⚛️ quantum physics

A Pedagogical Framework for Physics-Informed Machine Learning: From Classical Pendulum to Quantum Anharmonic Oscillator Using PyTorch on Modern GPU Hardware

تقدم هذه الورقة إطاراً تربوياً مكوناً من خمس وحدات تم تنفيذه باستخدام مكتبة "PyTorch" على أجهزة معالجة رسومية (GPU) حديثة، يهدف إلى تعليم تعلم الآلة المستند إلى الفيزياء عبر المقارنة بين بنيات الشبكات العصبية القائمة على البيانات وتلك المقيدة بالفيزياء عبر أنظمة فيزيائية كلاسيكية وكوانتية، مع توفير معايير كمية حول الدقة وتسريع الحوسبة لتوجيه تصميم المناهج الدراسية لمرحلة الدراسات العليا.

المؤلفون الأصليون: Enis Yazici

نُشر 2026-04-07

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Enis Yazici

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 تدرس فصلاً لمهندسين مستقبليين حول كيفية بناء "دماغ ذكي" يمكنه فهم قوانين الفيزياء. المشكلة هي أن معظم الناس يتعلمون بناء هذه الأدمغة من خلال عرض ملايين الصور للقطط والكلاب عليهم (التعلم القائم على البيانات). ولكن ماذا لو أردت أن يفهم هذا الدماغ كيف تتحرك بندول متأرجح أو كيف يتصرف إلكترون داخل ذرة؟ لا يمكنك فقط عرض صور عليه؛ بل تحتاج إلى تعليمه قواعد الكون.

تقدم هذه الورقة البحثية خطة درس مكونة من خمس خطوات (إطار عمل) لتعليم الطلاب كيفية القيام بذلك بالضبط. وهي تستخدم "ملعبين" محددين للتدريب: بندول متأرجح (الفيزياء الكلاسيكية) وجسيم كمي (الفيزياء الكمية).

إليك تفصيل الورقة البحثية باستخدام تشبيهات بسيطة:

1. الملعبان

استخدم المؤلفون نظامين فيزيائيين لتعليم الطلاب، بدءاً من السهل وصولاً إلى الأصعب:

أرجوحة الملعب (البندول): تخيل طفلاً على أرجوحة يتم دفعه من قبل أحد والديه. تتحرك الأرجوحة ذهاباً وإياباً، وتبطئ بسبب الرياح (التخميد)، ويتم دفعها بقوة أكبر في أوقات محددة. هذا النظام محكوم بمجموعة من القواعد (المعادلات) التي تصف حركتها.
قلعة القفز الكمية (المتذبذب غير التوافقي): تخيل جسيماً محاصراً داخل وعاء. لكن هذا ليس وعاءً بسيطاً؛ فالجوانب تصبح أكثر انحداراً كلما ابتعدت للخارج. هذا نظام كمي حيث يوجد الجسيم كـ "موجة" وليس ككرة صلبة.

2. النماذج الخمسة لـ "الطلاب"

اختبرت الورقة البحثية خمسة أنواع من "أدمغة الطلاب" (الشبكات العصبية) لمعرفة أيها يتعلم بشكل أفضل. فكر فيهم كأنما هي أساليب تعلم مختلفة:

الحافظ الصم (الشبكة العصبية الاصطناعية القياسية - Standard ANN): هذا الطالب يُعطى قائمة ضخمة من البيانات: "في الزمن 1، كانت الأرجوحة هنا. في الزمن 2، كانت هناك". هو يحاول حفظ النمط. إنه سريع ولكنه يحتاج إلى الكثير من البيانات.
راصد الأنماط (الشبكة العصبية الالتفافية - CNN): هذا الطالب ينظر إلى شكل "الوعاء" (طاقة الوضع) ويحاول تخمين مستوى الطاقة. الأمر يشبه النظر إلى بصمة إصبع وتخمين صاحبها.
الحكواتي (الذاكرة الطويلة قصيرة المدى - LSTM): هذا الطالب يقرأ شكل "الوعاء" مثل قصة، كلمة بكلمة، ليفهم الصورة الكاملة. هو بارع جداً في التسلسلات ولكنه قد يكون بطيئاً.
إتباع القواعد رقم 1 و2 (الشبكات العصبية المدمجة بالفيزياء - PINNs): هؤلاء هم الطلاب المتفوقون. بدلاً من مجرد حفظ البيانات، يتم إعطاؤهم القواعد المكتوبة في الكتب (معادلات الفيزياء) ويُقال لهم: "عليك حل هذه المسألة، ولكن لا يمكنك كسر قوانين الفيزياء". إنهم يتعلمون من خلال محاولة استيفاء القواعد، حتى لو لم يكن لديهم الكثير من الأمثلة للنظر إليها.

