جدول المحتويات
المختبر الافتراضي مجموعة من نماذج تعلّم الآلة، مدرَّبة على تركيباتكم ونتائج اختباراتكم السابقة، تتنبأ بأداء وصفة جديدة قبل أن يُوزن منها غرام واحد. يرتّب المرشحات وفق عدة أهداف ويقترح التجارب التالية الأجدى، فيتفرغ المختبر الفعلي لتأكيد الأفكار القوية بدل البحث العشوائي.
أهم النقاط
- يجمع المختبر الافتراضي ثلاثة عناصر: نموذجًا يتنبأ بنتائج الاختبار انطلاقًا من التركيبة، ومُحسِّنًا يختار التجارب التالية، وسجلًا منظمًا لكل تجربة.
- ليس توأمًا رقميًا. التوأم يعكس أصلًا فعليًا واحدًا أثناء التشغيل، أما المختبر الافتراضي فيستكشف تركيبات وظروفًا لم توجد بعد.
- لا يحل محل تصميم التجارب، بل يضيف حلقة تتابعية تُختار فيها كل دفعة من الاختبارات بناءً على كل ما سبق تعلّمه.
- لا تكون النماذج موثوقة إلا داخل نطاق البيانات التي دُرِّبت عليها. الكيمياء الجديدة كليًا تمر بالمختبر أولًا.
- تُقاس الفائدة مقارنةً بخط أساس يُحدَّد قبل المشروع، مثل عدد التجارب والأيام اللازمة لبلوغ المواصفة.
ما المختبر الافتراضي في البحث والتطوير الصناعي؟
تتبع معظم أعمال التركيب النمط نفسه. ينطلق الكيميائي أو مهندس العمليات من وصفة مرجعية، ويغيّر بعض المكونات أو الجرعات، ويجري الاختبارات المعتادة، ثم يقرأ النتائج ويقرر الخطوة التالية. في سوائل الحفر تشمل الاختبارات الريولوجيا وفقدان السوائل والثبات تحت الحرارة. وفي المنظفات قوة التنظيف والرغوة والثبات. وفي الإسمنت والخرسانة مقاومة الضغط في أعمار مختلفة.
يضع المختبر الافتراضي نموذجًا في قلب هذه الحلقة. تعلّم هذا النموذج من سجلات الشركة كيف ترتبط مدخلات التركيبة بالخصائص المقيسة. وعند إعطائه وصفة مرشحة، يعيد نتيجة متوقعة، ومعها في أغلب الأساليب تقديرًا لدرجة عدم اليقين في هذا التنبؤ. ثم يستخدم المُحسِّن هذه التنبؤات لاقتراح الوصفات التي ينبغي اختبارها.
ونادرًا ما تكون هذه العلاقات بسيطة. فمجموعة بيانات الخرسانة العامة التي قدّمها I-Cheng Yeh إلى UC Irvine Machine Learning Repository، وتضم 1030 خلطة و8 مدخلات منها الإسمنت والماء وخبث الأفران والرماد المتطاير والملدّن الفائق والعمر، تصف مقاومة الضغط بأنها دالة شديدة اللاخطية في العمر والمكونات. وهذا تحديدًا نوع العلاقة التي يتعلمها نموذج إحصائي من البيانات، ويصعب على الإنسان استيعابها عبر ثمانية متغيرات في وقت واحد.
في KABAS AI، يمثّل Virtual Lab المنتج الذي نطوّره لهذه المهمة، ويُهيَّأ وفق مجال التركيب الخاص بكل عميل.
ما الفرق بين المختبر الافتراضي والتوأم الرقمي؟
كثيرًا ما يُخلط بين المصطلحين، مع أن التعريفات واضحة.
يصف NIST تقنية التوأم الرقمي بأنها إنشاء تمثيلات إلكترونية لكيانات من العالم الحقيقي، مع القدرة على رؤية حالاتها والانتقالات بينها. وتقول الأكاديميات الوطنية الأمريكية، في تقرير صدر عام 2024، إن التوأم الرقمي يربط نماذج حسابية بنظير فعلي ويُحدَّث ديناميكيًا عبر تدفقات بيانات ثنائية الاتجاه كلما تغيرت الظروف.
