📊 statistics

A Resolution Independent Neural Operator

تقدم هذه الورقة البحثية "المُعامل العصبي المستقل عن الدقة" (RINO)، وهو إطار عمل يوسع نطاق DeepONet للتعامل مع الدوال المدخلة والمخرجة المتقطعة عند مواقع استشعار عشوائية، وذلك عبر توظيف تعلم القواميس مع التمثيلات العصبية الضمنية (تحديداً SIRENs) لإسقاط البيانات في فضاء معاملات متوافق.

المؤلفون الأصليون: Bahador Bahmani, Somdatta Goswami, Ioannis G. Kevrekidis, Michael D. Shields

نُشر 2026-02-17

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Bahador Bahmani, Somdatta Goswami, Ioannis G. Kevrekidis, Michael D. Shields

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول تعليم روبوت كيفية التنبؤ بكيفية تدفق سائل عبر أنبوب، أو كيف سينحني جسر تحت تأثير الإجهاد. في عالم الفيزياء والهندسة، تُحل هذه المشكلات باستخدام معادلات رياضية معقدة تسمى المعادلات التفاضلية الجزئية (PDEs).

لفترة طويلة، استخدم العلماء أداة ذكاء اصطناعي قوية تسمى DeepONet لتعلم هذه المعادلات. فكر في DeepONet كأنه مترجم بارع يتعلم التحدث بلغة الفيزياء. ومع ذلك، كان لهذا المترجم قاعدة مزعجة للغاية: كان يفهم فقط الجمل المكتوبة بعدد محدد من الكلمات، وبترتيب معين.

إذا أعطيت الروبوت جملة مكونة من 100 كلمة، فإنه سيعمل بشكل مثالي. ولكن إذا أعطيته نفس الجملة ولكن بـ 50 كلمة فقط، أو إذا كانت الكلمات مبعثرة بترتيب مختلف، فسيصاب الروبوت بالارتباك ويفشل. في الحياة الواقعية، غالبًا ما تكون المستشعرات (التي تمثل "الكلمات") موضوعة بشكل عشوائي أو بأعداد مختلفة اعتمادًا على التجربة. وهذا جعل الذكاء الاصطناعي الأصلي جامدًا للغاية ويصعب استخدامه في العالم الحقيقي.

الحل: المشغل العصبي "المستقل عن الدقة" (RINO)

ابتكر مؤلفو هذه الورقة البحثية، باهماني وزملاؤه، نظامًا جديدًا يسمى RINO (المشغل العصبي المستقل عن الدقة). لم يكتفوا بإصلاح الروبوت فحسب؛ بل أعطوه طريقة جديدة في التفكير.

إليك كيف فعلوا ذلك، باستخدام بعض التشبيهات البسيطة:

1. المشكلة: فخ "الشبكة الثابتة"

تخيل أنك تحاول وصف لوحة لصديق عبر الهاتف.

الطريقة القديمة (Vanilla DeepONet): أنت مجبر على وصف اللوحة من خلال سرد لون كل بكسل (pixel) في شبكة مثالية بمقاس 100×100. إذا كان لدى صديقك هاتف لا يمكنه التعامل إلا مع شبكة 50×50، أو إذا كان ينظر إلى صورة حيث البكسلات مبعثرة، فإن وصفك سيفشل. أنت عالق في شبكة جامدة.
العالم الحقيقي: في العلوم، غالبًا ما يكون لدينا "سحب نقطية" (point clouds). تخيل أن لديك حقيبة من الكرات الزجاجية تمثل نقاط البيانات. أحيانًا يكون لديك 10 كرات، وأحيانًا 100. وأحيانًا تكون في شكل مربع مثالي، وأحيانًا تكون مبعثرة عشوائيًا. الذكاء الاصطناعي القديم لم يكن قادرًا على التعامل مع هذه الفوضى.

2. الابتكار: "القاموس الشامل"

أدرك المؤلفون أنه بدلاً من إجبار البيانات على الدخول في شبكة جامدة، يمكنهم تعليم الذكاء الاصطناعي التعرف على شكل البيانات، بغض النظر عن عدد النقاط الموجودة.

لقد أنشأوا قاموسًا للأشكال.

فكر في هذا القاموس كأنه مجموعة من النوتات الموسيقية أو مجموعة من قطع الليغو (Lego).
بغض النظر عن شكل البيانات (سواء كانت لوحة أو تدفق سائل)، يمكن بناؤها من خلال دمج بعض هذه "القطع" (التي تسمى دوال الأساس أو Basis Functions).
يتعلم الذكاء الاصطناعي النظر إلى مجموعة نقاط مبعثرة وفوضوية والقول: "آه، هذا يبدو مثل 30% من القطعة (أ)، و50% من القطعة (ب)، و20% من القطعة (ج)".

