طراحی تسک‌های مهندسی سازه برای آموزش مدل‌های هوش مصنوعی

ما به دنبال مهندسان سازه و توسعه‌دهندگانی هستیم که بتوانند چالش‌های مینی‌پروژه‌ای و مشخص در حوزه مهندسی سازه (مانند تحلیل سازه، طراحی مقاوم‌سازی لرزه‌ای، یا بهینه‌سازی مدل‌ها) طراحی کنند. هدف از این تسک‌ها، آموزش و ارزیابی مدل‌های پیشرفته هوش مصنوعی از طریق الگوریتم‌های یادگیری تقویتی (RL) است. شما برای این کار نیازی به تخصص در هوش مصنوعی ندارید، بلکه باید دانش مهندسی سازه و برنامه‌نویسی برای ارزیابی مدل‌ها را داشته باشید. شرح کار (یک تسک شامل چه بخش‌هایی است؟): هر تسکی که توسط شما توسعه داده می‌شود باید شامل ۳ بخش اصلی زیر باشد: صورت مسئله (instruction.md): یک توضیح کاملاً شفاف از چالش مهندسی، متغیرهای طراحی، محدودیت‌ها و فرمت خروجی مورد انتظار (مثلاً یک فایل JSON). این متن باید بر اساس مفاهیم فیزیک و مهندسی نوشته شود و نباید در آن به استفاده از نرم‌افزار خاصی (مثل OpenSees) الزامی گذاشته شود. سیستم نمره‌دهی خودکار و قطعی (scorer/compute_score.py): یک اسکریپت پایتون که فایل خروجی هوش مصنوعی را می‌خواند، آن را با داده‌های پنهان ارزیابی می‌کند و بر اساس معیارهای مهندسی (مثل کاهش دریفت، همگرایی تحلیل، مقاومت و هزینه) به آن نمره‌ای بین 0.0 تا 1.0 می‌دهد. راه‌حل مرجع / اوراکل (solution/solve.sh): یک اسکریپت واقعی و مبتنی بر محاسبات (مثلاً با استفاده از OpenSeesPy) که مسئله را به طور کامل و صحیح حل کرده و خروجی استانداردی تولید می‌کند که از سیستم ارزیابی نمره کامل (1.0) را می‌گیرد. این بخش اثبات می‌کند که تسک شما قابل حل است. معیارهای پذیرش و تایید تسک: تسک شما در یک سیستم تست خودکار (Prometheus) توسط هوش مصنوعی حل می‌شود و باید استانداردهای زیر را پاس کند تا تایید و پرداخت انجام شود: چالش‌برانگیز بودن: تسک نباید برای هوش مصنوعی خیلی ساده باشد. میانگین نمره‌ای که مدلِ هدف در تلاش‌های خود می‌گیرد باید کمتر یا مساوی 0.500 باشد. تنوع در نتایج: نحوه نمره‌دهی نباید صفر و یکی باشد. باید به راه‌حل‌های نسبی نمره تعلق بگیرد، به طوری که انحراف معیار نمرات کسب‌شده توسط مدل، بیشتر یا مساوی 0.100 باشد. تست موفقیت‌آمیز راه‌حل مرجع: کدهای ارسالی شما (راه‌حل مرجع) باید در محیط تست ایزوله (Docker) نمره 1.0 بگیرند. خطوط قرمز و الزامات سخت‌گیرانه (عدم رعایت = لغو پروژه):اصالت کار و عدم کپی‌برداری: تمامی تسک‌ها از یک سیستم بررسی شباهت (Similarity Check) عبور می‌کنند. کپی کردن تسک‌های قبلی یا تغییرات بسیار جزئی در پروژه‌های پیشین تقلب محسوب شده (شباهت بالای ۹۵ درصد رد خودکار و شباهت ۹۹ تا ۱۰۰ درصد منجر به اخراج دائمی می‌شود). عدم تقلب در راه‌حل: راه‌حل مرجع شما باید مسئله را با استفاده از محاسبات عددی واقعی حل کند. هاردکد کردن (Hardcode) جواب نهایی و نوشتن دستی متغیرها به جای استخراج از طریق حلگر غیرقابل‌قبول است. امنیت اسکریپت‌ها: استفاده از دستورات اجرای مستقیم کد (مانند eval یا exec) در اسکریپت نمره‌دهی پایتون به دلیل مسائل امنیتی اکیداً ممنوع است. پنهان‌سازی اطلاعات کلیدی: داده‌های لازم برای ارزیابی (مثل مقادیر هدف پنهان) نباید در دسترس مدل قرار گیرند و فقط کد نمره‌دهی باید آن‌ها را ببیند. مهارت‌های مورد نیاز:تسلط بر مهندسی سازه و مفاهیم مکانیک جامدات / تحلیل لرزه‌ای.تجربه کار با نرم‌افزارهای تحلیلی خصوصاً OpenSees / OpenSeesPy.تسلط به زبان برنامه‌نویسی پایتون برای نوشتن اسکریپت‌های تحلیل و سیستم ارزیابی.آشنایی پایه با محیط‌های لینوکس و داگر (Docker) امتیاز محسوب می‌شود.