⚛️ quantum physics

Multi-stream physics hybrid networks for solving Navier-Stokes equations

تقترح الورقة البحثية شبكة هجينة فيزيائية متعددة المسارات تدمج طبقات كمومية وكلاسيكية متوازية لتفكيك حلول ديناميكا السوائل إلى مكونات ترددية، محققةً معدلات خطأ أقل بكثير وكفاءة أعلى من النماذج الكلاسيكية عند حل معادلات نافييه-ستوكس لتدفق كوفازناي.

المؤلفون الأصليون: Aleksandr Sedykh, Tatjana Protasevich, Mikhail Surmach, Arsenii Senokosov, Matvei Anoshin, Asel Sagingalieva, Alexey Melnikov

نُشر 2026-02-24

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Aleksandr Sedykh, Tatjana Protasevich, Mikhail Surmach, Arsenii Senokosov, Matvei Anoshin, Asel Sagingalieva, Alexey Melnikov

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 التنبؤ بكيفية تدفق المياه حول صخرة في نهر، أو كيف يتحرك الهواء فوق جناح طائرة. هذا هو عالم ديناميكا السوائل، والرياضيات الكامنة وراءه (والتي تسمى معادلات نافييه-ستوكس) صعبة للغاية بشكل لا يصدق. الأمر يشبه محاولة التنبؤ بالمسار الدقيق لكل قطرة ماء في عاصفة.

لعقود من الزمن، استخدم العلماء حواسيب ضخمة وقوية لحل هذه المشكلات. يقومون بتقسيم النهر أو السماء إلى ملايين من قطع "الليغو" الصغيرة، ويحسبون الرياضيات لكل قطعة، ثم يربطونها معاً. لكن هناك مشكلة: إذا غيرت شيئاً واحداً فقط (مثل سرعة الرياح أو شكل الصخرة)، عليك التخلص من كل عملك والبدال من البداية. إنها عملية بطيئة، مكلفة، وغير مرنة.

دخول "العقل الفائق" (الشبكات العصبية)
مؤخراً، بدأ العلماء في استخدام الذكاء الاصطناعي (AI) لحل هذه المشكلات. فكر في الذكاء الاصطناعي كطالب يقرأ كتاباً مدرسياً (قوانين الفيزياء) ويتعلم التنبؤ بالمستقبل دون الحاجة للقيام بالعمليات الحسابية لكل قطعة "ليغو" على حدة. وهذا ما يسمى الشبكة العصبية الموجهة بالفيزياء (PINN).

ومع ذلك، حتى طلاب الذكاء الاصطناعي هؤلاء لديهم مشكلة. فهم بارعون في تعلم الأنماط البسيطة والناعمة، لكنهم يعانون مع الأنماط المعقدة أو "المتموجة" أو "الدورية" (مثل تموجات الماء). الأمر يشبه طالباً يجيد رسم الخطوط المستقيمة ولكنه سيء جداً في رسم الحلزونات.

الحل الجديد: "الأوركسترا الهجينة"

تقدم هذه الورقة البحثية بنية ذكاء اصطناعي جديدة وأكثر ذكاءً تسمى الشبكة الهجينة متعددة المسارات (MPHN). وإليك كيف تعمل، باستخدام تشبيه بسيط:

1. المشكلة: عقل واحد مقابل عقول متعددة
تخيل أنك تحاول رسم لوحة معقدة لعاصفة.

الطريقة القديمة (الذكاء الاصطناعي التقليدي): تستأجر فناناً واحداً ضخماً يحاول رسم المطر، والرياح، والبرق، والسحب جميعها بفرشاة واحدة. يصاب الفنان بالإرهاق، وتصبح التفاصيل باهتة وغير واضحة.
الطريقة الجديدة (متعددة المسارات): تستأجر فريقاً من الفنانين المتخصصين. أحدهم يركز فقط على المطر، وآخر على الرياح، وثالث على الضغط. يعملون بالتوازي، مما يجعل المهمة أسهل وأكثر دقة.

