SINDyG: Sparse Identification of Nonlinear Dynamical Systems from Graph-Structured Data, with Applications to Stuart-Landau Oscillator Networks

ملخص تقني: SINDyG – التحديد المتناثر للأنظمة الديناميكية غير الخطية من البيانات ذات البنية الرسومية (Graph-Structured Data)

بيان المشكلة
لقد أحدث استخراج المعادلات الحاكمة من البيانات باستخدام تقنيات التحديد المتناثر، مثل "التحديد المتناثر للديناميكيات غير الخطية" (SINDy)، ثورة في مجالات النمذجة بدءاً من العلوم العصبية وصولاً إلى علوم المناخ. ومع ذلك، فإن مناهج SINDy القياسية تتعامل عادةً مع الأنظمة الديناميكية ككيانات متجانسة، متجاهلةً طوبولوجيا الشبكة الكامنة التي تحكم التفاعلات بين الأنظمة الفرعية. وعند تطبيقها على الأنظمة ذات البنية الرسومية (مثل الشبكات العصبية، أو شبكات الطاقة، أو الشبكات الاجتماعية)، تعامل SINDy القياسية جميع حدود التفاعل المرشحة بالتساوي. هذا الافتقار إلى الأولويات الهيكلية غالباً ما يؤدي إلى اختيار "حدود زائفة" — وهي تفاعلات لا تعكس الاتصال الفعلي بين العقد — مما ينتج نماذج متحيزة، وأقل دقة، ومعقدة بشكل مفرط تفشل في التقاط السلوكيات الناشئة الدقيقة.

المنهجية: SINDyG
لمعالجة هذه القيود، يقترح المؤلفون SINDyG (التحديد المتناثر للأنظمة الديناميكية غير الخطية من البيانات ذات البنية الرسومية). يوسع هذا الأسلوب إطار عمل SINDy القياسي من خلال دمج بنية الشبكة (Adjacency Structure) صراحةً في عملية الانحدار المتناثر.

الابتكار الجوهري هو استراتيجية التنظيم المستوحاة من الرسم البياني (Graph-informed regularization strategy). فبدلاً من تطبيق عقوبة موحدة على جميع الحدود المرشحة، يستخدم SINDyG مصفوفة عقوبة $P$ مشتقة من مصفوفة الاتصال $A$ الخاصة بالشبكة. وتتضمن العملية ما يلي:

1. تحليل الاتصال: لكل حد مرشح في مكتبة الدوال، تحدد الخوارزمية المتغيرات المصدر (العقد المشاركة في الحد) وتحسب متوسط الاتصال ($m_{ck}$) بين هذه المصادر والعقدة المستقبل (العقدة التي يتم نمذجة ديناميكياتها) باستخدام مصفوفة الاتصال.
2. صياغة العقوبة: يتم بناء دالة عقوبة قائمة على الدالة السيجمويدية (Sigmoid-based penalty function) $P[c,k]$. تتلقى الحدود ذات متوسط الاتصال المنخفض بين متغيرات المصدر والمستقبل عقوبة أعلى (تقترب من 1)، مما يثبط فعلياً اختيار التفاعلات التي تنتهك طوبولوجيا الشبكة المعروفة. وعلى العكس من ذلك، تتلقى الحدود المتوافقة مع الاتصالات القوية عقوبات أقل.
3. التحسين (Optimization): تستخدم الطريقة خوارزمية المربعات الصغرى المتتالية ذات العتبة (STLSQ) المعدلة. تقوم دالة الهدف بتقليل خطأ إعادة البناء للمشتقات مع دمج العقوبة المدركة للرسم البياني:
   $$\min_{\Xi} \frac{1}{2} \| \dot{X} - \Theta(X)\Xi \|_2^2 + \lambda \| P \odot \Xi \|_2^2$$
   ولحل هذه المسألة بكفاءة، يتم تغيير مقياس مصفوفة الميزات والمعاملات لتحويل المشكلة إلى إطار عمل انحدار ريدج (Ridge Regression) قياسي، والذي يتم حله تكرارياً باستخدام العتبة الصلبة (Hard Thresholding) لفرض التناثر.

