في عالم البحث العلمي والهندسي، تمثل المعادلات التفاضلية الجزئية (Partial Differential Equations - PDEs) أحد الأعمدة الأساسية التي تعتمد عليها العديد من التطبيقات. ومع تطور التكنولوجيا، أظهرت نماذج اللغة الضخمة (Large Language Models - LLMs) قدرات مذهلة في توليد الأكواد، التفكير الرمزي، واستخدام الأدوات، ولكن لا تزال عملية حل المعادلات التفاضلية في بيئات غير متجانسة تمثل تحديا كبيرا.

العمل السابق على نماذج توليد الأكواد القائمة على LLM والنماذج الأساسية القائمة على محولات (Transformers) من أجل تعلم المعادلات التفاضلية أظهر تقدمًا واعدًا. ومع ذلك، كانت هناك حاجة مستمرة للتوازن بين معدل نجاح التنفيذ والدقة العددية، خاصة عند معالجة معلمات وشروط حدود غير مسبوقة.

في هذا الإطار الجديد، اقترح الباحثون OpInf-LLM، وهو إطار عمل لحل المعادلات التفاضلية عبر الاستدلال على المشغل (Operator Inference). يعتمد هذا الإطار على كميات صغيرة من بيانات الحلول لتوقع دقيق لمختلف حالات المعادلات التفاضلية، حتى عند وجود معلمات وتكوينات غير معروفة.

يوفر OpInf-LLM دمجًا سلسًا مع نماذج اللغة الضخمة لتحديد المهام بلغة طبيعية، بالإضافة إلى التحليل الفيزيائي المناسب لتهيئة المعلمات. كما أن حاجته المنخفضة من الموارد الحاسوبية تضيف ميزة إضافية، مما يضمن ارتفاع معدل نجاح التنفيذ عبر الإعدادات غير المتجانسة.

بهذا الشكل، يفتح الإطار الجديد آفاقًا جديدة للنمذجة المقلصة القابلة للتعميم في حل المعادلات التفاضلية القائمة على نماذج اللغة الضخمة.