الكلمة المفتاحية هي «النظير الفعلي». يتابع التوأم الرقمي مفاعلًا أو ضاغطًا أو خط إنتاج أثناء تشغيله، ويتغذى من أجهزة الاستشعار، ويُستخدم لمراقبة هذا الأصل والتنبؤ بسلوكه وأحيانًا التحكم فيه. نتناول هذا الاستخدام في مقالنا عن التوائم الرقمية في الصناعة التحويلية.
أما المختبر الافتراضي فليس له نظير فعلي واحد. موضوعه فضاء تصميم: كل التركيبات الممكنة من موادكم الأولية، تحت كل ظروف الاختبار المحتملة، ومعظمها لم يوجد قط. بياناته تأتي من طاولة المختبر لا من حساسات المصنع، ويُحدَّث مع كل اختبار جديد لا كل بضع ثوانٍ.
وقد يلتقي الاثنان. فالتركيبة المختارة في المختبر الافتراضي تنتقل في النهاية إلى الإنتاج، حيث قد يتولى الأمر توأم للعملية أو حساس برمجي. لكنهما يجيبان عن سؤالين مختلفين: «أي وصفة نصنع؟» و«ماذا يحدث في هذه الوحدة الآن؟».
ما الفرق بينه وبين تصميم التجارب الكلاسيكي؟
تصميم التجارب (DoE) هو المنهج الإحصائي المعتمد لتخطيط العمل المخبري. ويصفه دليل NIST/SEMATECH الإلكتروني بأنه إجراء فعّال لتخطيط التجارب بحيث يمكن تحليل البيانات الناتجة والخروج باستنتاجات صحيحة. التصاميم العاملية وتصاميم سطح الاستجابة وتصاميم الخلائط أدوات راسخة، وهي تعمل.
لكن لتصميم التجارب حدّين عمليين في مجال التركيب.
أولًا، يزداد عدد التجارب بسرعة. فالتصميم العاملي الكامل بمستويين وستة عوامل يتطلب 64 تجربة، ولهذا وُجدت التصاميم الجزئية. والتركيبات الحقيقية كثيرًا ما تضم أكثر من ستة مكونات قابلة للتعديل، فضلًا عن ظروف العملية.
ثانيًا، تُثبَّت الخطة قبل أول اختبار، فنتيجة التجربة الخامسة لا تغيّر ما ستكون عليه السادسة. كما تحمل التركيبات قيدًا يعالجه تصميم التجارب بتصاميم خاصة: ففي تصميم الخلائط تكون المكونات نسبًا مجموعها واحد، فتغيير أحدها يغيّر البقية.
يحافظ المختبر الافتراضي على الانضباط الإحصائي لتصميم التجارب، لكنه يعمل بشكل تتابعي. ينطلق من السجل الموجود، أو من تصميم تجارب صغير إذا كان السجل ضعيفًا، ثم يقترح بضع تجارب ويتعلم من نتائجها ويقترح ما يليها. كما يستفيد من بيانات مشاريع سابقة لم تكن جزءًا من أي تصميم منظم، وهي بيانات يتجاهلها تصميم التجارب.
كيف تُقارن المقاربات الثلاث؟
| تصميم التجارب الكلاسيكي | التوأم الرقمي | المختبر الافتراضي | |
|---|---|---|---|
| السؤال الرئيسي | أي العوامل مهمة، وكيف؟ | ماذا يفعل هذا الأصل الآن، وماذا بعد؟ | أي وصفة نختبر بعد ذلك؟ |
| الموضوع | مجموعة تجارب مخططة | أصل أو عملية فعلية قيد التشغيل | فضاء من التركيبات والظروف |
| مصدر البيانات | تجارب التصميم وحدها | بيانات الحساسات والعملية الحية | سجلات المختبر التاريخية وكل اختبار جديد |
| تطور الخطة | ثابتة مسبقًا | تحديث مستمر من الأصل | دفعة بعد دفعة، بعد كل جولة اختبارات |
| استخدام المشاريع السابقة | نادرًا | يستخدم السجل الخاص بالأصل | نعم، كنقطة انطلاق |
| المستخدم النموذجي | إحصائي، مهندس بحث وتطوير | التشغيل، الصيانة، التحكم في العمليات | مسؤول التركيب، رئيس المختبر، مدير البحث والتطوير |
ما الأساليب التي يقوم عليها المختبر الافتراضي؟
ثلاث أفكار تؤدي معظم العمل، ولا شيء منها جديد، وكلها موثّقة جيدًا.