المساهمات الرئيسية

• الانحدار المتناثر المدرك للرسم البياني: تقديم مصفوفة عقوبة تركيبية تدمج المعرفة المسبقة باتصال الشبكة مباشرة في عملية تقدير المعاملات.
  টি
• تحسين الإيجاز والدقة: من خلال توجيه الانحدار نحو التفاعلات المعقولة هيكلياً، يقلل SINDyG من اختيار الحدود الزائفة، مما يؤدي إلى نماذج أبسط وأكثر قابلية للتفسير.
• إطار عمل تركيبي (Modular Framework): تم تصميم العقوبة المدركة للرسم البيفي المقترحة ليتم دمجها بسهولة مع حلول الانحدار الرمزي الأخرى بخلاف SINDy.

النتائج التجريبية
تحقق المؤلفون من صحة SINDyG باستخدام شبكات تذبذب ستيوارت-لانداو (Stuart-Landau - SL)، وهو نموذج يُستخدم كثيراً لوصف التذبذب الجماعي للمجموعات العصبية. أُجريت التجارب على كل من الشبكات البسيطة المكونة من ثلاث عقد وحالات عامة معقدة تشمل طوبولوجيا "إردوس-ريني" (ER) و"الشبكات الخالية من المقياس" (SF) مع تباين في الأحجام وقوى الاقتران.

• الحالة البسيطة: في شبكة مكونة من ثلاث عقد، حقق SINDyG تعقيد نموذج ($\gamma$) قدره 32، وهو ما يطابق النموذج الحقيقي، بينما أنتج S_indy القياسي تعقيداً قدره 62. أظهر SINDyG دقة فائقة في المعاملات (متوسط الخطأ المطلق 0.0033 مقابل 0.0155 لـ SINDy) ودرجات $R^2$ تنبؤية أعلى على مسارات غير مرئية.
• الحالة العامة: كشفت تحليلات الحساسية أنه مع زيادة حجم الشبكة وقوة الاقتران، تدهور أداء SINDy القياسي بشكل كبير، حيث أظهر تعقيداً وخطأً أعلى. في المقابل، حافظ SINDyG على المتانة، منتجاً باستمرار نماذج ذات تعقيد أقل ودقة تعميم أعلى (درجة $R^2$ اختبار أعلى، وخطأ متوسط تربيعي MSE اختبار أقل) عبر مختلف أحجام الشبكة وأوزان الحواف.
• الكفاءة الحسابية: على الرغم من أن SINDyG يتضمن خطوات إضافية لحساب مصفوفة العقوبة، إلا أن وقت التدريب الإجمالي ظل مقارباً لـ SINDy القياسي، مع إظفظ الطريقة لمرونة أكبر تجاه بيانات التدريب المحدودة.

الأهمية والادعاءات
يزعم البحث أن SINDyG يمثل خطوة كبيرة للأمام في النمذجة القائمة على البيانات للأنظمة المترابطة. فمن خلال الاستفيد من طوبولوجيا الشبكة لتوجيه اكتشاف المعادلات الحاكمة، ينتج الأسلوب نماذج ليست أكثر دقة فحسب، بل هي أيضاً أكثر قابلية للتفسير الفيزيائي. يضع المؤلفون SINDyG كخطوة تأسيسية نحو فئة أوسع من "خوارزميات الاكتشاف المستوحاة من الشبكة". ويقترحون أن دمج هذا النوع من التنظيم المتناثر المدرك للرسم البياني في حلول الانحدار الرمزي الحالية (مثل PySR) يمكن أن يعزز الأداء في البيئات الصاخبة أو الواقعية عبر مجالات متنوعة، بما في ذلك العلوم العصبية، وعلم البيئة، والتمويل، وعلم الأوبئة. ويشير المؤلفون بتواضع إلى أنه بينما تم التحقق من صحة الطريقة على نماذج ستيوارت-لانداو، فإن العمل المستقبلي مطلوب لتقييم فعاليتها على أنظمة غير خطية أخرى مثل نماذج كوراماتو (Kuramoto) أو فيتز هيو-ناجوي (FitzHugh–Nagumo).