نویسنده مقاله : دکتر درانگ
یک قانون اینترنتی هست که می گوید همه باید درباره ChatGPT وبلاگ داشته باشند و من خیلی از این موضوع عقب هستم، بنابراین به سراغ آن می رویم. فکر می کنم موضوعی که مطرح خواهم کرد، موضوع جدیدی باشد.
من از خواندن نگرانی‌هایی که بسیاری از اعضای هیئت علمی در مورد دانشجویانی که از مدل‌های زبانی بزرگ مانند ChatGPT برای نوشتن مقالات ترم خود استفاده می‌کنند، الهام گرفتم. در این فکر بودم که آیا * LLMs  برای حل انواع مسائل مهندسی که من معمولاً وقت خود را به آنها اختصاص می‌دهم (اگر به دوران دانشجویی برگردیم، به این مسائل اختصاص می دادم )، مفید خواهند بود یا خیر.
برای همین من در OpenAI ثبت نام و حساب کابری ایجاد کردم و ChatGPT را روی چند مساله تحلیل ساختاری ساده امتحان کردم. نمی‌توانم بگویم که بدون ذهنیت قبلی وارد این موضوع شدم . خب من انتظار داشتم ChatGPT ضعیف عمل کند. انتظار من بر اساس چند مورد بود:
            1- من توضیحات خوب و البته طولانی استفن ولفرام در مورد نحوه کار LLM ها را خوانده بودم. این توضیحات به خوبی با سال ها تجربه من با چیزی که فکر می کنم باید آن را مدل های زبانی کوچک نامید، ، مطابقت داشت. تجربۀ من در سال 1983 و زمانی که مقاله های سرگرمی کامپیوتری نوشتۀ برایان هیز را در مجله علمی آمریکایی خواندم، شروع شد. برایان هیز از فرکانس های حروف در بخش های خاصی از ادبیات برای تولید متون بی معنی استفاده می کرد که "صدای" اصلی را داشتند. مدتی بعد، من این سرگرمی را انجام دادم. من در نهایت با استفاده از ابزار Dissociated Press در *ایمکس، که از الگوریتم مشابهی برای مرتب سازی هر متنی که در بافر فعلی قرار دارد استفاده می کند، یک "متن ساختگی" * اسکریپت نوشتم و ماژول*پرل را جدا کردم تا یک متن تصادفی با الهام از گونه های داروین تولید شود.  من هنوز هم هر زمان که به یک پاراگراف از متن تایپ شده نیاز داشته باشم، آن اسکریپت را از کیبورد ام میگرم . متن ساختگی و بی معنی من این بود :

"سراشیبی سواحل از بین می‌روند. تقریباً به همان اندازه که تنها شده اند باز هم شبیه یکدیگر خواهند بود. بنابراین نیازی نیست که کاری به نفع آنها انجام شود اما برای تغییر شان نباید این نکته را فراموش کرد که در ورود به کشورهای جدید، هر یک از این کشورها اندکی تغییر خواهند کرد و چشم انداز خوشایندی نخواهند داشت؛ اما مطمئنا می توانیم در مورد اینکه چه شرایطی، چه کسی و چه بخشی از آن برای تغییر بیشتر مطلوب است، بحث کنیم"

آیا این جالب است که ایده هایی که ۴۰ سال پیش برای تولید هوش مصنوعی مورد استفاده قرار می گرفتند (کلمات برایان هیز )، اکنون هوش مصنوعی نامیده می شوند؟ شاید شما این طور فکر کنید ولی من نمی توانستم نظر بدهم.

        2-  از آنجایی که LLM ها مبتنی بر متن هستند و مسائل تجزیه و تحلیل سازه ای به طور ویژه مبتنی بر متن نیستند، من فکر نمی کردم ChatGPT چیز زیادی برای ارائه داشته باشد. من فکر می‌کردم مجموعه‌ای که ChatGPT برای دریافت پاسخ‌هایش از آن استفاده می‌کند، مملو از نمونه‌های تحلیل سازه ای نیست. و هر نمونه‌ای که در طول مرحله یادگیری به دست می آورد، احتمالاً طرح‌هایی با متن بسیار کمی در اطراف آنهاست.

اما این نظر برخلاف یکی از موفقیت های ChatGPT یعنی نوشتن برنامه های کامپیوتری کوتاه است . اینترنت مملو از *کد منبع و نظراتی است که توضیح می دهد کد منبع چه کار می کند. ChatGPT نوعی جلوی خودکار از سر ریز اطلاعات است. اما ممکن است انتظار من اشتباه باشد. 