النماذج البديلة: التنبؤ بنتيجة الاختبار
النموذج البديل (surrogate model) بديل إحصائي سريع لتجربة بطيئة أو مكلفة. يأخذ التركيبة والظروف مدخلاتٍ ويتنبأ بالخصائص المقيسة.
من الخيارات الشائعة العمليات الغاوسية (Gaussian processes) والغابات العشوائية (random forests) والشبكات العصبية. وتعطي العمليات الغاوسية، التي يتناولها المرجع المعياري لـ Rasmussen وWilliams، تنبؤًا وتقديرًا لعدم اليقين معًا، وهو ما تحتاجه بالضبط خطوة البحث الموصوفة أدناه.
وتقدّم سوائل الحفر مثالًا ملموسًا على ما يمكن أن تحمله مجموعة بيانات متواضعة. فقد استخدمت دراسة أجراها Gowida وزملاؤه في جامعة الملك فهد للبترول والمعادن عام 2020 200 نقطة بيانات ميدانية لكثافة الطين ولزوجة قمع مارش لتدريب شبكات عصبية تتنبأ باللزوجة البلاستيكية ونقطة الخضوع (yield point) واللزوجة الظاهرية لطين عالي البنتونيت. وأفادت بمعامل ارتباط يفوق 0.90 ومتوسط خطأ نسبي مطلق لا يتجاوز 6%. تتنبأ هذه الدراسة بالخصائص من قياسات ميدانية ولا تصمم وصفات جديدة، لكنها تُظهر حجم البيانات الذي تبدأ عنده النماذج المفيدة بالظهور في هذا المجال.
التحسين البايزي: اختيار التجربة التالية
النموذج البديل وحده يجيب عن سؤال «ماذا لو؟». أما التحسين البايزي (Bayesian optimisation) فيحوّله إلى أداة بحث. في كل خطوة، ينظر في تنبؤات النموذج ودرجات عدم اليقين، ويختار المرشحات التي توازن على أفضل وجه بين «مرجّح أن تكون جيدة» و«منطقة لا نعرف عنها الكثير». واختبار هذه المرشحات يحسّن النموذج، ثم تتكرر الحلقة.
يصف الدليل التعليمي لـ Peter Frazier هذه الطريقة بأنها مصممة لدوال يستغرق تقييمها دقائق أو ساعات، وبأنها تتحمل النتائج المشوشة، وبأنها الأنسب للمجالات المتصلة التي تقل أبعادها عن 20. وهذا يناسب كثيرًا من مسائل التركيب في المختبر: الاختبارات بطيئة ومكلفة، والنتائج تتفاوت بين التكرارات، وعدد المتغيرات التي يعدّلها الفريق فعليًا غالبًا ما يكون محدودًا. أما المسائل ذات المتغيرات الأكثر بكثير فينبغي تضييقها أولًا.
وقد اختُبرت الطريقة في مواجهة البشر. ففي دراسة نُشرت في Nature عام 2021، قارن Shields وزملاؤه التحسين البايزي بكيميائيين ومهندسين خبراء في مهمة تحسين تفاعل، فوجدوا أنه تفوّق على اتخاذ القرار البشري في الكفاءة المتوسطة، مقيسة بعدد التجارب، وفي الاتساق معًا. وتتيح مكتبات متاحة مجانًا مثل BoTorch، المبنية على PyTorch، هذه الطريقة لأي فريق يتقن Python.
التعلّم النشط: تقوية النموذج حيث يكون ضعيفًا
التعلّم النشط (active learning) أسلوب قريب. ويلخص مسح Burr Settles فكرته الأساسية: يمكن للخوارزمية أن تبلغ دقة أعلى بعدد أقل من البيانات الموسومة إذا سُمح لها باختيار البيانات التي تتعلم منها، وهذا مهم خصوصًا حين تكون الوسوم مكلفة. وفي المختبر، «الوسم» هو نتيجة الاختبار.
