🔢 mathematics

Machine Learning-based quadratic closures for non-intrusive Reduced Order Models

تقدم هذه الورقة نهجاً قائماً على البيانات يعزز دقة نماذج الرتب المنخفضة غير التدخلية ناقصة الدقة من خلال توظيف شبكة العمليات متعددة المدخلات (MIONet) لتعلم حد تصحيح تربيعي مستمر ومعتمد على المعلمات للأنماط المهملة، مما يحسن التعميم مقارنة بطرق المربعات الصغرى التقليدية.

المؤلفون الأصليون: Gabriele Codega, Anna Ivagnes, Nicola Demo, Gianluigi Rozza

نُشر 2026-05-26

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Gabriele Codega, Anna Ivagnes, Nicola Demo, Gianluigi Rozza

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 عبر نظام أنابيب معقد أو غرفة ذات غطاء متحرك. للحصول على إجابة دقيقة تماماً، ستحتاج إلى حاسوب خارق لتشغيل محاكاة ضخمة تحسب حركة كل قطرة ماء. هذا يشبه محاولة عد كل حبة رمل على الشاطئ لفهم حركة المد والجزر؛ إنه أمر دقيق للغاية، لكنه يستغرق وقتاً طويلاً ويكلف ثروة من الكهرباء.

المشكلة: الاختصار "الكسول"
لقد طور العلماء "اختصاراً" يسمى النموذج ذو الرتبة المختزلة (Reduced Order Model - ROM). بدلاً من تتبع كل قطرة، تأخذ هذه الطريقة بضع لقطات للتدفق، وتجد الأنماط الرئيسية (مثل الدوامات الكبيرة)، وتحاول تخمين الباقي بناءً على تلك الأنماط. الأمر يشبه النظر إلى بضع صور لراقصة ومحاولة تخمين رقصتها بالكامل.

عادةً، يعمل هذا بشكل رائع للرقصات البسيطة. ولكن عندما يصبح التدفق فوضوياً، أو مضطرباً، أو يتغير شكله بسرعة (مثل اندفاع الماء حول زاوية حادة)، يفشل الاختصار. فهو يفتقد "التفاصيل الصغيرة" لأنه ينظر فقط إلى الأنماط الكبيرة والواضحة. في الورقة البحثية، يطلق المؤلفون على هذا اسم نظام "نقص الدقة" (under-resolved)—بمعنى أن الاختصار "كسول" جداً لدرجة أنه لا يرى الصورة الكاملة.

الحل القديم: الرقعة التي "تناسب الجميع"
لإصلاح الاختصار الكسول، حاول الباحثون سابقاً إضافة "حد تصحيحي". فكر في هذا كأنه رقعة تخيطها على قميص ممزق.

الطريقة القديمة (Quad-LS): استخدموا صيغة رياضية لمعرفة كيفية وضع الرقعة بدقة. ومع ذلك، كانت هذه الرقعة صلبة؛ فقد صُممت لحجم وشكل محددين. وإذا حاولت استخدامها على قميص مختلف قليلاً (ظروف تدفق مختلفة)، فلن تناسب الرقعة القميص جيداً، وسيظل القميص يبدو ممزقاً. كان الأمر يشبه محاولة استخدام رقعة مخصصة لسترة شتوية على قميص صيفي.

الحل الجديد: الرقعة "الذكية والمرنة"
يقترح مؤلفو هذه الورقة طريقة أذكى لترقيع الاختصار. فبدلاً من الصيغة الصلبة، يستخدمون التعلم الآلي (وتحديداً نوع من الذكاء الاصطناعي يسمى الشبكة العصبية) لإنشاء "رقعة ذكية".

يسمون نماذجهم الجديدة QuadNet و QuadNet-µ. وإليك كيف تعمل باستخدام تشبيهات بسيطة:

الرقعة الذكية (QuadNet):
تخيل أن الرقعة ليست مجرد قطعة قماش، بل هي نسيج ذكي ومرن يمكنه تغيير شكله اعتماداً على مكان وضع الرقعة على القميص.

في الطريقة القديمة، كانت الرقعة تُحسب لنقاط محددة في الشبكة (مثل غرز معينة).
في الطريقة الجديدة، يتعلم الذكاء الاصطناعي قاعدة مستمرة. فهو يفهم أنه إذا كان التدفق مضطرباً عند النقطة (أ)، فإن الرقعة يجب أن تكون سميكة هناك، وإذا كان هادئاً عند النقطة (ب)، فيمكن للرقعة أن تكون رقيقة. هو لا يحتاج لأن يُعلّم من جديد لكل نقطة؛ بل "يعرف" شكل التدفق في كل مكان.

