Nonlinear port-Hamiltonian system identification from input-state-output data (ISO-pHNN)
تقدم هذه الورقة ISO-pHNN، وهو إطار عمل يستفيد من الشبكات العصبية لتحديد أنظمة "بورت-هاميلتون" غير الخطية من بيانات المدخلات والحالة والمخرجات، مما يثبت أن فرض البنية الفيزيائية للنظام يحافظ على الدقة مع تعزيز قدرات التنبؤ طويلة المدى.
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 فهم كيفية عمل آلة معقدة، مثل محرك سيارة أو نظام طقس، دون أن ترى مخططاتها الهندسية أبداً. يعتمد العلماء غالباً على النماذج الرياضية للتنبؤ بكيفية سلوك هذه الأنظمة، لكن إنشاء تلك النماذج من الصفر يمكن أن يكون أمراً في غاية الصعوبة، خاصة عندما تكون القواعد التي تحكم النظام معقدة أو عندما يكون النظام نفسه سراً مملوكاً لجهة ما. لعقود من الزمن، استخدم الباحثون نهجين رئيسيين لحل هذا اللغز؛ يعتمد أحدهما على الفيزياء البحتة، عبر بناء نماذج قائمة على القوانين الأساسية للطبيعة، وهي طريقة موثوقة لكن من الصعب اشتقاقها للأجسام المعقدة في العالم الحقيقي. أما النهج الآخر فيعتمد على البيانات، باستخدام برامج حاسوبية لإيجاد أنماط في القياسات المسجلة، وهي طريقة مرنة ولكنها غالباً ما تفشل في التنبؤ بما يحدث خارج الظروف المحددة التي تدربت عليها. كان التحدي يكمن في الجمع بين أفضل ما في العالمين: نموذج يتعلم من البيانات ولكنه لا يزال يحترم قوانين الفيزياء التي تحكم الطاقة والحركة.
قام فريق من الباحثين بتطوير طريقة جديدة تسمى ISO-pHNN لسد هذه الفجوة. لقد ركزوا على نوع معين من الأنظمة الفيزيائية يُعرف باسم "نظام بورت-هاميلتونيان" (port-Hamiltonian system). وببساطة، هذه أنظمة تتدفق فيها الطاقة للداخل، وتتحرك حول النظام، ثم تتبدد، تماماً مثل تدفق المياه عبر شبكة من الأنابيب والمضخات والتسريبات. يشير جزء "البورت" (المنفذ) إلى كيفية اتصال النظام بالعالم الخارجي، مما يسمح للطاقة بالدخول أو الخروج. أما جزء "هاميلتونيان"، فهو طريقة رياضية لوصف إجمالي الطاقة المخزنة داخل النظام. وتُعد هذه النماذج ذات قيمة عالية لأنها تحافظ بشكل طبيعي على الخصات الفيزيائية الهامة، مثل حفظ الطاقة، مما يجعلها مستقرة وموثوقة للتنبؤات طويلة المدى. أراد الباحثون معرفة ما إذا كان بإمكانهم استخدام الذكاء الاصطناعي لفهم القواعد الخفية لهذه الأنظمة بمجرد مراقبة كيفية استجابتها للمدخلات، دون الحاجة إلى معرفة المعادلات مسبقاً.
ولتحقيق ذلك، أنشأ الفريق إطار عمل يعامل النظام كمجموعة من أربعة أجزاء متميزة: الوصلات التي تنقل الطاقة، والأجزاء التي تفقد الطاقة من خلال الاحتكاك أو المقاومة، وإجمالي الطاقة المخزنة، والطريقة التي تضغط بها القوى الخارجية على النظام. وبدلاً من محاولة تخمين النظام بأكمله دفعة واحدة، استخدموا الشبكات العصبية، وهي برامج حاسوبية مصممة لتعلم الأنماط المعقدة، لاستنتاج كل جزء من هذه الأجزاء الأربعة على حدة. قاموا بتغذية الحاسوب بسلاسل من البيانات التي توضح كيف يتغير حال النظام بمرور الوقت استجابةً لمدخلات مختلفة. ثم قام الحاسوب بتعديل إعداداته الداخلية لتتطابق مع السلوك الملحوظ مع الالتزام الصارم بقواعد هيكل "بورت-هاميلتونيان". وقد ضمن هذا أن النموذج الناتج لم يكتفِ بمجرد محاكاة البيانات، بل تصرف فعلياً كنظام فيزيائي يخضع لقوانين الديناميكا الحرارية.