يكمن الفرق عن التحسين البايزي في الهدف. فالتحسين البايزي يبحث عن أفضل وصفة، أما التعلّم النشط فيبحث عن التجارب التي تجعل النموذج أدق في الفضاء كله، وهذا مفيد حين يريد الفريق أداة محاكاة موثوقة لمشاريعه المقبلة، لا مجرد حل أمثل واحد.
عدة أهداف في آن واحد
المواصفات الحقيقية ليست رقمًا واحدًا أبدًا. على سائل الحفر أن يحقق أهداف الريولوجيا وفقدان السوائل والثبات بتكلفة مقبولة. وعلى المنظف أن ينظّف ويعطي رغوة مناسبة ويبقى ثابتًا ويلتزم بسعر محدد.
تتعامل الأساليب متعددة الأهداف مع ذلك بإيجاد مجموعة الوصفات التي لا يمكن فيها تحسين هدف دون الإضرار بآخر، ثم تترك لمسؤول التركيب الاختيار بينها. وقد طبّق Cao وزملاؤه ذلك على منتج سائل مركّب ذي أهمية تجارية، بربط مصنِّف من تعلّم الآلة بمُحسِّن متعدد الأهداف لمعالجة الأهداف المنفصلة والمتصلة معًا. وأتاح نهجهم إيجاد تسع وصفات مناسبة خلال 15 يوم عمل، وتفوّق بحسب المؤلفين على الحدس البشري في الأداء المستهدف.
ومن أشهر الأمثلة على الحلقة الكاملة الكيميائي الآلي المتنقل الذي طوّره Burger وزملاؤه. فبتوجيه من بحث بايزي على دفعات، أجرى 688 تجربة في فضاء من عشرة متغيرات خلال ثمانية أيام، ووجد خلائط محفّزات ضوئية أنشط بست مرات من التركيبات الأولية.
استخدمت هاتان الدراستان روبوتات لتنفيذ التجارب. ولا تملك مختبرات صناعية كثيرة مثل هذه المعدات، وهذا لا يمنع شيئًا: فالحلقة نفسها تعمل مع فنيين ينفذون الاختبارات المقترحة، وكل ما في الأمر أن كل جولة تستغرق وقتًا أطول.
ما البيانات التي يحتاجها المختبر الافتراضي؟
لا يتعلم النموذج إلا ما سُجّل. وفي الواقع، السجلات المفيدة هي:
- التركيبة: كل مكوّن وكميته ووحدته، وترتيب الإضافة إذا كان مؤثرًا.
- المواد الأولية: المورّد والدرجة والدفعة، لأن المكوّن الاسمي نفسه قد يتصرف بشكل مختلف من دفعة إلى أخرى.
- الظروف: درجة الحرارة ومدة التعتيق وسرعة الخلط ومدته، والضغط عند الحاجة.
- النتائج: كل خاصية مقيسة، وطريقة الاختبار المستخدمة، وظروف الاختبار.
- الإخفاقات: الوصفات التي انفصلت أو تهلّمت أو لم تستوفِ المواصفة أو تُخلّي عنها. فالنموذج المدرَّب على النجاحات وحدها لا يستطيع أن يتعلم أين تقع الحدود.
تملك معظم أقسام البحث والتطوير هذه المعلومات، لكنها موزعة بين دفاتر المختبر وجداول البيانات وتقارير PDF وذاكرة الخبراء القدامى. وتشكّل مبادئ FAIR، التي نشرها Wilkinson وزملاؤه عام 2016، قائمة مرجعية جيدة لمعالجة ذلك: ينبغي أن تكون البيانات قابلة للعثور عليها، ومتاحة، وقابلة للتشغيل البيني، وقابلة لإعادة الاستخدام، مع بيانات وصفية مقروءة آليًا حتى تستفيد منها البرمجيات لا البشر وحدهم.
