أظهر باحثون من جامعة بايروث الألمانية تقدماً مهماً في تحسين حسابات سلوك السوائل باستخدام الذكاء الاصطناعي، من خلال نهج يعتمد على فهم أعمق للعلاقات الفيزيائية الأساسية بدلاً من التعلم المباشر على البيانات. الفكرة الأساسية تكمن في استخدام شبكة عصبية تُدرّب على استخلاص دالة كثافة عالمية، وهي تمثل العلاقات الفيزيائية الجوهرية التي تحكم سلوك السوائل، بغض النظر عن التفاصيل المحددة للنظام. عادةً، تعتمد الطرق التقليدية للذكاء الاصطناعي، مثل التعلم المراقب، على تدريب نماذج على بيانات محددة لتقدير كمية معينة، مثل التعرف على الصور. لكن في حالة السوائل، يواجه الباحثون صعوبة كبيرة في تدريب النماذج على تقدير "الпотенциال الكيميائي"، وهو مقياس حاسم لوصف التوازن الحراري للسوائل، لأنه يتطلب حسابات مكلفة من الناحية الحاسوبية. بدلًا من ذلك، قام فريق بقيادة البروفيسور ماتياس شميت والباحث فلوريان ساميلر بتطوير طريقة جديدة تُعيد تعريف المشكلة. في هذا النهج، لا يُدرّب الذكاء الاصطناعي على توقع القيمة المطلوبة مباشرة، بل يتعلم دالة كثافة عالمية — وهي تمثل القواعد الفيزيائية المشتركة التي تُطبّق على جميع السوائل الناعمة، بغض النظر عن طبيعة السطح أو التركيب. هذه الدالة، بمثابة "إطار نظري" مُدرّب بواسطة البيانات، تُظهر كيف تتأثر كثافة السائل بتوزيع القوى الخارجية، مثل التغيرات في السطح أو الحقول الخارجية. ما يميز هذه الطريقة هو أن الذكاء الاصطناعي لا يتعلم القيمة النهائية (الпотенциال الكيميائي)، بل يتعلم البنية الأساسية التي تُحدد هذه القيمة. ثم، تُستَخدم مبادئ فيزياء التوازن الحراري لاستخلاص القيمة النهائية من الفجوة بين الدالة المُدرّبة والخصائص الملاحظة، مثل توزيع الكثافة والبيئة الخارجية. وبهذا، يتم التوصل إلى القيمة المطلوبة بطريقة غير مباشرة، لكنها متسقة ودقيقة. يصف ساميلر هذا التمايز بالمقارنة مع التعرف على الصور: "كأن الذكاء الاصطناعي يتعلم قواعد التعرف على القطط دون أن يرى قطًا أبدًا، لكنه يستطيع التمييز بدقة بين الصور بناءً على معرفته بالبنية العامة للشكل والتركيب". هذا يُعد تحوّلًا جوهريًا في استخدام الذكاء الاصطناعي في العلوم، حيث يدمج بين التعلم القائم على البيانات والأسس النظرية الصلبة. النتائج، التي نُشرت في مجلة Physical Review Letters، تفتح آفاقًا واسعة لتسريع دراسات السوائل في مجالات متعددة، من التصنيع إلى الأبحاث البيولوجية، حيث تُستخدم نماذج دقيقة للسوائل في ظروف معقدة. كما تُعد هذه الطريقة نموذجًا يُحتذى به لدمج الذكاء الاصطناعي مع الفيزياء النظرية، لحل مشكلات معقدة لا تُدار بطرق تقليدية.