🔬 physics

Learning parameter-dependent shear viscosity from data, with application to sea and land ice

تقترح هذه الورقة إطار عمل للتعلم الآلي المستند إلى الفيزياء يستخدم الشبكات العصبية لاستنتاج نماذج ريولوجية غير نيوتونية من بيانات الإجهاد أو السرعة، مما يثبت قدرتها على الاسترداد الدقيق لقوانين الجليد البري المعتمدة على درجة الحرارة وسلوكيات الجليد البحري المعتمدة على التركيز.

المؤلفون الأصليون: Gonzalo G. de Diego, Georg Stadler

نُشر 2026-04-28

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Gonzalo G. de Diego, Georg Stadler

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 اكتشاف "شخصية" مادة غامضة، مثل نوع غريب من السائل اللزج أو شراب كثيف، لكن لا يُسمح لك بلمسها أو معرفة صيغتها الكيميائية. كل ما يمكنك فعله هو مراقبة كيفية حركتها عندما تضغط عليها، أو قياس مدى مقاومتها للانضغاط.

يصف هذا البحث طريقة تقنية متطورة للعب دور "المحقق" مع السوائل — وتحديداً الصفائح الجليدية الضخمة والبطيئة الحركة على اليابسة، والكتل الجليدية العائمة في المحيطات.

إليك تفصيل كيفية قيامهم بذلك، باستخدام بعض التشبيهات من الحياة اليومية.

١. المشكلة: "الوصفة السرية" للجليد

لكل سائل "وصفة" تسمى الريولوجيا (علم الانسياب). تخبر هذه الوصفة السائل بمدى المقاومة التي يجب أن يبديها للتدفق عند تطبيق قوة عليه.

الماء بسيط: إذا ضغطت عليه بضعف القوة، سيتحرك بضعف السرعة.
السوائل غير النيوتونية (مثل الجليد في هذا البحث) هي سوائل "متقلبة المزاج". إذا ضغطت عليها بقوة أكبر، فقد تتحول فجأة إلى مادة صلبة (مثل خليط النشا والماء) أو تصبح أكثر سيولة ورقة.

بالنسبة للعلماء الذين يدرسون تغير المناخ، فإن معرفة هذه "الوصفة السرية" للجليد أمر حيوي. فإذا عرفنا بدقة مدى "سيولة" النهر الجليدي، يمكننا التنبيد بسرعة ذوبانه في البحر وكمية ارتفاع مستويات المحيطات. لكن وصفة الجليد معقدة للغاية لأنها تتغير بناءً على درجة الحرارة (جليد اليابسة) أو مدى ازدحام الجليد (الجليد البحري).

٢. الحل: "المحاكي الرقمي" (الشبكات العصبية)

بدلاً من التخمين بناءً على صيغة رياضية (وهو ما يشبه محاولة تخمين أغنية بمجرد سماع نوتة واحدة فقط)، يستخدم الباحثون شبكة عصبية.

فكر في الشبكة العصبية كـ "محاكٍ رقمي". أنت لا تخبر المحاكي ما هي الوصفة؛ بل تعرض عليه فيديوهات لحركة الجليد وتقول له: "هيا، حاول ضبط إعداداتك الداخلية حتى تبدو حركاتك تماماً مثل هذه الفيديوهات".

لقد صمم الباحثون هذا المحاكي ليكون طالباً "مهذباً" في الفيزياء. لم يتركوه يخمن بعشوائية؛ بل وضعوا له قواعد صارمة:

قاعدة "لا سحر" (التماثل/Isotropy): يجب ألا يتصرف السائل بشكل مختلف لمجرد أنك غيرت زاوية رؤيتك.
قاعدة "لا طاقة من العدم" (التبدد/Dissipation): لا يمكن للسائل أن يخلق طاقة من فراغ؛ بل يجب أن يلتزم بقوانين الديناميكا الحرارية.

٣. طريقتان للعب دور المحقق

وجد الباحثون طريقتين لتدريب محاكيّهم الرقمي:

الطريقة (أ): اختبار "الإجهاد" (مقياس الضغط): يشبه هذا وضع السائل في آلة تقيس بدقة مقدار الضغط الذي يقاومه. إنها طريقة مباشرة جداً، ولكن في العالم الحقيقي، قياس "الإجهاد الداخلي" أمر صعب للغاية.
الطريقة (ب): اختبار "السرعة" (عداد السرعة): يشبه هذا مراقبة تدفق السائل وقياس سرعته. هذا أسهل بكثير في الواقع العملي (يمكننا رؤية حركة الأنهار الجليدية!)، ولكنه مسألة رياضية أصعب لأن عليك العمل بشكل عكسي من "السرعة" لتصل إلى "الوصفة".