كم يكفي من البيانات؟ لا توجد إجابة عامة نزيهة. فالأمر يتوقف على عدد المتغيرات المعدَّلة، وتشتت طرق الاختبار، ومدى ابتعادكم عن الوصفات المعروفة. تتراوح الأمثلة السابقة بين 200 نقطة ميدانية ونحو 1000 خلطة خرسانة، لكنها نقاط مرجعية لا عتبات. وأسرع طريقة لمعرفة ذلك مراجعة قصيرة للسجلات الموجودة، من النوع الموصوف في دليلنا لتقييم الجاهزية للذكاء الاصطناعي. وعادة ما يبدأ فريق علوم البيانات لدينا من هنا.
أين ينجح المختبر الافتراضي، وأين لا ينجح؟
المختبر الافتراضي أداة قوية لنوع محدد من المسائل، وليس بديلًا عامًا عن المعرفة الكيميائية.
أهم حدوده نطاق التدريب. ففي مجال نماذج الخصائص الكيميائية، تشترط مبادئ OECD للتحقق من صحة هذه النماذج مجال تطبيق محددًا: التنبؤات موثوقة عمومًا فقط للمدخلات المشابهة لبيانات التدريب، وكل ما يقع خارج هذا النطاق استقراء. والقاعدة نفسها تنطبق على أي نموذج تركيب. فإذا كان سجلكم يغطي نطاقًا معينًا لجرعة بوليمر، فإن رأي النموذج في جرعة أعلى بثلاث مرات مجرد تخمين.
| ينجح عندما | لا ينجح عندما |
|---|---|
| تكون الاختبارات بطيئة أو مكلفة أو تستهلك مواد نادرة | تكون الاختبارات سريعة ورخيصة بما يكفي لفحص كل شيء |
| تتفاعل عدة متغيرات فيما بينها | يكفي متغير أو اثنان يمكن لتصميم بسيط أن يرسم خريطتهما |
| يوجد سجل لوصفات واختبارات قابلة للمقارنة | تكون الكيمياء جديدة دون سجل ذي صلة |
| تكون طرق الاختبار موحدة وقابلة للتكرار | تعتمد النتائج كثيرًا على من أجرى الاختبار |
| يكون الهدف تكييف أو تحسين ضمن عائلة معروفة | يكون الهدف اكتشافًا بعيدًا عن الوصفات المعروفة |
| تجمع المواصفة عدة أهداف إلى جانب التكلفة | يتوقف النجاح على خاصية لا يقيسها أحد |
وهناك نقطتان إضافيتان مهمتان في الصناعة. أولًا، التنبؤ ليس أبدًا نتيجة تأهيل، فكل تركيبة موجهة إلى بئر أو عميل أو جهة رقابية يجب أن تجتاز الاختبارات الفعلية التي تفرضها المواصفة. ثانيًا، لا يعرف النموذج شيئًا عن السلامة ما لم تُقَس المخرجات المتعلقة بها وتُنمذج. وتبقى دراسات المخاطر من اختصاص الكيميائيين.
كيف تُقاس الفائدة بنزاهة؟
هنا تصبح كثير من مشاريع الذكاء الاصطناعي في البحث والتطوير غامضة. وبعض القواعد تحافظ على نزاهة التقييم.
حدّدوا خط الأساس قبل البدء. سجّلوا كم تجربة وكم يومًا يحتاج فريقكم عادة لإيصال تركيبة مماثلة إلى المواصفة. فبدون ذلك يصبح أي ادعاء لاحق مجرد انطباع.
قارنوا ببديل منصف. تفعل الأبحاث الأكاديمية ذلك صراحة. فقد قارن Liang وزملاؤه استراتيجيات التحسين البايزي عبر خمسة أنظمة تجريبية في علوم المواد، باستخدام مؤشرات يسمونها عامل التسريع وعامل التحسين، مقيسة مقابل خط أساس من أخذ العينات العشوائي. ووجدوا أيضًا أن الغابات العشوائية جاءت مكافئة للعمليات الغاوسية ذات النوى غير المتماثلة، وهو تذكير بأن نوع النموذج أقل أهمية من طريقة التقييم. وفي الصناعة، يكون خط الأساس الأكثر إنصافًا هو الطريقة المعتادة لفريقكم، كما في المقارنة مع الخبراء التي أجراها Shields وزملاؤه.