3. الاكتشاف الكبير: "التعلم المنهجي" (Curriculum Learning)

أحد أروع النتائج كان حول كيفية تعليم "إتباع القواعد" (PINNs) حل مسألة البندول المتأرجح.

المشكلة: إذا طلبت من طالب حل مسألة أرجوحة مدتها 30 ثانية دفعة واحدة، فسيشعر بالإرهاق ويفشل.
الحل (التدريب المنهجي): علم المؤلفون الطالب على مراحل. أولاً، طلبوا منه حل أول 3 ثوانٍ فقط. وبمجرد أن أتقن ذلك، وسعوا الوقت إلى 7 ثوانٍ، ثم 12 ثانية، وهكذا.
النتيجة: من خلال بناء الصعوبة ببطء، استطاع الطالب حل الـ 30 ثانية كاملة بشكل مثالي. الأمر يشبه تعلم ركوب الدراجة: تبدأ بعجلات التدريب، ثم طريق مسطح، ثم منحدر.

4. سباق الأجهزة: وحدة المعالجة المركزية (CPU) مقابل وحدة معالجة الرسوميات (GPU)

اختبرت الورقة أيضاً مدى سرعة تعلم هؤلاء الطلاب على أجهزة كمبيوتر مختلفة.

وحدة المعالجة المركزية (CPU): تشبه بروفيسوراً واحداً ذكياً جداً يحل المسائل واحدة تلو الأخرى.
وحدة معالجة الرسوميات (GPU): تشبه جيشاً ضخماً من 10,000 متدرب يمكنهم جميعاً العمل على أجزاء مختلفة من المسألة في نفس الوقت.
المفاجأة: بالنسبة للمهام البسيطة (مثل نموذج البندول الصغير)، لا تكون "الجيش" (GPU) أسرع بكثير لأن الوقت المستغرق في تنظيمهم يستغرق وقتاً طويلاً. ولكن بالنسبة لنموذج "الحكواتي" (LSTM)، الذي يجب عليه معالجة تسلسل طويل من الخطوات، كانت وحدة معالجة الرسوميات (GPU) أسرع بـ 24 مرة. إنه يشبه الفرق بين شخص واحد يقرأ كتاباً صفحة بصفحة، وبين 10,000 شخص يقرؤون 10,000 صفحة مختلفة في وقت واحد.

5. المقايضة بين "البيانات والقواعد"

تجيب الورقة البحثية على سؤال جوهري: متى يجب أن أستخدم الكثير من البيانات، ومتى أستخدم قواعد الفيزياء؟

إذا كان لديك الكثير من البيانات: استخدم "الحافظ الصم" (الذكاء الاصطناعي القياسي). فهو سريع ودقيق.
إذا كان لديك القليل جداً من البيانات (أو لا توجد بيانات على الإطلاق): استخدم "إتبع القواعد" (PINN). يمكنه استنتاج الأشياء بمجرد معرفة قوانين الفيزياء، حتى لو لم يسبق له رؤية المسألة المحددة من قبل.
نقطة التحول: وجدت الدراسة أنه إذا كان لديك أقل من حوالي 600 مثال، فإن "إتبع القواعد" يكون في الواقع أفضل من "الحافظ الصم".

لماذا يهم هذا الطلاب

هذه الورقة ليست مجرد رياضيات؛ إنها دليل تعليمي. فهي توضح للمدرسين كيفية نقل الطلاب من مرحلة "يمكنني تخمين الأنماط" إلى مرحلة "يمكنني بناء نماذج تحترم قوانين الكون".

كما أنها تسلط الضೆ الضوء على درس عملي للعالم الحديث: اختيار الأدوات الصحيحة أمر مهم. اضطر المؤلفون إلى الانتقال من برنامج (TensorFlow) إلى آخر (PyTorch) لأن الأول تعطل عند محاولة العمل مع أحدث وأسرع شرائح الكمبيوتر. هذا يعلم الطلاب أن كونك مهندساً جيداً لا يتعلق فقط بالرياضيات، بل بمعرفة أي الأدوات تعمل مع أجهزتك.

باختصار: تبني هذه الورقة جسراً بين "التخمين بناءً على البيانات" و"الحل بناءً على الفيزياء"، مما يوضح للطلاب كيفية بناء ذكاء اصطناعي لا يكتفي بمحاكاة الواقع، بل يفهمه حقاً.