2. السر الخفي: الثنائي "الكمي-الكلاسيكي"
الآن، انظر إلى كل فنان في ذلك الفريق. بدلاً من مجرد فنان واحد، يحتوي كل مركز على ثنائي:

الشريك الكلاسيكي: هذا هو الذكاء الاصطناعي القياسي. إنه جيد في التعامل مع الخطوط المستقيمة، والمنحدرات البسيطة، والاتجاهات العامة. فكر فيه كيد ثابتة وموثوقة.
الشريك الكمي: هذا هو "العقل الكمي" الصغير والمتخصص. في عالم الرياضيات، تتميز الحواسيب الكمية طبيعياً بقدرتها العالية على التعامل مع الأمواج، والدورات، والتذبذبات المعقدة (مثل تموجات الماء). فكر في هذا الشريك كخبير في "التموجات".

سحر الهجين:
ابتكار هذه الورقة البحثية يكمن في ربط هذين الشريكين جنباً إلى جنب.

الشريك الكلاسيكي يتولى التعامل مع "الصورة الكبيرة" والأجزاء الناعمة.
الشريك الكمي (باستخدام 2 فقط من البتات الكمية الصغيرة، أو "qubits") يتعامل مع الأجزاء الدورية والمعقدة والمتموجة.
ثم يمزجون نتائجهم معاً لإنشاء تنبؤ مثالي.

لماذا يعد هذا أمراً هاماً؟

اختبر الباحثون هذه "الأوركسترا الهجينة" الجديدة على مشكلة سوائل شهيرة تسمى تدفق كوفازناي (Kovasznay Flow) (تخيل تدفق الماء خلف شبكة من القضبان).

النتيجة: كانت الشبكة الهجينة أكثر دقة بنسبة 36% في التنبؤ بالسرعة وأكثر دقة بنسبة 41% في التنبؤ بالضغط مقارنة بأفضل نماذج الذكاء الاصطناعي الكلاسيكية.
الكفاءة: والأفضل من ذلك، أن الشبكة الهجينة استخدمت معاملات أقل بنسبة 24% (عدد أقل من "الخلايا العصبية" أو خلايا الدماغ) للقيام بذلك. إنه يشبه الحصول على أداء سيارة فيراري بمحرك دراجة هوائية.

الخلا-صة

فكر في هذا الأمر كترقية من مصباح يدوي عادي إلى كشاف موجه بالليزر.

المعالجات التقليدية تشبه محاولة إضاءة مدينة كاملة باستخدام مليون شمعة (بطيئة وغير فعالة).
الذكاء الاصطناعي القديم يشبه كشافاً ساطعاً (جيد، لكنه يفتقد التفاصيل).
هذه الشبكة الهجينة الجديدة تشبه كشاف الليزر الذي يعرف بالضبط أين يسلط الضوء. من خلال الجمع بين الموثوقية الثابتة للحواسيب الكلاسيكية والقوى الخارقة للتعامل مع الموجات التي توفرها الحوسبة الكمية، يمكنهم حل مشكلات السوائل المعقدة بشكل أسرع وأكثر دقة من أي وقت مضى.

يشير هذا إلى أنه في المستقبل، قد لا نحتاج إلى حواسيب فائقة الضخة لمحاكاة الطقس أو تصميم محركات أفضل. قد نحتاج فقط إلى هذه "الأدمغة المزدوجة" الصغيرة والذكية والهجينة للقيام بالمهام الشاقة.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "الشبكات الهجينة متعددة المسارات للفيزياء لحل معادلات نافييه-ستوكس."

1. بيان المشكلة

تتناول الورقة التحدي الجوهري المتمثل في الحل الفعال لمعادلات نافييه-ستوكس المستخدمة في ديناميكا الموائع الحسابية (CFD).

محدودية الطرق التقليدية: تتطلب الحلول العددية التقليدية (مثل طريقة العناصر المحدودة) تقسيم حجم المائع إلى خلايا. وهي عملية مكلفة حاسوبيًا، وأي تغيير في بارامترات المشكلة (مثل اللزوجة) يستلزم إعادة محاكاة كاملة.
محدودية شبكات PINNs القياسية: توفر الشبكات العصبية المستنيرة بالفيزياء (PINNs) بديلًا خالياً من الشبكات (mesh-free)، لكنها غالبًا ما تواجه صعوبة في التقاط النطاق الكامل لمكونات التردد في حلول المعادلات التفاضلية الجزئية (PDEs). هذا القصور يقلل من دقتها وكفاءتها، لا سيما في أنماط التدفق المعقدة التي تتضمن سلوكيات دورية وتضاحلية معًا.
الهدف: تطوير بنية عصبية تعمل على تحسين دقة حل معادلات ديناميكا الموائع من خلال الاستففادة من القدرة التعبيرية للحوسبة الكمومية مع الحفاظ على استقرار الطبقات الكلاسيكية.