3. المكون السحري: "التمثيلات العصبية الضمنية" (INRs)

كيف تصنع "قطعة ليغو" يمكنها التمدد والتقلص لتناسب أي شكل؟

استخدم المؤلفون نوعًا خاصًا من الشبكات العصبية يسمى SIREN (شبكات التمثيل الجيبية).
تخيل أن قطعة الليغو القياسية مصنوعة من بلاستيك صلب؛ إنها جامدة.
أما قطع SIREN فهي مصنوعة من مطاط مرن وقابل للتمدد. إنها مستمرة وسلسة. يمكنك مدها لتناسب تجمعًا صغيرًا من النقاط أو سحابة ضخمة من النقاط، وستظل تحافظ على شكلها تمامًا.
ولأن هذه "القطع" سلسة ومرنة، يمكن للذكاء الاصطناعي تعلم النمط الأساسي للفيزياء دون الاهتمام بالعدد المحدد للمستشعرات المستخدمة لقياسها.

4. النتيجة: "الترجمة" تصبح بسيطة

بمجرد أن يقوم الذكاء الاصطناعي بترجمة البيانات المبعثرة والفوضوية إلى قائمة من "معاملات القطع" (على سبيل المثال: "استخدم 3 من القطعة أ، و5 من القطعة ب")، يصبح التعلم الفعلي بسيطًا للغاية.

الطريقة القديمة: كان على الذكاء الاصطناعي تعلم خريطة ضخمة ومعقدة من "نقطة الشبكة 1" إلى "نقطة الشبكة 100".
الطريقة الجديدة (RINO): يتعلم الذكاء الاصطناعي ببساطة خريطة بسيطة من "معاملات القطع" إلى "معاملات القطع".

إنه يشبه الانتقال من ترجمة كتاب مكون من 1000 صفحة كلمة بكلمة (وهو أمر صعب وعرضة للخطأ) إلى ترجمة ملخص من 5 كلمات (وهو أمر سريع ودقيق).

لماذا يهم هذا في الحياة اليومية؟

المرونة: يمكنك الآن استخدام بيانات من مستشعر رخيص يحتوي على 10 نقاط، ومن مستشعر متطور للغاية يحتوي على 10,000 نقطة في نفس نموذج التدريب. الذكاء الاصطناعي لا يهتم.
الكفاءة: نظرًا لأن الذكاء الاصطناعي يتعلم "الجوهر" (القطع) بدلاً من "البكسلات"، فإنه يحتاج إلى عدد أقل من المعلمات (parameters) للتعلم. إنه أسرع في التدريب ويستهلك ذاكرة أقل.
التطبيق في العالم الحقيقي: في الهندسة، غالبًا ما تحصل على بيانات من عمليات محاكاة أو تجارب مختلفة لا تتطابق تمامًا. يسمح لك نظام RINO بخلط ومطابقة هذه البيانات للتنبؤ بكيفية سلوك تصميم جديد، حتى لو لم تكن قد اختبرته بتلك الإعدادات المحددة للمستشعرات من قبل.

الملخص

تقدم الورقة البحثية نظام RINO، وهو ذكاء اصطناعي ذكي يتعلم المعادلات الفيزيائية من خلال تجاهل التفاصيل الفوضوية لكيفية جمع البيانات. بدلاً من المطالبة بشبكة مثالية، يقوم ببناء "قاموس" مرن من الأشكال التي يمكنها وصف أي بيانات، بغض النظر عن كونها مبعثرة أو نادرة. وهذا يجعل الذكاء الاصطناعي قويًا، وفعالًا، وجاهزًا للتعامل مع الواقع الفوضوي وغير المتوقع للعالم الحقيقي.

إليك ملخص تقني مفصل لورقة البحث بعنوان "المشغل العصبي المستقل عن الدقة" (RINO).

1. بيان المشكلة

تعد شبكات "DeepONet" العميقة بنيات قوية لتعلم الخرائط بين فضاءات الدوال ذات الأبعاد اللانهائية (مثل حل المعادلات التفاضلية الجزئية). ومع ذلك، تعاني شبكات "DeepONet" التقليدية (Vanilla) من قيد حرج وهو: التبعية للدقة (Resolution Dependency).

