🤖 AI

KANO: Kolmogorov-Arnold Neural Operator

تقدم الورقة البحثية KANO، وهو مُعامل عصبي ثنائي النطاق يتغلب على القيود الطيفية لـ "مُعاملات فوريه العصبية" من خلال الجمع بين القواعد الطيفية والمكانية للتعامل بمتانة مع الديناميكيات المعتمدة على الموقع وتحقيق إعادة بناء رمزية عالية الدقة لهاملتونيّات الكم.

المؤلفون الأصليون: Jin Lee, Ziming Liu, Xinling Yu, Yixuan Wang, Haewon Jeong, Murphy Yuezhen Niu, Zheng Zhang

نُشر 2026-02-26

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Jin Lee, Ziming Liu, Xinling Yu, Yixuan Wang, Haewon Jeong, Murphy Yuezhen Niu, Zheng Zhang

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

الصورة الكبيرة: تعليم الذكاء الاصطناعي قراءة قوانين الفيزياء

تخيل أنك تحاول تعليم روبوت كيفية التنبؤ بكيفية تدفق الماء عبر أنبوب، أو كيف يتحرك إلكترون حول ذرة. هذه ليست مجرد أنماط بسيطة؛ بل هي محكومة بقوانين رياضية معقدة تسمى المعادلات التفاضلية.

لفترة طويلة، استخدم العلماء نوعًا معينًا من الذكاء الاصطناعي يسمى المؤثر العصبي فورييه (FNO) لتعلم هذه القوانين. فكر في FNO كطاهٍ ماهر يعرف فقط كيفية الطهي باستخدام مجموعة محددة من التوابل (النطاق "الطيفي" أو الترددي). إذا كانت الطبخة (المشكلة الفيزيائية) بسيطة وتعمل التوابل بشكل جيد، فإن هذا الطاهي يكون مذهلاً.

لكن هنا تكمن المشكلة:
العديد من مشكلات العالم الحقيقي تشبه طهي طبق تتغير فيه المكونات بناءً على أين أنت في المطبخ. على سبيل المثال، قد يكون الماء كثيفًا (لزجًا) في زاوية واحدة من الأنبوب ورقيقًا في زاوية أخرى.

معاناة FNO: نظرًا لأن FNO "يرى" المطبخ بأكمله من خلال عدسة واحدة فقط (التردد)، فإنه يرتبك عندما تتغير القواعد من مكان إلى آخر. إنه يحاول فرض مزيج توابل عالمي على مشكلة محلية. ولكي ينجح، يحتاج إلى أن يصبح وحشًا ضخمًا ومتضخمًا، وحتى حينها، غالبًا ما يفشل عندما يواجه موقفًا جديدًا لم يتدرب عليه. الأمر يشبه محاولة وصف لهجة محلية محددة باستخدام قاموس من الكلمات العالمية فقط—فهذا لا يجسد الفروق الدقيقة.

الحل: ظهور KANO

يقدم المؤلفون KANO (مؤثر كولموغوروف-أرنولد). إذا كان FNO هو طاهٍ يستخدم رف التوابل فقط، فإن KANO هو طاهٍ لديه رف توابل وحديقة محلية أيضًا.

KANO مميز لأنه ينظر إلى المشكلة بطريقتين في نفس الوقت:

الرؤية العالمية (الطيفية): مثل FNO، فإنه ينظر إلى الأنماط الكبيرة الشاملة.
الرؤية المحلية (المكانية): إنه ينظر بدقة إلى ما يحدث عند كل نقطة محددة في الفضاء.

من خلال الجمع بين هاتين الرؤيتين، يمكن لـ KANO اختيار الطريقة "المتباعدة" (الأبسط) لوصف كل جزء من المعادلة. إذا كان جزء من الفيزياء بسيطًا على المستوى العالمي، فإنه يستخدم الرؤية العالمية. وإذا كان الجزء فوضويًا ومحليًا، فإنه يستخدم الرؤية المحلية.