الرقعة المخصصة (QuadNet-µ):
هذه هي النسخة الأكثر ذكاءً. فالرقعة لا تعرف فقط أين توجد على القميص، بل تعرف أيضاً نوع القميص.

الرمز "µ" يمثل الظروف المتغيرة (مثل سرعة تدفق الماء).
إذا تغيرت سرعة الماء، يقوم الذكاء الاصطناعي فوراً بتعديل شكل الرقعة لتناسب تلك السرعة الجديدة تماماً. إنه يشبه امتلاك رقعة تتمدد أو تتقلص تلقائياً لتناسب الضغط الدقيق للنسيج في تلك اللحظة.

ما وجدوه
اختبر المؤلفون هذه "الرقع الذكية" على مشكلتين كلاسيكيتين للسوائل:

الخطوة المواجهة للخلف (Backward-Facing Step): تدفق الماء فوق انخفاض مفاجئ في قناة (مثل شلال داخل أنبوب).
التجويف المدفوع بغطاء (Lid-Driven Cavity): ماء داخل صندوق حيث يتحرك الغطاء العلوي ذهاباً وإياباً، مما يسحب الماء معه.

النتائج:

الدقة: كانت رقع الذكاء الاصطنا_ني الجديدة أفضل بكثير في إصلاح الأخطاء من الرقع الصلبة القديمة. في بعض الحالات، قللت الخطأ بنسبة 90% مقارنة بالاختصار الأساسي، وبنسبة 80% مقارنة بطريقة الرقع القديمة.
الكفاءة: على الرغم من أن تدريب الذكاء الاصطناعي يستغرق بعض الوقت في البداية، إلا أن النموذج الناتج في الواقع أصغر حجماً (يستخدم ذاكرة أقل) من الطريقة الصلبة القديمة.
ندرة البيانات: تعمل الطريقة الجديدة بشكل جيد حتى عندما لا تملك الكثير من أمثلة التدريب (الندرة). الطريقة القديمة غالباً ما كانت تنهار عندما تكون البيانات شحيحة، لكن رقعة الذكاء الاصطناعي استطاعت استنتاج النمط رغم ذلك.
البيانات الجزئية: بما أن رقعة الذكاء الاصطناعي "مستمرة" (فهي تفهم الفضاء بأكمله)، فلا تحتاج لإظهار كل نقطة في التدفق لتدريبها. يمكنك إظهار 10% أو 20% فقط من النقاط، وستظل تتعلم الباقي. وهذا يوفر الكثير من الوقت.

باختصار
تقدم الورقة البحثية طريقة لجعل محاكاة التدفق السريعة ومنخفضة الجودة أكثر دقة باستخدام "رقعة ذكية ومرنة" من الذكاء الاصطناني. وخلافاً للطرق القديمة التي كانت صلبة وتتعطل عند تغير الظروف، تتعلم هذه النماذج الجديدة القواعد الأساسية للتدفق، مما يسمح لها بالتكيف مع المواقف الجديدة، والعمل ببيانات أقل، وتقديم تنبؤات عالية الدقة دون الحاجة إلى حاسوب خارق لكل عملية حسابية.

ملخص تقني: الإغلاقات التربيعية القائمة على تعلم الآلة للنماذج منخفضة الرتبة غير الاقتحامية

بيان المشكلة

تعد النماذج منخفضة الرتبة (ROMs) ضرورية لتسريع محاكاة ديناميكا الموائع الحسابية (CFD) في التطبيقات التي تتطلب تنبؤات سريعة، مثل تحسين التصميم والتحكم. وبينما يعد تفكيك المكونات الأساسية (POD) تقنية اختزال خطية قياسية، إلا أنها غالبًا ما تعطي تقريبات غير دقيقة في الأنظمة غير المكتملة الحل أو ذات الحل المحدود، حيث لا يكون عدد الأنماط المستبقاة كافيًا لالتقاط ديناميكيات النظام المعقدة.

تعتمد النهج القائمة على البيانات الموجودة حاليًا لتصحيح هذه عدم الدقة على نماذج إغلاق تربيعية حيث يتم تعلم مؤثر تربيعي عبر تحسين المربعات الصغرى (Quad-LS). ومع ذلك، تعاني هذه الأساليب المتطورة من مشكلتين رئيسيتين:

الإفراط في التخصيص وضعف التعميم: يميل نهج المربعات الصغرى إلى الإفراط في التخصيص (Overfitting)، خاصة عندما لا يعكس مجال التدريب التعقيد الكامل للنموذج عالي الدقة أو عندما تكون المشكلة سيئة التكييف.
الاعتماد على التجزئة: المؤثرات التقليدية هي مؤثرات منفصلة (Discrete)، مما يعني أنها مرتبطة بالشبكة (Mesh) المحددة المستخدمة في التدريب. ولا يمكنها بطبيعتها التعميم على تجزئات مكانية مختلفة أو توفير تصحيحات للمجال بشكل مستمر.