القيد: تتطلب شبكات "DeepONet" التقليدية أن تكون جميع الدوال المدخلة مجزأة عند مجموعة ثابتة من مواقع المستشعرات.
النتيجة: هذا يحد من التطبيقات العملية حيث تأتي البيانات من مصادر مختلفة، مثل:
- بيانات التدريب متعددة الدقة (دقة شبكات مختلفة).
- تحسين الشبكة التكيفي (تتحرك المستشعرات أو تتغير كثافتها بمرور الوقت أو المكان).
- بيانات السحب النقطية (Point Clouds) غير المنظمة من التجارب أو المحاكاة.
الهدف: تطوير إطار عمل للمشغل العصبي يمكنه قبول دوال الإدخال والإخراج المجزأة عند أعداد ومواقع مستشعرات عشوائية (سحب نقطية) دون الحاجة إلى تغييرات هيكلية في شبكة المشغل الأساسية، مع الحفاظ على الدقة العالية والقدرة على التعميم.

2. المنهجية

يقترح المؤلفون إطار عمل من مرحلتين: DeepONet المستقل عن الدقة (RI-DeepONet)، والمشغل العصبي المستقل عن الدقة (RINO) الأكثر عمومية. الابتكار الجوهري هو استخدام تعلم القواميس (Dictionary Learning) بالتزامن مع التمثيلات العصبية الضمنية (INRs).

أ. المفهوم الجوهري: تعلم القواميس في فضاء الدوال

بدلاً من تغذية بيانات السحب النقطية الخام مباشرة في الشبكة العصبية، تقوم الطريقة بإسقاط إشارات الإدخال/الإخراج العشوائية على مجموعة متعلمة من الدوال الأساسية المستمرة.

التضمين (Embedding): يتم إسقاط دالة عشوائية $u(x)$ على قاموس من الدوال الأساسية $\Psi = \{\psi_1, ..., \psi_Q\}$ للحصول على متجه معاملات (تضمينات) $\alpha$ محدود الأبعاد.
تعلم المشغل: بعد ذلك، تتحول مهمة تعلم المشغل إلى رسم خريطة من معاملات الإدخال $\alpha_{in}$ إلى معاملات الإخراج $\alpha_{out}$ .

ب. بارامترية الدوال الأساسية (INRs)

للتعامل مع التجزئات العشوائية، يجب أن تكون الدوال الأساسية نفسها مستمرة وقابلة للاشتقاق.

يقوم المؤلفون بتمثيل الدوال الأساسية $\psi_l(x)$ باستخدام التمثيلات العصبية الضمنية (INRs)، وتحديداً شبكات SIRENs (الشبكات التكرارية الجيبية).
مزايا SIRENs: هي معرفة على نطاقات مستمرة، قابلة للاشتقاق بالكامل، وقادرة على التقاط التفاصيل عالية التردد دون التحيز الطيفي الذي تعاني منه شبكات MLP القياسية.

ج. خوارزميات تعلم القواميس

تقدم الورقة خواروارزميتين لتعلم القاموس $\Psi$ من مجموعة بيانات من الإشارات المترابطة:

التعلم على مستوى الدفعة (Batch-wise Learning - Algorithm 1):
- تضيف دوال أساسية جديدة بشكل تكراري لالتقاط خطأ المتبقي المتوقع عبر مجموعة البيانات بأكملها.
- تستخدم منهجية "طريقة اتجاهات معددات لاغرانج المترابطة" (ADMM): تثبيت القواعد لحل المعاملات، ثم تثبيت المعاملات لتحسين القاعدة الجديدة.
- تعزز التعامد (Orthogonality) بين الدوال الأساسية لضمان التفرد والاستقرار.
التعلم على مستوى العينة (Sample-wise Learning - Algorithm 2):
- عملية "غرام-شميت" (Gram-Schmidt) معممة لفضاءات الدوال.
- تعالج الإشارات واحدة تلو الأخرى، حيث تضيف دالة أساسية جديدة لالتقاط متبقي الإشارة الحالية التي لا يمكن تمثيلها بواسطة القاموس الحالي.

د. البنيات (Architectures)

RI-DeepONet:
- يستخدم القاموس المتعلم لإسقاط دالة الإدخال إلى فضاء التضمين.
- تأخذ شبكة الفرع (Branch Network) الخاصة بـ DeepONet هذه المعاملات كمدخلات.
- تظل شبكة الجذع (Trunk Network) قياسية (تتعلم دوال الأساس للإخراج عند إحداثيات ثابتة).
RINO (المشغل العصبي المستقل عن الدقة):
- يطبق تعلم القواميس على كل من دوال الإدخال والإخراج.
- تصبح مهمة تعلم المشغل هي رسم خريطة بين متجه معاملات الإدخال ومتجه معاملات الإخراج.
- يتم استبدال "الجذع" (Trunk) بقاموس إخراج ثابت ومتعلم مسبقاً.
- ينتج عن ذلك شبكة عصبية واحدة تعمل بالكامل في فضاء التضمين الكامن، مما يقلل عدد المعلمات بشكل كبير.