المكون السحري: الفهم "الرمزي"

هذا هو الجزء الأكثر إثارة. معظم نماذج الذكاء الاصطناعي هي "صناديق سوداء". تضع بيانات في الداخل، ويخرج رقم، لكنك لا تعرف لماذا.

بُني KANO باستخدام نوع خاص من الشبكات العصبية يسمى KAN (شبكة كولموغوروف-أرنولد). تخيل الذكاء الاصطناعي القياسي كصندوق أسود بداخله آلاف الأسلاك. KANO يشبه أكثر صندوقًا زجاجيًا شفافًا حيث يمكنك رؤية الأسلاك بالداخل.

التشبيه: بدلًا من مجرد حفظ الإجابة، يتعلم KANO الصيغة الرياضية الفعلية (الـ "وصفة").
النتيجة: في تجاربهم، لم يتنبأ KANO بالمستقبل فحسب؛ بل كتب المعادلة الدقيقة التي تحكم النظام. لقد وجد الصيغة $x^2 + \text{something}$ وأخبر العلماء: "المعامل هو 1.0003". لقد استعاد القوانين الحقيقية للفيزياء بدقة مذهلة، وصولاً إلى الرقم الرابع بعد الفاصلة العشرية.

لماذا هذا مهم: "لعنة الأبعاد"

يشرح البحث سبب فشل الطريقة القديمة (FNO) في هذه المشكلات المعقدة من منظور رياضي عميق.

عنق زجاجة FNO: لتعلم قاعدة تتغير بناءً على الموقع، يجب على FNO محاولة حفظ كل الاحتمالات الممكنة. وكلما زاد تعقيد القاعدة، زادت الذاكرة التي يحتاجها. يثبت المؤلفون أنه بالنسبة لهذه المشكلات، تنمو حاجة FNO للذاكرة بشكل فائق الأسي. الأمر يشبه محاولة ملء مسبح بملعقة صغيرة؛ في النهاية، ستنفد منك الذاكرة والمساحة.
ميزة KANO: نظرًا لأن KANO يستخدم "العدسة" المناسبة لكل جزء من المشكلة، فإنه يظل فعالًا. هو لا يحتاج إلى مسبح؛ بل يحتاج فقط إلى كوب.

إثبات من العالم الحقيقي: تجربة الكم

لإثبات نجاح ذلك، اختبر الباحثون KANO على ميكانيكا الكم (فيزياء الجسيمات الصغيرة).

المهمة: التنبؤ بكيفية حركة جسيم كمي عبر الزمن بناءً على بيانات محدودة (مثل رؤية مكان الجسيم فقط، وليس حالته الطاقية الكاملة).
المنافسة: قارنوا KANO بأفضل ذكاء اصطناعي موجود (FNO).
النتيجة:
- FNO: فشل فشلًا ذريعًا عند التنبؤ بالمستقبل. كان بعيدًا عن الواقع بهامش كبير لأنه لم يستطع التعميم في مواقف جديدة.
- KANO: كان دقيقًا للغاية. تنبأ بمسار الجسيم بخطأ يقترب من الصفر.
- الكفاءة: حقق KANO ذلك باستخدام أقل من 0.03% من المعلمات (حجم الذاكرة) التي استخدمها FNO. كان الأمر كحل لغز باستخدام قطع قليلة من الأحجية بدلاً من مليون قطعة.

الملخص

KANO هو نوع جديد من الذكاء الاصطناعي الذي:

يرى الغابة والأشجار معًا: يفهم الأنماط العالمية والتفاصيل المحلية في آن واحد.
شفاف: لا يخمن فحسب، بل يتعلم الصيغ الرياضية الفعلية (كما يفعل العالم).
فعال: يحل المشكلات المعقدة والمتغيرة بجزء ضئيل من القدرة الحوسبية التي تتطلبها الطرق القديمة.

باختصار، ينقل KANO الذكاء الاصطناعي من كونه "صندوقًا أسود" يحفظ البيانات إلى "صندوق أبيض" يكتشف القوانين الأساسية للطبيعة، مما يجعله أداة قوية للاكتشاف العلمي المستقبلي.

إليك ملخص تقني مفصل لورقة البحث بعنوان "KANO: Kolmogorov–Arnold Neural Operator".

