحدد مطابقة الوصفة للمواصفات.
هل يمكن أن تبقى بيانات التركيبات على خوادمنا الخاصة؟
نعم. النماذج المستخدمة في تحسين التركيبات صغيرة ويمكن تشغيلها على بنيتكم التحتية الخاصة. ويمكن نشر Virtual Lab من KABAS AI داخل المؤسسة أو على حاسوب محلي دون اتصال بالإنترنت، وهذا مهم عندما تكون الوصفات ملكية فكرية أساسية.