المنهجية

يقترح المؤلفون إطار عمل مبتكرًا، يعتمد كليًا على البيانات وغير اقتحامي، يستبدل مؤثر المربعات الصغرى الثابت بمؤثر عصبي مستمر قابل للتعلم. وتتمثل الاستراتيجية الجوهرية في إضافة حد تصحيح تربيعي، $\tau(\hat{x}; \mu)$ ، إلى توسع POD القياسي:
$u(\hat{x}, \mu) \simeq \sum_{i=1}^r a_i(\mu)\phi_i(\hat{x}) + \tau(\hat{x}; \mu)$
حيث $\phi_i$ هي أنماط POD، و $a_i$ هي المعاملات المختزلة، و $\tau$ هو حد التصحيح.

يقدم البحث معماريتين عصبيتين محددتين لتمثيل المؤثر التربيعي الذي يعمل على معاملات POD:

شبكة QuadNet (مستوحاة من DeepONet): يقرب هذا النموذج التصحيح كـ $\tau(x; \mu) = a^T(\mu)C(\Phi_r, x)a(\mu)$ . وهو يستخدم بنية شبكة Deep Operator Network (DeepONet) مع:
- شبكة فرعية (Branch network) تعالج أنماط POD ( $\Phi_r$ ).
- شبكة جذعية (Trunk network) تعالج الإحداثيات المكانية ( $x$ ).
- شبكة فرعية ثالثة تدمج المخرجات لإنتاج المؤثر التربيعي المستمر.
- الميزة الرئيسية: المؤثر مستمر في الفضاء، مما يسمح بالتقييم عند أي نقاط تجميع (Collocation points) اختيارية بغض النظر عن شبكة التدريب.
شبكة QuadNet- $\mu$ (مستوحاة من MIONet): توسع هذه الشبكة نطاق QuadNet من خلال دمج معلمات المشكلة ( $\mu$ ) كمدخل إضافي عبر بنية Multi-Input Operator Network (MIONet).
- تتضمن شبكة فرعية ثانية مخصصة للمعلمات.
- الميزة الرئيسية: المؤثر مستمر في كل من الفضاء ومجال المعلمات، مما يجعل النموذج "محليًا" في مجال المعلمات وغير مرتبط بنماذج معلمات محددة بعينها أثناء التدريب.

استراتيجية التدريب:

يتم تدريب النماذج لتقليل دالة خسارة الخطأ النسبي، والتي تقوم بتطبيع حد التصحيح للتعامل مع تفاوت مقاييس الحجم.
يستقصي المؤلفون أنظمة "البيانات الجزئية" حيث يتم تدريب الشبكات العصبية على مجموعة فرعية من عقد الشبكة. وهم يقترحون توزيع احتمالية يشبه توزيع بولتزمان لعينات العقد، بحيث يعطي الأولوية للمناطق التي يكون فيها حد التصحيح كبيرًا ومتغيرًا بسرعة، بدلاً من أخذ عينات عشوائية منتظمة.

المساهمات الرئيسية

إغلاقات المؤثرات العصبية: تقديم بنيات DeepONet و MIONet لتعلم حدود الإغلاق التربيعي للنماذج منخفضة الرتبة غير الاقتحامية، والتحول بعيدًا عن تحسين المربعات الصغرى التربيعي التقليدي.
الاستمرارية والتعميم: تطوير نماذج مستمرة في كل من الإحداثيات المكانية ومجال المعلمات. وهذا يسمح للنماذج بأن تكون مستقلة عن تجزئة النطاق، وأن تتعمم بفعالية على تكوينات المعلمات غير المرئية.
كفاءة استخدام البيانات: إثبات أن هذه النماذج المستمرة يمكن تدريبها على مجموعات مختزلة من نقاط التجميع المكانية (البيانات الجزئية) وحالات معلمات أقل (البيانات الشحيحة) مع الحفاظ على الدقة أو تحسينها مقارنة بالنماذج الخطية والتربيعية التقليدية.
كفاءة المعلمات: تستخدم النماذج العصبية عددًا أقل من المعلمات مقارنة بنهج Quad-LS القائم على التنسور (Tensor) للمشكلات المختبرة، رغم زيادة تكلفة التدريب خارج الخط (Offline training).