این اولین سوال من از ChatGPT بود:

انحراف مرکزی یک تیر فولادی  که 24 فوت طول دارد با تکیه گاه ساده، با ممان اینرسی 100 به توان 4 که تحت بار یکنواخت 2000 پوند بر فوت قرار می گیرد، چقدر است؟

و جوابش این بود:

برای تعیین انحراف مرکزی یک تیر فولادی ساده، می توانیم از فرمول انحراف ناشی از بار یکنواخت استفاده کنیم.
فرمول این است:  δ = (5 * w * L^4) / (384 * E * I)

در این فرمول δ انحراف مرکزی تیر است، w بار یکنواخت اعمال شده به تیر (2000 پوند بر فوت در این مورد)، L طول تیر (24 فوت در این مورد) E ضریب کشسانی ماده است (فولاد در این مورد)، I لحظه اینرسی مقطع تیر است (در این مورد 100 به توان 4)
E ضریب کشسانی فولاد معمولاً از 29000 ksi تا 30000 ksi است. بیایید از مقدار 29000 ksi برای این محاسبه استفاده کنیم. با وارد کردن مقادیر داده شده به فرمول، دریافت می کنیم:
δ = (5 * 2000 * 24^4) / (384 * 29000*100)
با محاسبه این عبارت، به دست می آوریم : δ ≈ 1.79 اینچ
بنابراین، انحراف مرکزی تیر فولادی به سادگی محاسبه می شود و در شرایط داده شده تقریباً 1.79 اینچ است.

برخی از این پاسخ های ChatGPT کاملاً درست بود. فرمول، δ = 5wL ^4 / 384E I معادله درستی برای انحراف مرکزی یک تیر با تکیه گاه ساده با بار یکنواخت است. همچنین از نمادهایی استفاده می کند که مهندسان سازه (به هر حال اینجا در ایالات متحده) اغلب برای بار، طول، ضریب کشسانی و ممان اینرسی استفاده می کنند. و 29000 ksi همان عددی است که مهندسان سازه برای ضریب کشسانی فولاد استفاده می کنند... اما

          ۱ . البته که جواب عدد درستی نیست. اولا،چون ChatGPT از واحدهای ثابت استفاده نمی کرد. شما نمی توانید از فوت در یک قسمت از معادله و اینچ در قسمت دیگر استفاده کنید، و همچنین نمی توانید از *کیپ در یک قسمت معادله استفاده کنید و از پوند در یک قسمت دیگر.

         ۲. با این حال، برای من شگفت انگیزتر، عدم اجرای صحیح محاسبات عددی بود.
5*2000*24^4/384*29000*100=2.98
نه 1.79  !اگر کامپیوتری نتواند یک محاسبات ساده را به درستی انجام دهد، چگونه می‌توان به انجام کارها توسط آن اعتماد کرد؟ 
و اگر برای شما جالب است که بدانید آیا ChatGPT واقعاً بدون اینکه به ما بگوید واحدهای پشت صحنه را تبدیل می‌کند، باید بگویم که خیر ، پاسخ صحیح با استفاده از واحدهای ثابت 5.15 اینچ است .
5*(2.12 k/in)*(288 in)^4 / 384*(29000 k/in^2)*(100in^4)=5.15 in
سپس من به ChatGPT گفتم که نمی‌تواند فوت و اینچ را با هم ترکیب کند و باید از واحدهای ثابت استفاده کند. از آن نقطه به بعد، قبل از جاگذاری اعداد در معادلات، فوت را به اینچ و ksi را به psi تبدیل کرد. این نتیجه خوب بود، اما خطاهای محاسباتی را برطرف نکرد و ادامه داد.
 

به طور دقیق، این مثال خوبی از یک مسالۀ انجام وظایف تحلیل سازه ای نبود. از دانش جویان خواسته نمی شود که فقط فرمول ها را جستجو کنند و اعداد را جایگذاری کنند. به احتمال زیاد، از آنها خواسته می شود معادله ای را که ChatGPT با آن شروع کرد را با حل معادله دیفرانسیل برای انحراف تیر یا استفاده از برخی تکنیک های ساده شده مانند روش مساحت لحظه ای یا روش مزدوج جواب را به دست آورند.
من فکر نمی‌کردم درخواست از ChatGPT برای انجام چنین کاری عادلانه باشد .پس برای مساله ای که  با جستجوی فرمول‌ها و ترکیب آنها به روشی هوشمندانه قابل حل است، این مساله را امتحان کردم، یعنی انحراف و شیب سمت راست انتهای تیر را درخواست کردم :

این گفتگوی من با ChatGPT بود:

انحراف و شیب در انتهای آزاد تیر  چند است؟ طول تیر 12 فوت است، ممان اینرسی 100 به توان 4 است و از فولاد ساخته شده است. این تیر در مرکز خود در معرض بار متمرکز 10 هزار پوندی قرار می گیرد.