1. بيان المشكلة

تتناول الورقة البحثية قصوراً حرجاً في المؤثرات العصبية (Neural Operators) الحالية، وتحديداً مؤثر فورييه العصبي (Fourier Neural Operator - FNO)، عند تطبيقه على الديناميكيات المعتمدة على الموقع (التي تحكمها معادلات تفاضلية جزئية ذات معاملات متغيرة).

الاختناق الطيفي (The Spectral Bottleneck): يعتمد FNO على نهج "طيفي بحت"، حيث يقوم بترميز الدوال في قاعدة فورييه مبتورة بشكل ثابت. وبينما يعد هذا النهج فعالاً للمؤثرات ذات الكثافة الطيفية المنخفضة (حيث تتلاشى المعاملات بسرعة)، إلا أن FNO يعاني مع المؤثرات ذات الكثافة الطيفية العالية.
الديناميكيات المعتمدة على الموقع: في العديد من الأنظمة الفيزيائية (مثل تدفق السوائل مع تغير اللزوجة، أو هاملتوني الكم مع جهود تعتمد على الموقع)، يتضمن المؤثر عملية ضرب في متغيرات مكانية (على سبيل المثال $x \cdot u(x)$ ). في المجال الفورييه، تتحول عملية الضرب المكاني إلى عملية التفاف (convolution) كثيفة (مصفوفة توپليتز - Toeplitz matrix)، مما يدمر الكثافة التي يعتمد عليها FNO.
العواقب: لتقريب هذه المؤثرات الكثيفة، يتطلب FNO نمواً فائق الأسي في حجم النموذج للوصول إلى دقة مستهدفة. ونتيجة لذلك، تفشل نماذج FNO المدربة على توزيعات بيانات محددة في التعميم إلى مدخلات غير مرئية (فشل خارج التوزيع - out-of-distribution failure)، لأن الأقطار الجانبية الطيفية التي تم تعلمها مرتبطة بتوزيع بيانات التدريب بدلاً من القانون الفيزيائي الأساسي.
نقص القابلية للتفسير: غالباً ما تكون شبكات المؤثرات الموجودة "صناديق سوداء". هناك حاجة لنماذج لا تكتفي بتقريب المؤثرات فحسب، بل تستعيد أيضاً المعادلات الرمزية ذات الصيغة المغلقة (القوانين العلمية) من البيانات.

2. المنهجية: إطار عمل KANO

يقترح المؤلفون KANO (Kolmogorov–Arnold Neural Operator)، وهو مؤثر عصبي ثنائي المجال يقوم بترميز المؤثر بشكل مشترك في كل من المجالات المكانية والتحليلية (الطيفية) باستخدام شبكات كولموغوروف-أرنولد (KANs).

البنية الأساسية

على عكس FNO، الذي يستخدم دوال الإدراك متعدد الطبقات (MLPs) للرسم الخرائطي الكامن والتحويلات الفورية الثابتة، يستخدم KANO ما يلي:

حساب الرمز التفاضلي الزائف (Pseudo-Differential Symbol Calculus): يمثل KANO المؤثر باستخدام رمز قابل للتعلم $p(x, \xi)$ يعتمد على كل من الإحداثيات المكانية ( $x$ ) وأنماط التردد ( $\xi$ ).
تكميم كوهن-نيرينبرج (Kohn-Nirenberg Quantization): يتم حساب المؤثر عبر صيغة تكميم تدمج الرمز $p(x, \xi)$ مع الدالة المدخلة $a(y)$ عبر كل من المجالين المكاني والطيفي:
$\mathcal{O}_m(p)[a](x) = \left(\frac{h}{L}\right)^d \sum_{\xi \in \Xi} \sum_{y \in Y} e^{i(x-y)\cdot\xi} p(x, \xi) a(y)$
يسمح هذا للنموذج بإجراء عمليات الالتفاف في المجال الطيفي (للتعامل مع المشتقات) وعمليات الضرب في المجال المكاني (للتعامل مع الحدود المعتمدة على الموقع) في آن واحد.
الشبكات الفرعية لـ KAN:
- يتم تمثيل الرمز $p(x, \xi)$ بواسطة شبكة فرعية من نوع KAN.
- دالة التنشيط غير الخطية $\Phi$ هي أيضاً KAN.
- لماذا KAN؟ تستبدل شبكات KAN دوال التنشيط الثابتة في العقد بدوال أحادية المتغير قابلة للتعلم على الحواف. هذا الهيكل هو بطبيعته قابل للتفسير، مما يسمح بتصور الدوال المتعلمة وتقريبها بواسطة الانحدار الرمزي لاستعادة التعبيرات الرياضية ذات الصيغة المغلقة.
الكثافة ثنائية المجال: يستغل KANO حقيقة أن الحدود التفاضلية تكون كثيفة (sparse) في المجال الطيفي، بينما تكون الحدود الموضعية/الضربية كثيفة في المجال المكاني. ومن خلال تعلم الرمز في كلا المجالين، يحقق KANO تمثيلاً مدمجاً للمعادلات التفاضلية الجزئية ذات المعاملات المتغيرة.

التحليل النظري

تقدم الورقة برهاناً نظرياً لقصور FNO ومزايا KANO:

قصور FNO (النظرية 1): يثبت المؤلفون أنه بالنسبة للمؤثرات المعتمدة على الموقع، يعاني FNO من لعنة الأبعاد. فالخطأ في الإسقاط (بسبب بتر ذيل فورييه) يجبر حجم الشبكة الكامنة على التوسع بشكل فائق الأسي بالنسبة للدقة المطلوبة $\epsilon$ .
ميزة KANO (النظرية 2): يتجنب KANO هذا الاختناق. فباستخدام تكميم كوهن-نيرينبرج، يتوسع خطأ الإسقاط بشكل حدودي (polynomial) مع عرض الشبكة $m$ . علاوة على ذلك، فإن الشبكة الكامنة (KAN) تقرب الرموز الناعمة بتوسع حدودي. وبالتالي، يحقق KANO الدقة المطلوبة بزيادة حدودية في حجم النموذج، مما يجعله عملياً للديناميكيات العامة المعتمدة على الموقع.

3. المساهمات الرئيسية

البرهان النظري لاختناق FNO: تثبت الورقة رسمياً أن FNO لا يمكنه التقارب بكفاءة نحو الديناميكيات العامة المعتمدة على الموقع بسبب التوسع فائق الأسي لحجم النموذج المطلوب للتعامل مع الاضمحلال الجبري لذيول فورييه الناجم عن مؤثرات الموقع.
بنية مبتكرة (KANO): تقديم أول مؤثر عصبي قابل للتفسير يقوم بترميز المجالات المكانية والطيفية بشكل مشترك باستخدام KANs ضمن إطار عمل المؤثر التفاضلي الزائف.
الاستعادة الرمزية: يتيح KANO استخراج الصيغ الرمزية ذات الصيغة المغلقة من المؤثر المتعلم، وهي قدرة تفتقر إليها طرق تعلم المؤثرات السابقة إلى حد كبير.
التعميم القوي: تم تصميم البنية لتتعمم بقوة على المدخلات خارج التوزيع، متجاوزة هشاشة FNO تجاه مساحات البيانات غير المرئية.

4. النتائج التجريبية

قيم المؤلفون KANO على مؤثرات اصطناعية ومعيار فيزياء الكم.