تحققوا من كل تنبؤ. في كل مرة يختبر فيها المختبر وصفة موصى بها، سجّلوا القيمة المتوقعة بجوار القيمة المقيسة. وعلى امتداد المشروع، تحصلون على معدل خطأ حقيقي على بيانات جديدة، لا على بيانات رآها النموذج من قبل.
احسبوا كل شيء. أدرجوا التجارب الفاشلة والاختبارات المكررة والوقت المستغرق في تحضير البيانات. فالمختبر الافتراضي الذي يوفّر تجارب لكنه يتطلب أسابيع من تنظيف البيانات في كل مشروع له صورة تكلفة مختلفة عن غيره.
| المؤشر | ما يكشفه | طريقة قياسه |
|---|---|---|
| عدد التجارب حتى بلوغ الهدف | الجهد المخبري الموفَّر | عدّ كل الاختبارات حتى تستوفي وصفة المواصفة كاملة |
| الأيام حتى بلوغ الهدف | سرعة الاستجابة لطلب ما | الأيام من المواصفة إلى الوصفة المعتمدة |
| خطأ التنبؤ على الاختبارات الجديدة | مدى الثقة في النموذج | القيمة المتوقعة مقابل المقيسة لكل وصفة موصى بها |
| نسبة الوصفات الموصى بها المطابقة للمواصفة | جودة الاقتراحات | الوصفات المطابقة مقسومة على الوصفات المختبرة |
| المواد والمستهلكات المستخدمة | التكلفة المباشرة | استهلاك المختبر لكل مشروع، قبل وبعد |
| إعادة استخدام الأعمال السابقة | رسملة المعرفة | عدد المرات التي تنطلق فيها المشاريع الجديدة من وصفات ونماذج مخزنة |
ويشرح دليلنا حول بناء دراسة الجدوى لمشاريع الذكاء الاصطناعي الصناعي كيفية تحويل هذه المؤشرات إلى حجة مالية.
ما الذي رأيناه في KABAS AI
نشرنا Virtual Lab في بيئتي تركيب يمكننا وصفهما علنًا.
سوائل الحفر لدى ADFC (مجمع سوناطراك). تطوّر ADFC أنظمة سوائل الحفر وتوفرها لآبار موزعة على التكوينات الجيولوجية المتنوعة في الجزائر. وكما تصف دراسة حالة ADFC، واجه فريق البحث والتطوير لديها آبارًا متعددة المقاطع بملامح ضغط وحرارة مختلفة، وتفاوتًا في المواد الأولية بين الدفعات والموردين، وتكاليف اختبار مرتفعة، ومعرفة تركيبية مشتتة بين صيغ وأماكن متعددة. هُيّئ Virtual Lab لسوائل الحفر، مع تحسين متعدد المعايير يشمل الأداء الريولوجي والتحكم في فقدان السوائل واستقرار جدار البئر والامتثال البيئي والتكلفة، إضافة إلى سيناريوهات «ماذا لو» لاستبدال المكونات وتغيير الجرعات. ويمر سير العمل بأربع مراحل: تحديد الأهداف والمحاكاة انطلاقًا من الوصفات المرجعية التاريخية، ثم إعداد برنامج اختبارات مخبرية مركّز، ثم مقارنة النتائج المحاكاة بالفعلية، وأخيرًا تخزين التركيبات المعتمدة كبيانات قابلة لإعادة الاستخدام. وتشير دراسة الحالة إلى انخفاض ملموس في دورات الاختبار الفعلية، واستجابة أسرع للمواصفات التقنية، وتتبّع كامل لقرارات التركيب، مع نشر المنصة داخل البيئة المعلوماتية لسوناطراك.