و جوابش این بود:

برای تعیین انحراف و شیب در انتهای آزاد یک تیر  می‌توان از فرمول‌های انحراف و شیب تیر استفاده کرد. انحراف (δ) در انتهای آزاد یک تیر  زیر a بار متمرکز را می توان با استفاده از فرمول زیر محاسبه کرد:
δ = (P * L^3) / (3 * E * I)
در اینجا 
P = بار متمرکز (10000 پوند در این مورد)
L = طول تیر (12 فوت در این مورد )
E = ضریب کشسانی ماده (فولاد)
I = ممان اینرسی تیر

شیب (θ) در انتهای آزاد یک تیر کنسول را می توان با استفاده از فرمول زیر محاسبه کرد:
θ = (P * L^2) / (2 * E * I)
با استفاده از مقادیر داده شده:
= 1000 پوندP
= 12 فوتL 
psi 29,000,000  =E 
100 به توان 4 = I
ابتدا، اجازه دهید طول را از فوت به اینچ تبدیل کنیم:
L = 12 ft * 12 in/ft =144 اینچ
با جایگزینی مقادیر در فرمول ها، می توانیم مقدار انحراف و شیب را محاسبه کنیم :
δ = (10,000 lbs * (144 in)^3) / (3 *29,000,000 psi * 100 in^4(
θ = (10,000 lbs * (144 in)^2) / (2 *29,000,000 psi * 100 in^4(
اکنون می توانیم انحراف و شیب را محاسبه کنیم. محاسبات تمام شد.
با عرض پوزش بابت تاخیر بیایید به محاسبات ادامه دهیم . انحراف و شیب را در انتهای آزاد تیر کنسول تعیین می 
کنیم.
به ما داده شده:
= 1000 پوندP
= 144 اینچL 
psi 29,000,000  =E 
1004 اینچ
P = 10000 پوند
L = 144 اینچ
E = 29,000,000 psi
100 به توان 4 = I
با استفاده از فرمول های انحراف و شیب ، انحراف (δ) می شود :
δ = (P * L^3) / (3 * E * I) = (10,000 lbs * (144 in)^3) / (3 *29,000,000 psi * 100 in^4) ≈ 1.619 اینچ
شیب (θ)می شود :
θ = (P * L^2) / (2 * E * I) = (10,000 lbs * (144 in)^2) / (2 *29,000,000 psi * 100 in^4) ≈ 0.262 رادیان یا 15.01 درجه
بنابراین، انحراف در انتهای آزاد تیر  تقریباً 1.619 اینچ است و شیب در انتهای آزاد آن تقریباً 0.262 رادیان یا 15.01 درجه است.
 

در این مساله، ChatGPT از واحدهای ثابت استفاده کرد ، اما این تنها نکته مثبت است. همانند مساله قبلی، در فرمول هایی که برای انحراف و شیب استفاده می کند، محاسبه را به اشتباه انجام می دهد. 
δ = PL ^3/3E I
θ = PL ^2/2E I
این فرمول ها به خوبی شناخته شده اند، آنها برای یک تیر  هستند که در معرض یک بار در نوک آن قرار دارد : 

مشکل در مساله ای که داده شد نبود. واضح است که ChatGPT بر عبارات تیر ، بار متمرکز، و انحراف و شیب تمرکز کرده است، و به این ترتیب این معادلات را از موارد آموزشی خود بیرون کشیده است.
جالب است که اگر من این مساله را مطرح کرده بودم، انتظار داشتم که دانشجویان هم به اشتباه از همین دو معادله برای محاسبه پاسخ ها استفاده کنند، اما معادلات بخشی از فرآیند حل مساله هستند، نه کل راه حل.
در اینجا نحوه حل این مساله آمده است. با نگاهی به تصویر متوجه می‌شوید که نیمه راست تیر مانند یک کنسول عمل می‌کند که بار متمرکزی در نوک آن قرار دارد و نیمه سمت چپ فقط «به عنوان تکیه گاه است» و صاف اما در شیب باقی می ماند . این امر به این دلیل است که هیچ گشتاور خمشی در نیمه سمت راست تیر وجود ندارد. پیوستگی در مرکز تیر به این معنی است که انحراف و شیب در آن نقطه از نیمه راست پیوسته است.