٤. النتائج: إثبات كفاءة المحقق

للتأكد مما إذا كانت أعمال التحقيق قد نجحت بالفعل، قاموا بثلاثة اختبارات:

١. اختبار جليد اليابسة: أعطوا المحاكي بيانات حول كيفية تحرك الأنهار الجليدية. نجح المحاكي في "إعادة اكتشاف" قانون غلين (Glen's Law) — وهو صيغة رياضية شهيرة استخدمها العلماء لعقود. إنه يشبه إعطاء طالب مسألة رياضية وجعله "يعيد اختراع التفاضل والتكامل بالصدفة".
٢. اختبار الجليد البحري: اختبروه على الجليد البحري "متقلب المزاج". حتى عندما كانت البيانات "مشوشة" (غير دقيقة وغير منتظمة، مثل صورة ضبابية)، تمكن المحاكي من معرفة الوصفة التي توضح كيف يغير تركيز الجليد طريقة تدفقه.
٣. اختبار "المجهول" (التحدي الأقصى): استخدموا محاكاة معقدة للغاية لجزيئات جليد فردية تصطدم ببعضها البعض (مثل ساحة رقص مزدحمة "Mosh Pit"). لم يعطوا المحاكي أي صيغة رياضية. نظر المحاكي إلى الحركة الفوضوية ونجح في استنتاج وصفة جديدة تماماً تصف كيفية انتقال الجليد من الحالة السميكة إلى الحالة الرقيقة.

لماذا يهم هذا الأمر؟

في الماضي، إذا لم نكن نعرف "الوصفة" لنوع معين من الجليد، كان علينا مجرد التخمين. يوفر هذا البحث طريقة لتعلم الوصفة مباشرة من الملاحظة.

من خلال استخدام ذكاء اصطناعي يحترم قوانين الفيزياء، يمكننا تحويل بيانات الأقمار الصناعية الواقعية والمبعثرة لحركة الجليد إلى نماذج رياضية دقيقة. وهذا يساعدنا في بناء "كرات بلورية" أفضل للتنبؤ بمستقبل جليد كوكبنا ومستويات سطح البحر.

ملخص تقني: تعلم لزوجة القص المعتمدة على المعلمات من البيانات

المؤلفون: غونزالو ج. دي دييغو وجورج ستادلر (معهد كورانت، جامعة نيويورك)

1. بيان المشكلة

تتطلب نمذجة السوائل المعقدة غير النيوتونية (مثل الجليد البري، أو الجليد البحري، أو المحاليل البوليمرية) نموذجًا ريولوجيًا (Rheological model) — وهو علاقة تكوينية تربط الإجهادات الداخلية بمعدلات الانفعال. تقليديًا، تكون هذه النماذج إما ظواهرية (مطابقات تحليلية بسيطة) أو مشتقة من المبادئ الأولى (النظرية الحركية). ومع ذلك، فإن التعقيد المتأصل في العديد من المواد يجعل العثين على نماذج دقيقة ومتسقة فيزيائيًا أمرًا صعبًا.

يعالج المؤلفون تحدي استنتاج الريولوجيا القائم على البيانات: كيفية اكتشاف الصيغة الوظيفية للزوجة لسائل ما من البيانات الرصدية (الإجهاد أو السرعة) مع ضمان امتثال النموذج الناتج للقوانين الفيزيائية الأساسية (مثل الديناميكا الحرارية وتماثل المناحي/الخواص الاتجاهية).

2. المنهجية

يقترح المؤلفون إطار عمل يستبدل الدوال التحليلية التقليدية بـ الشبكات العصبية (NNs) لتمثيل لزوجة القص الفعالة $\psi$ .

القيود الفيزيائية: لضمان أن يكون النموذج ذا معنى فيزيائي، اشتق المؤلفون إطار عمل يعتمد على:
- عدم الاعتماد على الإطار المتماثل (Isotropic Frame-Indifference): تمت صياغة النموذج باستخدام ثوابت التنسور (Tensor invariants)، مما يضمن بقاء الفيزياء متسقة بغض النظر عن نظام الإحداثيات.
- الطبيعة التبديدية (Dissipative Nature): يجب أن يستوفي النموذج القانون الثاني للديناميكا الحرارية (يجب أن يزداد الإنتروبيا)، مما يعني أن إجهاد اللزوجة يجب أن يكون تبديديًا بحتًا.
- وجود جهد محدب (Convex Potential): يفترضون وجود جهد تبديد محدب، مما يضمن الصلاحية الرياضية (الوجود والوحدانية للحلول) للمعادلات التفاضلية الجزئية (PDEs) الأساسية.
توصيف الشبكة العصبية: يتم توصيف لزوجة القص الفعالة $\psi$ كدالة $\psi_\theta(|\text{S}_u|, \lambda)$ ، حيث $\lambda$ هو معلم خارجي (مثل درجة الحرارة أو التركيز). تستخدم بنية الشبكة العصبية تنشيطات "الظل الزائدي" (hyperbolic tangent) ومدخلات لوغاريتمية للتعامل مع عدة مراتب مقدار في معدلات الانفعال وضمان الاستقرار.
نهجان للتعلم:
1. الانحدار القائم على الإجهاد ( $J_s$ ): نهج انحدار قياسي يقوم بمطابقة الشبكة العصبية مباشرة مع بيانات الإجهاد والانفعال.
2. التحسين المقيد بالمعادلات التفاضلية الجزئية ( $J_v$ ): منهج أكثر تطورًا يستنتج الريولوجيا من بيانات السرعة. يتضمن ذلك تقليل الخطأ بين السرعات المرصودة والمحاكاة عن طريق حل المعادلات التفاضلية الجزئية الحاكمة باستخدام طريقة العناصر المحدودة (FEM). تم تنفيذ ذلك عبر ربط مكتبة التعلم الآلي (PyTorch) مع مكتبة العناصر المحدودة (Firedrake) باستخدام تدرجات تعتمد على الطريقة المرافقة (Adjoint-based gradients).