ملخص تقني لورقة بحثية بعنوان: "إطار تربوي لتعلم الآلة المستند إلى الفيزياء: من البندول الكلاسيكي إلى المتذبذب الكمي غير التوافقي"

1. بيان المشكلة

تفتقر المناهج الهندسية الحديثة غالبًا إلى مسارات منظمة لتعليم الطلاب كيفية تطبيق تعلم الآلة (ML) على المسائل العلمية التي تتضمن معادلات تفاضلية وقوانين حفظ فيزيائية. وبينما توفر الشبكات العصبية المستندة إلى الفيزياء (PINNs) حلاً عبر دمج المعادلات الحاكمة في دالات الخسارة (loss functions)، فإن القفزة المفاهيمية من التعلم الخاضع للإشراف القياسي إلى الـ PINNs تعتبر شاقة. علاوة على ذلك، هناك حاجة لتوجيه عملي حول:

متى يتم استخدام النماذج القائمة على البيانات مقابل النماذج المقيدة بالفيزياء.
كيفية تدريب الـ PINNs بفعالية للآفاق الزمنية الطويلة دون حدوث تباعد (divergence).
المتطلبات المحددة للأجهزة (CPU مقابل GPU) لمختلف البنيات، لا سيما على الأجهزة الحديثة.

2. المنهجية

يقترح المؤلفون إطارًا تربويًا مكونًا من خمس وحدات تم تنفيذه باستخدام PyTorch 2.9 وتم تشغيله على وحدة معالجة رسومات NVIDIA RTX 5090. ينتقل الإطار عبر نظامين فيزيائيين تزداد درجة تعقيدهما:

أ. الأنظمة الفيزيائية وتوليد البيانات

البندول غير الخطي المدفوع والمخمد كلاسيكيًا:
- المعادلة الحاكمة: معادلة تفاضلية عادية (ODE) من الدرجة الثانية تتضمن الجاذبية، التخميد اللزوجي، النابض الالتوائي، عزم الدوران الخارجي، ومقاومة الهواء غير الخطية.
- البيانات: تم توليدها عبر حلّال (solver) مخصص من نوع Runge-Kutta من الدرجة الرابعة (RK4) خلال الفترة الزمنية $t \in [0, 30]$ ثانية.
المتذبذب الكمي غير التوافقي:
- المعادلة الحاكمة: معادلة شرودنجر المستقلة عن الزمن مع جهد توافقي مضطرب رباعي (Quartic-perturbed harmonic potential) حيث $V(x) = \frac{1}{2}m\omega^2x^2 + \lambda x^4$ .
- البيانات: تم حلها عبر طريقة الفروق المحدودة (FDM) لـ 500 قيمة من $\lambda$ ، مما أنتج ناقلات الجهد وقيم الطاقة الذاتية المقابلة لها.

ب. بنيات النماذج (خمسة نماذج)
قام البحث بتنفيذ ومقارنة خمس بنيات متميزة:

شبكة ANN للبندول: شبكة متصلة بالكامل (5-128-128-64-1) تستخدم ميزات هندسية ( $t, \omega, t^2, \cos t, \omega^2$ ) للتنبؤ بالإزاحة الزاوية.
شبكة CNN الكمية: شبكة عصبية تلاففية أحادية الأبعاد تعالج ناقلات الجهد المقطعة للتنبؤ بطاقة الحالة الأرضية.
شبكة LSTM الكمية: شبكة LSTM تتعامل مع ناقل الجهد كمتتالية مكونة من 500 خطوة.
شبكة PINN للبندول: شبكة يتم تدريبها فقط على نقاط التجميع (collocation points) (بدون بيانات مسار مصنفة) باستخدام استراتيجية التعلم المنهجي (Curriculum Learning). تتوسع نافذة التدريب تدريجيًا من $[0, 3]$ ثانية إلى $[0, 30]$ ثانية لمنع التباعد أثناء التكامل طويل الأمد.
شبكة PINN الكمية: شبكة تحل معادلة شرودنجر حيث تكون طاقة الحالة الأرضية $E$ معلمة (parameter) قابلة للتعلم، مقيدة ببقايا المعادلة التفاضلية الجزئية (PDE residual) وخسارة التقييس (normalization loss).

ج. قيود الأجهزة والبرمجيات

إطار العمل: تم اختيار PyTorch 2.9 بدلاً من TensorFlow لأن الإصدارات $\le$ 2.22 من TensorFlow تعاني من أخطاء التجزئة (segmentation faults) على بنية NVIDIA Blackwell (sm 120) بسبب عدم توافق PTX.
الأجهزة: أُجريت الاختبارات المرجعية (Benchmarks) على معالج AMD CPU مقابل وحدة معالجة رسومات NVIDIA RTX 5090 GPU.