المنظفات لدى ENAD Shymeca. تُعد ENAD Shymeca، الفرع التابع لـ ACS Holding، الرائد الوطني في صناعة المنظفات ومواد التنظيف. وتصف دراسة حالة ENAD Shymeca دورات تركيب طويلة، وضغطًا على التكاليف، ومتطلبات توثيق لأغراض الامتثال، والحاجة إلى حفظ معرفة باحثين ذوي خبرة يقتربون من التقاعد. مرّ المشروع بمرحلة استكشاف، ثم تهيئة المنصة لمعايير المنظفات وبروتوكولات اختبارها، ونقل بيانات التركيب التاريخية، وتدريب فرق البحث والتطوير، ثم دعم مستمر. ويوازن التحسين بين أهداف مثل فعالية التنظيف والتكلفة، أو خصائص الرغوة والأثر البيئي. وتمثل هذه الشراكة أول عقد ابتكار مفتوح (Open Innovation) بين شركة ناشئة في الذكاء الاصطناعي وشركة صناعية وطنية كبرى في الجزائر.
الدرس المشترك بين المشروعين: لم يكن العمل الأول هو النموذج، بل تحويل سنوات من سجلات التركيب المتفرقة إلى قاعدة منظمة قابلة لإعادة الاستخدام. هذه الخطوة هي ما يجعل التنبؤات ممكنة، وهي ما يُبقي المعرفة داخل الشركة حين يغادر الأشخاص.
كيف تبدأ مشروع مختبر افتراضي خطوة بخطوة؟
- اختر عائلة منتجات واحدة وقرارًا واحدًا. مثلًا: «تكييف طين الحفر المائي لدينا مع مورد جديد لمثبط الطين» أو «إعادة تركيب منظف سائل بتكلفة أقل». النطاق الضيق في البداية يعطي إجابة واضحة.
- اكتب المواصفة. حدّد كل خاصية مستهدفة ونطاقها المقبول وطريقة اختبارها، والقيود الصارمة مثل المكونات المحظورة أو التكلفة القصوى.
- راجع السجل واجمعه. اجمع التركيبات وبيانات المواد الأولية والظروف والنتائج، بما فيها الإخفاقات، لتلك العائلة. ودوّن الثغرات وطرق الاختبار غير المتسقة.
- حدّد خط الأساس. سجّل كم تجربة وكم يومًا احتاجتها المشاريع المماثلة في الماضي.
- ابنِ نموذجًا أول وتحقق منه. درّب نموذجًا بديلًا على جزء من السجل واختبره على وصفات لم يرها. وإذا كان الخطأ كبيرًا بما لا يسمح باتخاذ القرار، فأجرِ تصميم تجارب صغيرًا قبل المضي قدمًا.
- نفّذ بضع جولات تحسين. دع المُحسِّن يقترح دفعات صغيرة، ويجريها المختبر، ثم أعِد النتائج إلى النموذج. ويبقى مسؤولو التركيب أصحاب القرار فيما يُختبر فعلًا.
- قيّم النتائج مقارنةً بخط الأساس. قارن عدد التجارب والأيام وخطأ التنبؤ بأرقام الخطوة الرابعة، ثم قرّر التوسع إلى عائلات أخرى أو لا.
- رسمل المعرفة. خزّن الوصفات المعتمدة والنماذج ونتائج الاختبارات لينطلق منها المشروع التالي.
ولأن التركيبات ملكية فكرية أساسية، قرّر مبكرًا أين ستُحفظ البيانات والنماذج. ويعرض دليلنا حول الذكاء الاصطناعي السيادي داخل المقر الخيارات المتاحة. ولتقييم أولي منظم، يمكن لفريق الاستشارات في الذكاء الاصطناعي لدينا تحديد نطاق مشروع تجريبي مع إدارة البحث والتطوير لديكم، كما تبيّن صفحتا الحلول الخاصتان بالكيمياء والنفط والغاز موقع Virtual Lab في كل قطاع. ولمزيد من القراءة: التحكم في العمليات بالذكاء الاصطناعي في الصناعة الكيميائية.
المصادر
- UCI Machine Learning Repository: Concrete Compressive Strength data set (Yeh)
- NIST IR 8356: Considerations for Managing the Security of Digital Twin Technology
- National Academies: Foundational Research Gaps and Future Directions for Digital Twins (2024)
- NIST/SEMATECH e-Handbook: What is design of experiments?