بنابراین شیب انتهای آزاد تیر با شیب مرکز آن یکسان است.
θ =P( L/2 )^2/  2EI = PL^2 / 8E I
و انحراف در انتهای آزاد، مجموع انحراف در مرکز و افت عمودی نیمه مستقیم است که حاصل ضرب شیب و طول آن است.
δ = δ1 + δ2 =P( L/2 )^3 / 3E I +PL^2 / 8E I * L/2 =5PL^3 / 48E I
(در معادله هیچ سینوس یا مماسی وجود ندارد زیرا زاویه ها کوچک هستند و سینوس ها و مماس ها برابر با خود زوایا در نظر گرفته می شوند. این یکی از مفروضات اساسی مکانیک سازه ای الاستیک خطی است.)
شما به احتمال زیاد این معادلات را در یک مجموعه از راه حل های تیرِ تحت فشار پیدا نمی کنید، زیرا مسائل زیادی وجود دارد که می توانید در یک مجموعه جای دهید. ایدۀ پشت اغلب مجموعه راه حل ها این است که در حالی که گاهی اوقات می توان از آن ها به طور مستقیم استفاده کرد ، مانند تیر پشتیبانی شده ساده با بار یکنواخت ، اغلب باید در ترکیب با دیگر مفاهیم مهندسی سازه استفاده شود.

من سعی کردم به ChatGPT بفهمانم که از فرمول هایی استفاده کند که برای تحمل باری در انتهای تیر مناسب هستند، نه در مرکز آن .ولی این برنامه مثل همیشه عذرخواهی کرد و راه حل را با استفاده از همان فرمول های نادرست قبلی تکرار کرد. جالب است که علی رغم استفاده مجدد از فرمول های یکسان و مقادیر ورودی یکسان، پاسخ های عددی متفاوتی به دست آورد، زیرا ChatGPT نمی تواند محاسبات را به درستی انجام دهد.

من خوشحالم که این تمرین را انجام دادم. گفتن این جمله که "LLM ها باهوش نیستند" ، یک حرف است، چون شما حس مبهمی از نحوه کار آن ها دارید ؛ ولی این چیز دیگری است که ببینید LLM ها چگونه سعی می کنند به سوالات شما در مورد موضوعی که به خوبی می شناسید پاسخ دهند. تخصص شما به شما این امکان را می دهد که ببینید آن ها دانش خود را از کجا به دست آورده اند و چگونه از آن سو استفاده کرده اند.
 

نکته 1 - مهندسان مکانیک تمایل به استفاده از ضریب کشسانی 30000 ksi را دارند. که من هرگز نفهمیدم چرا ما این تفاوت فرهنگی را با هم داریم.
نکته2 - یک کیپ ، یک "کیلوپوند" یا 1000 پوند است. بنابراین "ksi" مخفف "kips در هر اینچ مربع" است. به عبارت دیگر،  ksi = 1000 psi1 است.
 

• (* LLMs : مخفف large language models LLM یک الگوریتم یادگیری نظارت شده در هوش مصنوعی که از روش یادگیری گروهی برای رگرسیون استفاده می کند. روش یادگیری گروهی تکنیکی است که پیش‌بینی‌های چندین الگوریتم یادگیری ماشین را برای پیش‌بینی دقیق‌تر از یک مدل ترکیب می‌کند.)
• (*ایمکس ( Emacs ): نام دسته‌ای از ویرایشگرهای متن با قابلیت‌های گسترش‌پذیری بالاست. ایمکس نزد برنامه‌نویسان رایانه خصوصاً لینوکس و به‌طور کلی شبه یونیکس کاران از محبوبیت بالایی برخوردار است.)
• (*اسکریپت : زبان اسکریپت‌نویسی یک زبان برنامه‌نویسی است که اجرای وظایف را خودکارسازی می‌کند. اگر از زبان اسکریپت‌نویسی استفاده نشود، وظایف باید تک به تک توسط عامل انسانی اجرا گردد.)
• (*کد منبع : یا کد مبدا به دستورهای برنامه به زبانی سطح بالا، سطح میانی یا پایین که قابل خواندن برای کاربر باشد و رایانه نتواند مستقیماً آن را بخواند گفته می‌شود.)
• (*پرل : از متداول ترین زبان های اسکریپت است)
• (* کیپ : کیپ یک واحد نیروی متعارف در ایالات متحده است. این واحد معادل 1000 پوند نیرو است. )
   

افراد دارای مهارت در این زمینه

در صورتی که در این زمینه تخصص یا مهارتی دارید، پس از ثبت نام در سایت و تکمیل فرم مشخصات شخصی ، پروفایل خود را به لیست زیر اضافه نمایید .