النتائج

تم التحقق من صحة المنهجية باستخدام معيارين قياسيين لديناميكا الموائع: الدرجة المواجهة للخلف (حالة مستقرة، سرعة دخول متغيرة) و تجويف المحرك المدفوع بغطاء (حالة تعتمد على الزمن، رقم رينولدز متغير).

الدقة: تفوقت كل من QuadNet و QuadNet- $\mu$ $μ$ بشكل كبير على النماذج المرجعية POD-RBF (الخطية) ونموذج Quad-LS (المربعات الصغرى التربيعية) المتطور.
- حققت QuadNet- $\mu$ أعلى دقة، حيث قللت الأخطاء بنسبة تصل إلى 90% مقارنة بـ POD-RBF وما يصل إلى 80% مقارنة بـ Quad-LS في تكوينات اختبار محددة.
- كان التحسن أكثر وضوحًا في حالة الدرجة المواجهة للخلف، حيث تختلف سلوكيات التدفق بشكل كبير عبر نطاق المعلمات، مما يسلط الضد على فائدة الطبيعة المحلية للمعلمات في QuadNet- $\mu$ .
القوة في ظل البيانات الشحيحة: في الأنظمة التي تحتوي على عدد قليل جدًا من اللقطات التدريبية (على سبيل المثال، $N_\mu < 30$ ) وعدد كبير من أنماط POD، غالبًا ما فشل Quad-LS أو كان أداؤه أسوأ من النموذج الخطي بسبب الإفراط في التخصيص. ومع ذلك، ظلت QuadNet- $\mu$ أكثر قوة، رغم أن أداءها تدهور عندما يصبح حد التصحيح ضئيلاً (أي عندما يكون التقريب الخطي لـ POD دقيقًا بالفعل).
البيانات الجزئية: أدى تدريب QuadNet- $\mu$ على 10% إلى 50% فقط من عقد الشبكة إلى تحقيق أخطاء مماثلة للتدريب على الشبكة الكاملة، بشرط أن تعطي استراتيجية أخذ العينات الأولوية لمناطق التصحيح العالية. وقد قلل هذا من وقت التدريب خارج الخط بنسبة 10% تقريبًا في الحالات المختبرة.
التكلفة الحسابية: بينما كان وقت التدريب خارج الخط للنماذج العصبية (8-25 دقيقة) أعلى بكثير من التدريب الفوري لـ Quad-LS (أقل من 10 مللي ثانية)، يجادل المؤلفون بأن هذه التكلفة يتم استردادها في التطبيقات الصناعية متعددة الاستعلامات حيث تفوق تكلفة محاكاة واحدة كاملة (مثل 3 دقائق) تكلفة التدريب بكثير.

الأهمية والادعاءات

يزعم البحث أن "النماذج منخفضة الرتبة المصححة" التي تم اقتراحها تقدم توازنًا متفوقًا بين الدقة، والتعميم، وكفاءة البيانات مقارنة باستراتيجيات الإغلاق التربيعي الموجودة. ومن خلال الاستفادة من المؤثرات العصبية، أثبت المؤلفون أن:

يمكن للوضوح الفيزيائي واللاخطية التعايش معًا: يحافظ الهيكل التربيعي على درجة من التفسير الفيزيائي (التفاعل بين الأنماط) مع استخدام قدرة التقريب غير الخطي للتعلم العميق.
الاستقلال عن التجزئة: الطبيعة المستمرة للمؤثرات المتعلمة تزيل التبعية لدقة تجزئة محددة، وهي ميزة حاسمة للتطبيقات الهندسية العملية حيث يكون تحسين الشبكة أو تغييرها أمرًا شائعًا.
الجدوى مع البيانات المحدودة: هذا النهج مفيد بشكل خاص للسيناريوهات التي تكون فيها البيانات عالية الدقة نادرة أو مكلفة لإنتاجها، حيث يمكن للنماذج تعلم تصحيحات فعالة من عينات مكانية ومعلمية محدودة.

يخلص المؤلفون إلى أنه على الرغم من ارتفاع تكلفة التدريب خارج الخط، فإن النماذج الناتجة توفر تنبؤات أكثر دقة للتكوينات غير المرئية، مما يجعلها أداة فعالة وقوية لتسريع محاكاة CFD في التطبيقات الواقعية. كما تم اقتراح العمل المستقبلي لاستكشاف التصحيحات من الرتب الأعلى والدمج مع نماذج أساسية أكثر تطورًا مثل POD-NN.