- NIST/SEMATECH e-Handbook: Fractional factorial designs
- NIST/SEMATECH e-Handbook: Mixture designs
- Rasmussen and Williams: Gaussian Processes for Machine Learning (MIT Press, 2006)
- Gowida et al.: Newly Developed Correlations to Predict the Rheological Parameters of High-Bentonite Drilling Fluid Using Neural Networks, Sensors (2020)
- Frazier: A Tutorial on Bayesian Optimization (2018)
- Shields et al.: Bayesian reaction optimization as a tool for chemical synthesis, Nature (2021)
- BoTorch: Bayesian Optimization in PyTorch
- Settles: Active Learning Literature Survey, University of Wisconsin–Madison
- Cao et al.: Optimization of Formulations Using Robotic Experiments Driven by Machine Learning DoE, Cell Reports Physical Science
- Burger et al.: A mobile robotic chemist, Nature (2020)
- GO FAIR Foundation: FAIR Principles
- Sahigara et al.: Comparison of Different Approaches to Define the Applicability Domain of QSAR Models, Molecules (2012)
- Liang et al.: Benchmarking the performance of Bayesian optimization across multiple experimental materials science domains (2021)
الأسئلة الشائعة
ما المختبر الافتراضي في البحث والتطوير الصناعي؟
المختبر الافتراضي مجموعة من نماذج تعلّم الآلة مدرَّبة على التركيبات ونتائج الاختبارات السابقة للشركة. يتنبأ بأداء تركيبة جديدة، ويرتّب التركيبات المرشحة وفق عدة معايير في آن واحد، ويقترح التجارب التالية التي تستحق التنفيذ. يبقى المختبر الفعلي ضروريًا، لكنه يُستخدم لتأكيد أفضل المرشحات بدل البحث العشوائي.
هل المختبر الافتراضي هو نفسه التوأم الرقمي؟
لا. التوأم الرقمي مرتبط بأصل أو عملية فعلية محددة ويُحدَّث ببياناتها كلما تغيرت الظروف. أما المختبر الافتراضي فيمثّل فضاءً من التركيبات والظروف لم يُصنع معظمها قط، ويُحدَّث كلما اختبر المختبر مرشحًا جديدًا.
هل يحل المختبر الافتراضي محل تصميم التجارب؟
لا. يظل تصميم التجارب الكلاسيكي طريقة سليمة لجمع أول مجموعة بيانات، خاصة عندما يكون السجل التاريخي محدودًا. الفرق أن المختبر الافتراضي يختار التجارب دفعة بعد دفعة مستفيدًا من كل ما تعلّمه، بدل تثبيت الخطة كاملة مسبقًا.
ما حجم البيانات اللازم للبدء؟
لا يوجد حد أدنى عام، لأن ذلك يتوقف على عدد المتغيرات التي تُعدَّل ومدى تشتت طرق الاختبار. الأهم أن تُسجَّل التركيبات وبيانات المواد الأولية والظروف والنتائج، بما فيها التجارب الفاشلة، بطريقة متسقة. ومراجعة قصيرة لسجلات المختبر تكشف عادة ما إذا كان بناء نموذج أول أمرًا واقعيًا.
كيف نعرف أن المختبر الافتراضي يفيدنا فعلًا؟
حدّدوا خط أساس قبل بدء المشروع، مثل عدد التجارب والأيام التي يحتاجها فريقكم عادة لبلوغ مواصفة معينة. ثم تابعوا المؤشرات نفسها مع المختبر الافتراضي، وقارنوا كل تنبؤ بنتيجة المختبر الفعلية، واحسبوا كل التجارب بما فيها الفاشلة.
هل يمكن تشغيل المختبر الافتراضي على خوادمنا الخاصة؟
نعم. النماذج المستخدمة في المختبر الافتراضي صغيرة مقارنة بالنماذج اللغوية الكبيرة ويمكن نشرها داخل مقر الشركة. وبالنسبة إلى الشركات التي تُعد تركيباتها ملكية فكرية أساسية، فإن إبقاء الوصفات وبيانات الاختبار داخل بنيتها التحتية الخاصة غالبًا ما يكون شرطًا لا خيارًا.