3. المساهمات الرئيسية

الاستقلال عن الدقة: يسمح إطار العمل بالتدريب والاستدلال على بيانات ذات مواقع وكثافات مستشعرات عشوائية، مما يلغي المتطلب الصارم للشبكات الثابتة.
القواعد المستمرة المتعلمة: يقدم طريقة قائمة على البيانات لتعلم دوال أساسية مستمرة ومتعامدة (عبر SIRENs) مباشرة من بيانات السحب النقطية، مما يوسع تعلم القواميس من الفضاءات المتجهة إلى فضاءات الدوال.
بنية RINO: يقترح نموذجاً جديداً لتعلم المشغل حيث يتم تعلم المشغل في فضاء كامن مضغوط ومتعامد، مما يبسط مشهد التحسين ويقلل تعقيد النموذج.
القابلية للتفسير: توفر الدوال الأساسية المتعلمة تمثيلاً قابلاً للتفسير للفيزياء الكامنة، بشكل مشابه لـ "تحليل المكونات الأساسية للمتجهات" (POD)، ولكنها قابلة للتكيف مع البيانات غير المنظمة.

4. النتائج

تحقق المؤلفون من صحة إطار العمل عبر ستة أمثلة عددية تتراوح من 1D إلى 2D ومن الخطية إلى المعادلات التفاضلية غير الخطية للغاية:

الأمثلة: المشتق (Antiderivative)، معادلة دارسي غير الخطية (1D/2D)، معادلة بورغرز غير الخطية، وميكانيكا المواد الصلبة (المرونة الخطية).
الأداء:
- الدقة: حققت نماذج RINO و RI-DeepONet أخطاء متوسط مربعات نسبية منخفضة (غالباً أقل من $10^{-3}$ ) في جميع الحالات الاختبارية.
- التعميم: نجحت النماذج في التعميم على دوال إدخال مجزأة عند أعداد مواقع مستشعرات ومواقع لم تُشاهد أثناء التدريب (على سبيل المثال، التدريب على مجموعات فرعية عشوائية من 10-60 نقطة، والاختبار على 100 نقطة أو مجموعات فرعية عشوائية مختلفة).
- المتانة: تعاملت الطريقة مع شبكات العناصر المحدودة غير المنظمة ذات الكثافات المتغيرة لكل حالة (مثال توضيحي 1).
- الكفاءة: في إعداد RINO، كان المشغل العصبي أكثر إيجازاً بشكل ملحوظ (على سبيل المثال، تقليل الطبقات من [40, 50, 100] إلى [40, 40, 37]) مع الحفاظ على دقة مماثلة لـ RI-DeepONet.
حدود الدقة: تشير الورقة إلى أن الدقة تتدهور فقط عندما تنخفض كثافة المستشعرات عن معدل "نايكويست-شانون" (Nyquist-Shannon) لمقياس الطول المميز للمشكلة المحددة، وهو قيد فيزيائي متوقع وليس فشلاً في النموذج.

5. الأهمية

سد الفجوات البيانية: يحل هذا العمل عقبة رئيسية في التعلم الآلي العلمي (SciML)، مما يسمح باستخدام مصادر بيانات متباينة (مثل الجمع بين المحاكاة عالية الدقة ونقاط البيانات التجريبية منخفضة الدقة) لتدريب المشغلات.
القابلية للتطبيق العملي: يجعل المشغلات العصبية قابلة للتطبيق في المشكلات الهندسية الواقعية حيث يكون إنشاء الشبكات تكيفياً أو حيث يكون وضع المستشعرات غير منتظم.
التقدم النظري: من خلال الربط بين تعلم القواميس، والتمثيلات العصبية الضمنية (INRs)، وتعلم المشغل، توفر الورقة إطاراً مبدئياً وقابلاً للتفسير يتماشى مع التحليل العددي الكلاسيكي (مبرهنة Stone-Weierstrass) مع الاستفادة من قدرات التعلم العميق الحديثة.
المنفعة المستقبلية: يمكن استخدام القوام st المكتسبة لمهام أخرى مثل إعادة بناء الإشارات من البيانات غير المكتملة (على غرار Gappy POD) وتقدير عدم اليقين نظراً لضخامة التمثيل الكامن.