أ. معايير المؤثرات الاصطناعية

المهام: تعلم ثلاثة مؤثرات تعتمد على الموقع ( $G_1, G_2, G_3$ ) تتضمن حدوداً مثل $x^2 \cdot f$ و $x \cdot \partial_x f$ واللاخطية.
الإعداد: تم تدريب النماذج على "المجموعة أ" (دالة جيبية دورية، جيب تمام متموج، وجيب نبضي) واختبارها على "المجموعة ب" (نبضة Sinc، هيرميت-غاوس، وحزمة موجية) لاختبار التعميم خارج التوزيع.
الأداء:
- التعميم: أظهر FNO ومتغيراته (U-FNO, AM-FNO) زيادة كبيرة في الفقد (الهشاشة) في المجموعة ب. بينما حافظ KANO على فقد منخفض وثابت عبر المجموعتين.
- الكفاءة: حقق KANO خسارة $\ell_2$ نسبية أقل بـ 10 أضعاف من FNO مع استخدام 0.03% فقط من المعاملات (152 معامل مقابل 566 ألف).
- الاستعادة الرمزية: بعد التدريب، تم تصور حواف KAN وتجميدها. نجح النموذج في استعادة الصيغ الرمزية الحقيقية (مثل $x^2 - \partial_{xx}$ ) بدقة تصل إلى المنزلة العشرية الرابعة في المعاملات.

ب. معيار تعلم هاملتوني الكمي

المهام: تعلم الهاملتوني الحقيقي لجهد القعر المزدوج الرباعي (Quartic Double-Well - DW) ومعادلة شرودنجر غير الخطية (NLSE) من بيانات القياس الإسقاطي (دوال كثافة الاحتمال للموقع و/أو الزخم).
السيناريوهات:
- النوع الكامل (Full-type): التدريب باستخدام بيانات الدالة الموجية الكاملة (مثالي، لكنه غير قابل للتحقيق فيزيائياً).
- نوع الموقع (Pos-type): التدريب باستخدام بيانات الموقع فقط.
- نوع الموقع والزخم (Pos&Mom-type): التدريب باستخدام بيانات الموقع والزخم معاً.
النتائج:
- عدم مطابقة الحالة (State Infidelity): حقق KANO عدم مطابقة للحالة بنسبة $\approx 6 \times 10^{-6}$ ، متفوقاً على FNO (المدرب على البيانات الكاملة) بـ أربعة أضعاف الأس ( $\approx 1.5 \times 10^{-2}$ ).
- كفاءة البيانات: حقق KANO المدرب على بيانات "الموقع والزخم" أداءً لا يمكن تمييزه عن خط الأساس المثالي للبيانات "الكاملة".
- إعادة البناء الرمزي: نجح KANO في إعادة بناء حدود الهاملتوني (مثل $x^4 - x^2 + 0.5\xi^2$ ) بدقة عالية. كما حدد بشكل صحيح أن الأطوار العالمية وبعض المعاملات التكعيبية غير قابلة للرصد من البيانات المتاحة، مما أظهر اتساقاً فيزيائياً.

5. الأهمية والأثر

تحول في النموذج (Parad Paradigm Shift): ينقل KANO هدف تعلم المؤثرات من "التقريب العالمي" (ملاءمة البيانات) إلى "التعميم العالمي" و"الاكتشاف العلمي" (استعادة القوانين).
القابلية للتفسير: يجسّر الفجوة بين التعلم العميق والرياضيات الرمزية، مما يسمح للذكاء الاصطناعي ليس فقط بالتنبؤ بالنتائج، بل بالكشف عن المعادلات الحاكمة للأنظمة الفيزيائية.
القابلية للتوسع: من خلال الإثبات النظري والتجريبي بأن KANO يتجنب لعنة الأبعاد المتأصلة في الطرق الطيفية للمعادلات التفاضلية الجزئية ذات المعاملات المتغيرة، فإنه يفتح الباب لحل مشكلات الفيزياء المعقدة والواقعية التي كانت مستعصية على FNO.
الذكاء الاصطنا العلمي: إن القدرة على التعلم من الملاحظات الجزئية (القياسات الإسقاطية) واستعادة الهاملتوني بصيغة مغلقة تجعل من KANO أداة قوية لتحديد الأنظمة الكمومية وغيرها من المجالات العلمية حيث لا تتوفر بيانات الحالة الكاملة.

باخت-صار، يمثل KANO تقدماً كبيراً في الذكاء الاصطنا العلمي من خلال الجمع بين كفاءة الطرق الطيفية ومرونة KANs المكانية، مما ينتج نموذجاً عالي الدقة، وفعالاً في المعاملات، وقادراً على اكتشاف القوانين الفيزيائية القابلة للتفسير.