اختبر الباحثون طريقتهم في عدة سيناريوهات مختلفة، بما في ذلك نظام من الكتل المتصلة بنوابض ومخمدات، وكرة تطفو بفعل مجال مغناطيسي، ومحرك كهربائي معقد. وفي كل حالة، قارنوا نهجهم الجديد بالنماذج القياسية المعتمدة على البيانات والتي تتجاهل الهيكل الفيزيائي. وأظهرت النتائج أن طريقتهم كانت بنفس دقة النماذج الأخرى، إن لم تكن أفضل، في التنبؤ بسلوك النظام المستقبلي. ومن الأهمية بمكان أنهم وجدوا أن إضافة ما يسمونه "المعلومات المسبقة" جعلت النماذج أكثر قوة؛ فإذا كان الباحثون يعرفون بالفعل أن جزءاً معيناً من النظام، مثل الاحتكاك أو طريقة دخول الطاقة، كان ثابتاً أو يتبع قاعدة بسيطة، فقد استطاعوا تثبيت ذلك الجزء في النموذج وترك الحاسوب ليتعلم الأجزاء المجهولة فقط. لم يؤدِ هذا إلى تحسين دقة التنبؤات فحسب، بل جعل النماذج أيضاً أكثر موثوقية على فترات زمنية طويلة، مما قلل من الأخطاء التي غالباً ما تتسلل عندما تحاول الآلات تخمين الكثير من الأمور.
كانت إحدى النتائج الأكثر إثارة للاهتمام هي أن نوع الشبكة العصبية المستخدمة كان أمراً مهماً اعتماداً على النظام. فبالنسبة لبعض الأنظمة، كانت الشبكات القياسية تعمل بشكل أفضل، بينما بالنسبة لأنظمة أخرى، أدت أنواع جديدة من الشبكات المصممة للتعامل مع الدوال الرياضية المعقدة أداءً أفضل بكثير. وهذا يشير إلى أنه لا توجد أداة واحدة "مثالية" لكل مهمة؛ بل يعتمد الاختيار الصحيح على الطبيعة المحددة للنظام قيد الدراسة. كما أثبت الفريق أن طريقتهم يمكنها التعامل مع البيانات المشوشة، حيث تحتوي القياسات على أخطاء صغيرة، دون أن تفقد قدرتها على التنبؤ بسلوك النظام بشكل صحيح. وتعد هذه المتانة أمراً حيوياً للتطبيقات في العالم الحقيقي حيث لا تكون المستشعرات مثالية أبداً.
في الختام، يثبت هذا العمل أنه من الممكن تعليم الذكاء الاصطناعي تعلم القواعد الهيكلية العميقة للأنظمة الفيزيائية دون التضحية بالدقة في سبيل الهيكل. ومن خلال الجمع بين مرونة التعلم القائم على البيانات وموثوقية القوانين الفيزيائية، ابتكر الباحثون أداة يمكنها كشف الديناميكيات الخفية للآلات المعقدة. ويقدم هذا النهج مساراً واعداً للمهندسين والعلماء الذين يحتاجون إلى نمذجة أنظمة يصعب كتابة معادلاتها يدوياً، ولكنها في الوقت نفسه بالغة الأهمية بحيث لا يمكن الخطأ في تقديرها. إن القدرة على تعلم هذه النماذج من بيانات المدخلات والمخرجات تعني أنه حتى الأنظمة التي لا تتوفر لها مخططات هندسية يمكن فهمها، ومحاكاتها، والتحكم فيها بدرجة عالية من الثقة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.