3. المساهمات الرئيسية

الإطار النظري: اشتقاق إطار ريولوجي عام، متماثل المناحي، وتبديلي، يكون أكثر مرونة من النماذج السابقة التي تقتصر على الرتابة أو التحدب فقط.
خط معالجة حوسبي هجين: دمج التفاضل التلقائي (AD) من التعلم الآلي مع حلول المعادلات التفاضلية الجزئية المعتمدة على الطريقة المرافقة من التحليل العددي الكلاسيكي.
المتانة تجاه الضجيج: إثبات أن الإطار يمكنه استعادة القوانين الفيزيائية الدقيقة حتى عندما تكون بيانات التدريب ملوثة بضجيج كبير.
اكتشاف القوانين المجهولة: القدرة على الانتقر من مجرد "مطابقة" القوانين المعروفة إلى "اكتشاف" ريولوجيا جديدة ومعقدة بالكامل من بيانات المحاكاة عالية الدقة (DEM).

4. النتائج

قام المؤلفون بالتحقق من صحة الطريقة من خلال ثلاث تطبيقات متميزة:

الجليد البري (استعادة قانون جلين - Glen’s Law): نجحت الطريقة في استعادة قانون جلين المعتمد على درجة الحرارة. ووجدوا أن الاستنتاج القائم على السرعة أكثر متانة بشكل كبير؛ فحتى مع وجود ضجيج بنسبة 10% في السرعة، ظلت ملفات تعريف السرعة المستنتجة دقيقة للغاية، بينما أنتج الاستنتاج القائم على الإجهاد أخطاءً أكبر بكثير في التنبؤ بالسرعة.
الجليد البحري (استعادة النموذج اللزج اللدن - Viscous-Plastic Model): نجح إطار العمل في استعادة مكون القص لنموذج هبلر (Hibler) القياسي. ومن المثير للاهتمام، لاحظوا حساسية مختلفة هنا: على عكس الجليد البري، أدى الضجيج في بيانات السرعة للجليد البحري إلى أخطاء أكبر في اللزوجة المستنتجة، ويرجع ذلك على الأرجال إلى تأثير سحب المحيط.
الجليد البحري (الاكتشاف من بيانات DEM): في اختبار "أعمى"، استُخدمت الطريقة لاستنتاج ريولوجيا من بيانات طريقة العناصر المنفصلة (DEM) (التي تحاكي تصادمات قطع الجليد الفردية). اكتشفت الشبكة العصبية لزوجة غير خطية معقدة تنتقل من التغلظ بالقص (Shear-thickening) إلى الترقق بالقص (Shear-thinning) مع زيادة تركيز الجليد — وهو سلوك يطابق الفيزياء الكامنة لتفاعلات قطع الجليد المعقدة.

5. الأهمية

يمثل هذا العمل خطوة كبيرة للأمام في التعلم الآلي العلمي (SciML). فمن خلال دمج المبادئ الفيزيائية الصارمة (تماثل المناحي، التحدب، والتبديد) مباشرة في بنية الشبكة العصبية، نجح المؤلفون في سد الفجوة بين "الصندوق الأسود" للتعلم الآلي وميكانيكا الاستمرارية الكلاسيكية. يضمن هذا أن النماذج المكتشفة ليست دقيقة إحصائيًا فحسب، بل هي متسقة فيزيائيًا وقادرة على التعميم في سيناريوهات فيزيائية جديدة وغير مرئية. وهذا له آثار عميقة على نمذجة المناخ، حيث تعد ريولوجيا الجليد الدقيقة أمرًا بالغ الأهمية للتنبؤ بارتفاع مستوى سطح البحر ودوران المحيطات.