Do physics-informed neural networks (PINNs) need to be deep? Shallow PINNs using the Levenberg-Marquardt algorithm
تُثبت هذه الورقة أن الشبكات العصبية الضحلة المستوحاة من الفيزياء (PINNs) التي يتم تدريبها باستخدام خوارزمية ليفنبرج-ماركوارتت وجاكوبيات تحليلية صريحة، تتفوق على الشبكات الأعمق والمحسنات من الدرجة الأولى في حل المعادلات التفاضلية الجزئية غير الخطية، مما يوفر تقارباً ودقة وكفاءة حوسبية فائقة مع عدد أقل من المعلمات.
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
تتحدث الطبيعة بلغة التغيير. فمن الطريقة التي تنتشر بها الحرارة عبر قضيب معدني إلى الأنماط الدوامية للعاصفة، يخضع العالم المادي لقواعد تصف كيفية تحول الأشياء عبر الزمان والمكان. وقد استخدم العلماء لفترة طويلة معادلات رياضية معقدة، تُعرف بالمعادلات التفاضلية الجزئية، لكتابة هذه القواعد. وعلى مر قرون، كان حل هذه المعادلات مهمة جسيمة، تتطلب غالباً حواسيب فائقة القدرة لتقريب الإجابات حتى لأبسط السيناريوهات. وفي السنوات الأخيرة، ظهر نهج جديد يعامل هذه المعادلات ليس فقط كمشكلات رياضية يجب حلها، بل كدلالات يجب على الذكاء الاصطعي تعلمها. هذه الطريقة، التي تسمى الشبكة العصبية المستنيرة بالفيزياء، تدرب برنامجاً حاسوبياً على تخمين الحل مع الالتزام الصارم بقوانين الفيزياء. وكان الاعتقاد السائد في هذا المجال هو أنه لكي يحل البرنامج الحاسوبي هذه المشكلات الصعبة بدقة، يجب أن يكون عميقاً ومعقداً للغاية، ويحتوي على العديد من الطبقات من الخلايا العصبية الاصطناعية، تماماً مثل الهياكل العميقة الموجودة في الدماغ البشري.
لقد تحدى فريق من الباحثين من إندونيسيا والإمارات العربية المتحدة هذا الافتراض. فقد طرحوا سؤالاً بسيطاً ولكنه عميق: هل تحتاج الشبكة العصبية المستنيرة بالفيزياء حقاً إلى أن تكون عميقة لتعمل بشكل جيد؟ وللتحقق من ذلك، بنوا نسخة أبسط بكثير من هذه الشبكات، باستخدام عدد قليل فقط من الطبقات، وربطوها بأداة رياضية محددة وقوية لإيجاد أفضل إجابة ممكنة. ويشير عملهم إلى أن تعقيد الشبكة أقل أهمية من الاستراتيجية المستخدمة لتدريبها. فمن خلال الجمع بين شبكة ضحلة ومبسطة وطريقة تحسين قوية، تمكنوا من حل مجموعة متنوعة من المشكلات الفيزيائية الصعبة بسرعة ودقة أكبر من الشبكات الأكثر عمقاً وتعقيداً التي تهيمن على الأبحاث الحالية.
اختبر الباحثون نهجهم على أربعة أنواع متميزة من المشكلات الفيزيائية، حيث يمثل كل منها تحدياته الفريدة. فقد تناولوا تدفق السوائل، وسلوك الجسيمات الكمومية، وانتشار التفاعلات الكيميائية، وتوزيع الحرارة في فضاء ثلاثي الأبعاد. وفي كل حالة، وضعوا عملية تدريب يتعين على الحاسوب خلالها إيجاد حل يتوافق مع كل من البيانات المرصودة والقوانين الفيزيائية الأساسية. وقارنوا شبكتهم الضحلة، المدربة بالطريقة التي اختاروها، مع تقنيات التدريب القياسية المستخدمة في كل من الشبكات الضحلة والعميقة. كانت النتائج مذهلة؛ ففي كل اختبار، وصلت شبكتهم الضحلة المدربة بالطريقة المتخصصة إلى الحل بشكل أسرع وبدقة أعلى بكثير من البدائل الأخرى. فعلى سبيل المثال، عند حل مشكلة تتعلق بتدفق السوائل، وصل منهجهم إلى مستوى من الخطأ صغير جداً لدرجة أنه يكاد يكون غير مرئي، بينما تركت الطرق القياسية أخطاءً أكبر بمئات المرات.