3. المساهمات الرئيسية

تدرج تربوي مهيكل: منهج تعليمي ينتقل من النمذجة القائمة على البيانات (ANN/CNN/LSTM) إلى النمذجة المقيدة بالفيزياء (PINN) عبر المجالات الكلاسيكية والكمية.
استراتيجية تدريب المنهج الدراسي للـ PINNs: إثبات أن التدريب التدريجي (توسيع النطاق الزمني) ضروري لتحقيق دقة طويلة الأمد في الـ PINNs، بينما يؤدي التدريب في مرحلة واحدة على الفترة الكاملة إلى التباعد.
اختبار مرجعي مدرك للأجهزة: مقارنة منهجية بين أداء CPU و GPU عبر جميع البنيات، وتحديد متى يكون التسريع مفيدًا.
تحليل كفاءة البيانات: تحديد نقطة التقاطع (~600 عينة مصنفة) حيث تتفوق النماذج القائمة على البيانات على الـ PINNs، مما يوفر قاعدة قرار للممارسين.
تنفيذ مفتوح المصدر: دفاتر Jupyter قابلة للتنفيذ بالكامل مصممة لدرجات الدراسات العليا.

4. النتائج الرئيسية

الدقة والأداء

النموذج	النظام	المقياس	النتيجة
Pendulum ANN	كلاسيكي	MAE	$1.29 \times 10^{-2}$ rad
Pendulum PINN	كلاسيكي	MAE	$3.13 \times 10^{-2}$ rad (باستخدام 0 بيانات مصنفة)
Quantum CNN	كمي	MAE ( $E_0$ )	$4.4 \times 10^{-5}$ a.u.
Quantum LSTM	كمي	MAE ( $E_0$ )	$2.9 \times 10^{-4}$ a.u.
Quantum PINN	كمي	خطأ الطاقة	$\|\Delta E\| = 5.5 \times 10^{-4}$ a.u.

النماذج القائمة على البيانات مقابل PINN: حققت Pendulum ANN دقة أعلى ( $1.3 \times 10^{-2}$ ) من الـ PINN ( $3.1 \times 10^{-2}$ ) ولكنها تطلبت بيانات السرعة المصنفة ( $\omega(t)$ ). في المقابل، تطلبت الـ PINN فقط الشروط الأولية ومعلمات النظام.
المخرجات الكمية: نجحت الـ Quantum PINN بشكل فريد في استعادة الدالة الموجية الكاملة $\psi(x)$ والقيمة الذاتية $E$ في آن واحد، وهي قدرة تفتقر إليها نماذج الانحدار (CNN/LSTM).

الاختبارات المرجعية للأجهزة (CPU مقابل GPU)
كشفت الدراسة عن تباين كبير في فائدة الـ GPU بناءً على البنية:

LSTM: حققت تسريعًا بمقدار 24.6× على الـ GPU. الحساب المتسلسل المكون من 500 خطوة قابل للتوازي بشكل كبير عبر بُعد الدفعة (batch dimension) على الـ GPU، مما أدى إلى تجاوز اختناق الـ CPU.
CNN: حققت تسريعًا بمقدار 3.6× بسبب التلافيف المتوازية.
ANN الصغيرة: حققت تسريعًا بمقدار 1.2× فقط. كانت الشبكة صغيرة جدًا بحيث هيمن زمن انتقال بيانات PCIe على وقت الحوسبة، مما جعل تسريع الـ GPU ضئيلاً.
PINNs: أظهرت تسريعات متوسطة (1.6×–1.7×) بسبب الطبيعة المتسلسلة لسلسلة الـ autograd المطلوبة لبقايا الفيزياء.

كفاءة البيانات

تفوقت Pendulum ANN على الـ PINN فقط عندما تجاوزت مجموعة التدريب ~600 عينة مصنفة (~25% من مجموعة البيانات).
تحت هذا الحد، كانت الـ PINN (التي لا تتطلب بيانات مصنفة) هي الأفضل، مما يبرز قيمتها في حالات ندرة البيانات.

5. الأهمية

يوفر هذا العمل جسرًا حاسمًا بين تعلم الآلة النظري والحوسبة العلمية العملية. تكمن أهميته في:

الوضوح التربوي: يقدم مسارًا ملموسًا وقابلًا للتكرار لتدريس المفاهيم المعقدة مثل الـ PINNs والتعلم المنهجي.
اتخاذ القرار العملي: يزود الطلاب والباحثين بـ "دليل اختيار النموذج" بناءً على توفر البيانات، والمخرجات المطلوبة (قيمة عددية مقابل مجال)، والقيود العتادية.
الواقعية العتادية: من خلال معالجة عدم توافق TensorFlow مع وحدات معالجة الرسومات من الجيل التالي (Blackwell) صراحةً، وإثبات "النقطة المثلى" لتسريع الـ GPU، فإنه يهيئ الطلاب للنشر في بيئات حقيقية على بنية تحتية حديثة.
الدقة العلمية: يثبت أنه بينما تكون النماذج القائمة على البيانات أسرع وأكثر دقة مع وفرة البيانات، فإن الـ PINNs تقدم مزايا فريدة في التفسير، والاستقراء (extrapolation)، وحل المسائل العكسية حيث تكون مطلوبة حقل الحل الكامل.