2. المنهجية

يقترح المؤلفون بنية مبتكرة تسمى الشبكة الهجينة متعددة المسارات للفيزياء (MPHN).

أ. تصميم البنية

إن MPHN هي شبكة PINN متخصصة مصممة لحل مشكلة تدفق كوفازناي (Kovasznay flow) (التدفق الصفائحي خلف شبكة ثنائية الأبعاد). تتكون البنية من:

تفكيك متعدد المسارات: يتم تفكيك متجه الحل (مكونات السرعة $v_x, v_y$ والضغط $p$ ) إلى مسارات منفصلة. تُستخدم ثلاث شبكات هجينة متوازية (PHNs) مستقلة، واحدة لكل متغير.
هيكل PHN الهجين: تحتوي كل PHN على طبقتين معالجتين متوازيتين:
- الطبقة الكلاسيكية: عبارة عن مدرك متعدد الطبقات (MLP) صغير بـ طبقة خفية واحدة (10 عصبونات) ودوال تنشيط ReLU/SiLU.
- الطبقة الكمومية: دائرة كمومية مكونة من كيوبتين (two-qubits) ذات بارامترات قابلة للضبط. تستخدم بوابات $R_X$ (دوران بناءً على الإحداثيات المدخلة) وبوابات $R_Z R_Y R_Z$ قابلة للتدريب. تنتهي الدائرة بقياسات $\sigma_z$ .
آلية الدمج: يتم دمج مخرجات الطبقتين الكلاسيكية ( $C_{out}$ $C_{o u t}$ ) والكمومية ( $Q_{out}$ $Q_{o u t}$ ) عبر تحويل أفيني (affine transformation) مع حد مشترك:
$Output = w_0 + w_1 \cdot Q_{out} + w_2 \cdot C_{out} + w_3 \cdot (Q_{out} \cdot C_{out})$
- التفسير: يُفترض أن الطبقة الكمومية تتعامل مع المكونات الدورية (ميزات تشبه فوريه)، بينما تتعامل الطبقة الكلاسيكية مع التضاؤل والإزاحات الخطية.

ب. استراتيجيات التدريب

تم تقييم النموذج تحت نموذجين متميزين للتدريب:

التعلم القائم على البيانات (Data-Driven Learning): يتم تدريب الشبكة لتقريب حل تحليلي دقيق معروف باستخدام متوسط مربع الخطأ (MSE) بين التنبؤ والحقيقة الأرضية.
التعلم القائم على الفيزياء (Physics-Driven Learning - PINN): يتم تدريب الشبكة حصريًا على القوانين الفيزيائية. يقلل دالة الخسارة ( $L$ $L$ ) من:
- $L_{PDE}$ : متبقي معادلات نافييه-ستوكس داخل النطاق.
- $L_{BC}$ : الخطأ في تلبية الشروط الحدية.
- ملاحظة: لا يتم توفير بيانات الحل الدقيق خلال هذه المرحلة. قام المؤلفون بتغيير دالة التنشيط من ReLU إلى SiLU (وحدة السيجمويد الخطية) للتدريب القائم على الفيزياء لضمان وجود مشتقات رتبة عليا غير صفرية، وهي مطلوبة لحساب المشتقات من الدرجة الثانية في معادلات نافييه-ستوكس.

ج. النماذج المرجعية (Baselines)

تمت مقارنة MPHN مع:

MHN: نفس البنية الهجبية المدربة في بيئة قائمة على البيانات.
MCN/MPCN: شبكة كلاسيكية متعددة المسارات بحتة حيث تم استبدال الطبقة الكمومية بطبقة كلاسيكية إضافية. تم تصميم النماذج الكلاسيكية لتمتلك المزيد من البارامترات القابلة للتدريب (1236 مقابل 936) لضمان مقارنة عادلة فيما يتعلق بسعة النموذج.
FNN: شبكة أمامية (Feedforward) قياسية ضخمة (4 طبقات خفية) استُخدمت كمعيار للقدرة الكلاسيكية.