إن ما يجعل هذا الاكتشاف مهماً بشكل خاص هو أن الباحثين لم يعتمدوا فقط على الحاسوب لاستنتاج الرياضيات الكامنة وراء الكواليس. فقد اشتقوا صيغاً دقيقة، خطوة بخطوة، تصف كيفية تغير مخرجات الشبكة استجابةً لمدخلاتها. وقد سمح لهم ذلك ببناء خريطة دقيقة لمشهد المشكلة، والتي يمكن لخوارزمية التدريب الخاصة بهم التنقل فيها بكفاءة جراحية. وكشف هذا النهج أن معاملات الشبكة، وهي الأرقام الداخلية التي تحدد سلوكها، كانت مشتركة بطريقة جعلت الهيكل الضحل قوياً بشكل مفاجئ. إن طريقة التدريب التي استخدموها، والمعروفة باسم خوارزمية "ليفنبرغ-ماركوات" (Levenberg-Marquardt)، تعمل مثل ملاح ماهر يمكنه تعديل مساره فوراً بناءً على التضاريس، في حين أن الطرق القياسية المستخدمة في هذا المجال غالباً ما تسلك مساراً أبطأ وأكثر تردداً.
كما استكشفت الدراسة ما إذا كان بإمكان هذه الشبكات العمل بشكل عكسي، أي تحديد الخصائص الفيزيائية المجهولة من البيانات المرصودة. ففي إحدى التجارب، طُلب من الحاسوب تحديد المعاملات الخفية لمعادلة تفاعل كيميائي بمجرد النظر إلى نتائج التفاعل. نجحت الشبكة الضحلة في تحديد القيم الصحيحة، حتى عندما كانت البيانات تحتوي على ضجيج أو عندما كانت التخمينات الأولية بعيدة عن الصواب. وفي اختبار آخر يتعلق بمشكلة حرارية ثلاثية الأبعاد، تفوقت الشبكة مرة أخرى على نظيراتها الأكثر عمقاً، حيث وجدت الثوابت الفيزيائية بدقة عالية. ووجد الباحثون أنه حتى مع شبكة تحتوي على بضع مئات فقط من المعاملات، استطاعوا تحقيق نتائج عجزت الشبكات الأعمق التي تحتوي على آلاف المعاملات عن مضاهاتها.
يشير هذا العمل إلى أن السعي وراء شبكات عصبية أكثر عمقاً قد لا يكون المسار الوحيد لحل المشكلات الفيزيائية المعقدة. بدلاً من ذلك، قد يكمن المفتاح في اختيار استراتيجية التدريب الصحيحة وفهم البنية الرياضية للمشكلة. لقد أثبت الباحثون أن شبكة ضحلة بسيطة، عندما يتم توجيهها بواسطة طريقة تحسين من الدرجة الثانية فعالة، يمكن أن توفر حلولاً دقيقة وفعالة لكل من التنبؤ بالسلوك الفيزيائي وكشف القوانين الخفية. وتشير نتائجهم إلى أنه بالنسبة لفئة واسعة من المشكلات، فإن عمق الشبكة ليس هو العامل الحاسم للنجاح. بل إن الجمع بين بنية ضحلة جيدة الهيكلة وتقنية تحسين قوية يقدم طريقة أكثر كفاءة ودقة لسد الفجوة بين الذكاء الاصطناعي وقوانين الفيزياء.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.