3. المساهمات الرئيسية

بنية مبتكرة: تقديم MPHN، التي تدمج مسارات كمومية وكلاسيكية متوازية لتفكيك مشكلات ديناميكا الموائع إلى مكونات محددة التردد.
الكفاءة: إثبات أن النموذج الهجين الذي يمتلك عددًا أقل من البارامترات (أقل بنسبة 24% من نظيره الكلاسيكي) يمكنه التفوق على النماذج الكلاسيكية البحتة.
القدرة التعبيرية الكمومية: تقديم دليل تجريبي على أن الدوائر الكمومية ذات البارامترات تعمل كمقربات متفوقة للوظائف الدورية داخل الشبكات العصبية، حيث تعمل فعليًا كـ "تحويل فوريه طبيعي" لتعلم أنماط التدفق المعقدة.
تحسين دالة التنشيط: تسليط الضوء على ضرورة استخدام دوال تنشيط سلسة (SiLU) بدلاً من ReLU للتدريب القائم على الفيزياء للمعادلات التفاضلية الجزئية من الدرجة الثانية لتجنب خمود التدرج.

4. النتائج

تم اختبار النماذج على مشكلة تدفق كوفازناي ( $Re=20$ ) في نطاق مستطيل.

نتائج التعلم القائم على البيانات

MHN (الهجين): نجح في تقريب الحل الدقيق لجميع المتغيرات ( $v_x, v_y, p$ )، ملتقطًا كلاً من الخصائص الدورية والتضاحلية.
MCN (الكلاسيكي): فشل في تقريب مكونات السرعة الدورية ( $v_x, v_y$ )، رغم امتلاكه بارامترات أكثر. لقد أدى بشكل جيد فقط في متغير الضغط.
تقليل RMSE: حققت MHN معدلات خطأ أقل بكثير مقارنة بـ MCN.

نتائج التعلم القائم على الفيزياء

MPHN (الهجين): تعلم الحل بنجاح باستخدام معادلات نافييه-ستوكس والشروط الحدية فقط. لقد التقط الطبيعة الدورية للسرعات وتوزيع الضغط.
MPCN (الكلاسيكي): فشل في التقاط أي نمط للحل الدقيق. لم يستطع حتى تعلم التضاؤل الأسي البسيط للضغط، وهو الأمر الذي تعلمه في بيئة التدريب القائمة على البيانات.
الأداء الكمي (RMSE للفيزياء):
- السرعة ( $v_x$ ): MPHN (0.6308) مقابل MPCN (0.7736) مقابل FNN (0.1249).
- السرعة ( $v_y$ ): MPHN (0.1438) مقابل MPCN (0.2245) مقابل FNN (0.0468).
- الضغط ( $p$ ): MPHN (0.4588) مقابل MPCN (0.7807) مقابل FNN (0.1162).
- ملاحظة: بينما كان FNN الضخم هو الأفضل إجماليًا (بسبب عدد البارامترات الهائل)، إلا أن MPHN تفوقت بشكل كبير على MPCN (النموذج الهجين الكلاسيكي المماثل) في جميع المقاييس. تحديدًا، قللت MPHN من قيمة RMSE بنسبة 36% للسرعة و 41% للضغط مقارنة بالنموذج الكلاسيكي، بينما استخدمت بارامترات أقل بنسبة 24%.

5. الأهمية والخاتمة

تطوير CFD: تثبت الدراسة أن البنى الهجينة (كمومية-كلاسيكية) يمكنها حل مشكلات ديناميكا الموائع المعقدة بكفاءة أكبر من الشبكات العصبية الكلاسيكية البحتة، خاصة عند التقاط المكونات عالية التردد (الدورية).
كفاءة البارامترات: تشير النتائج إلى أن الطبقات الكمومية تضيف "قدرة تعبيرية" كبيرة لكل بارامتر، مما يسمح للنماذج الأصغر بتحقيق دقة لا تستطيع النماذج الكلاسيكية الأكبر تحقيقها.
الإمكانات المستقبلية: يرى المؤلفون أن زيادة عمق وعدد الكيوبات في الدائرة الكمومية سيعزز الأداء بشكل أكبر. يعمل هذا العمل على جسر الفجوة بين تعلم الآلة الكمومي والتطبيقات الهندسية العملية، مما يشير إلى مسار نحو حلول أكثر كفاءة للمعادلات التفاضلية الجزئية عالية الأبعاد في مجالات الطيران، والتنبؤ بالطقس، والهندسة البيولوجية.