Numerical exploration of the range of shape functionals using neural networks

ملخص تقني: استكشاف عددي لنطاق الدوال الشكلية باستخدام الشبكات العصبية

بيان المشكلة
يتناول البحث الاستكشاف العددي لمخططات بلاشكي-سانتالو (Blaschke–Santaló diagrams)، وهي تمثيلات هندسية لنطاق الدوال الشكلية متعددة القيم. وتعمل هذه المخططات على توصيف المتراجحات الممكنة المتعلقة بدوال شكلية محددة (مثل الحجم، المحيط، القيم الذاتية) ضمن فئة معينة من المجموعات، وعادة ما تكون الأجسام المحدبة. وبينما توجد نتائج نظرية للدوال الهندسية البحتة، فإن الحصول على أوصاف صريحة أو خصائص نوعية للمخططات التي تتضمن كميات طيفية أو مرتبطة بالمعادلات التفاضلية الجزئية (PDE) يظل تحدياً كبيًراً للغاية. تعاني النهج العددية السابقة، مثل أخذ العينات العشوائية للمضلعات المحدبة أو الطرق التي تعتمد على تقسيم فورونوي (Voronoi tessellation)، من عدم انتظام أخذ العينات، أو الفشل في التقاط القيم القصوى عند الحدود، أو الاعتماد على معرفة مسبقة بتحدب المخطط (مثل التحدب الرأسي) وهو أمر يصعب إثباته للحالات العامة.

المنهجية
يقترح المؤلفون إطار عمل عددي مبتكر يجمع بين بنية شبكة عصبية محددة لتمثيل الشكل ونظام جسيمات متفاعل لأخذ عينات منتظمة.

1. تمثيل بارامتري عبر شبكة عصبية قابلة للعكس:

   • البنية دون الخطية (Sublinear Architecture): تقوم الطريقة بتمثيل الأجسام المحدبة في $\mathbb{R}^d$ كصورة للكرة الوحدة $B$ تحت تأثير تشاكل مستمر (homeomorphism) $\phi_\theta$. يتم بناء هذه الخريطة باستخدام دالة القياس (gauge function) $p_\theta$، والتي تُمثل بواسطة شبكة عصبية.
   • الحفاظ على التحدب: لضمان أن تكون المجموعات الناتجة محدبة بطبيعتها، صُممت بنية الشبكة لتلبي قيود الخطية دون (sublinearity). وتحديداً، تُعرف دالة القياس كـ $p_\theta(x) = \beta \|x\| \text{LSE}(W^T x / \|x\|)$، حيث LSE هي دالة (LogSum-Exp). هذا التقريب السلس لأقصى القيم للأشكال الخطية يضمن أن تكون $p_\theta$ مستمرة، دون خطية، و $C^\infty$ بعيداً عن الأصل.
   • التقريب الشامل (Universal Approximation): يعتمد المؤلفون على "نظرية التقريب الشامل" (التي تم إثباتها في عمل سابق [44]) والتي تنص على أن مجموعة الأجسام المحدبة التي يمكن تمثيلها بهذه البنية كثيفة في فضاء جميع الأجسام المحدبة وفقاً لمسافة هاوسدورف (Hausdorff distance).
   • ترميز التماثل: يسمح الإطار بفرض التماثلات (مثل تماثل الانعكاس) عن طريق حساب متوسط دالة القياس عبر مجموعة من التحويلات المتطابقة (isometries)، مما يضمن أن الشكل الناتج ثابت تحت تأثير تلك المجموعة.

2. أخذ العينات المنتظم عبر الجسيمات المتفاعلة:

   • لتوليد توزيع منتظم للنقاط داخل مخطط بلاشكي-سانتالو، يقوم المؤلفون بتقليل دالة طاقة ريز (Riesz energy functional). ويتم صياغة ذلك كمسألة تحسين حيث يتم تحسين $N$ من الأشكال $\Omega_1, \dots, \Omega_N$ لتعظيم المسافات الزوجية بينها في الفضاء الدالي:
     $$\min_{\theta_1, \dots, \theta_N} \sum_{1 \le i \neq j \le N} |F(\Omega_{\theta_i}) - F(\Omega_{\theta_j})|^{-s}$$
   • هذا النهج مدفوع بـ "نظرية كعكة البوبي-سيد" (Poppy-seed Bagel Theorem)، التي تضمن أن تقليل هذه الطاقة يؤدي إلى توزيع منتظم على المنوع (manifold) مع زيادة $N$.
   • تتم عملية التحسين باستخدام التفاضل التلقائي في PyTorch (عبر l-BFGS)، مما يسمح للغراديانت (gradients) بالتدفق عبر كامل الرسم البيو الحسابي، بما في ذلك حل المعادلات التفاضلية الجزئية وتقييم التكاملات.

3. حساب الدوال الشكلية:

   • الكميات التكاملية: يتم حساب الحجم، المحيط، وعزم القصور الذاتي عن طريق سحب التكاملات من نطاق الشكل $\Omega_\theta$ إلى كرة الوحدة المرجعية $B$ باستخدام صيغ تغيير المتغيرات التي تتضمن جاكوبي (Jacobian) الخريطة العصبية.
   • الكميات المرتبطة بالمعادلات التفاضلية الجزئية (PDE):
     • الصلابة الالتوائية (Torsional Rigidity): تُحل باستخدام نهج طريقة الحلول الأساسية (MFS)، حيث يتم تقريب الحل كمزيج خطي من الحلول الأساسية. يتم ضبط الشرط الحدودي عبر المربعات الصغرى، وهي عملية قابلة للتفاضل بالكامل في PyTorch.
     • القيم الذاتية لنيومان (Neumann Eigenvalues): تُحسب باستخدام طريقة RBF-Galerkin الخالية من الشبكة (mesh-free). يتم سحب الصيغة الضعيفة إلى النطاق المرجعي، وتجزئتها باستخدام الدوال الأساسية الشعاعية (Radial Basis Functions)، ثم حلها كمسألة قيم ذاتية معممة. ولتمكين التفاضل، يتم تحويل المسألة إلى مسألة قيم ذاتية قياسية عبر تحليل تشوليسكي (Cholesky decomposition) لمصفوفة الكتلة.
   • التنظيم (Regularization): لمنع التحسين من الانهيار إلى أشكال مسطحة ومتدهورة (مما يسبب عدم استقرار عددي)، تُضاف دالة تنظيم تعتمد على عدد الشرط (condition number) لجاكوبي إلى دالة الخسارة.

المساهمات الرئيسية

• التحسين المحدب غير المقيد: تقديم تمثيل بارامتري عصبي سلس وقابل للعكس يحافظ جوهرياً على التحدب دون الحاجة إلى قيود صريحة أو حدود جزائية.
• أخذ عينات منتظم للمخطط: تطبيق أنظمة الجسيمات المتفاعلة لتقليل طاقة ريز، مما يوفر طريقة لأخذ عينات منتظمة من مخططات بلاشكي-سانتالو دون الاعتماد على معرفة مسبقة بخصائص تحدب المخطط.
• حلالات PDE قابلة للتفاضل: الدمج الناجح للتفاضل التلقائي مع الطرق الخالية من الشبكة (MFS و RBF-Galerler) لحساب وتفاضل الدوال الطيفية والالتوائية بالنسبة لمعلمات الشكل.
• التنفيذ مفتوح المصدر: إصدار حزمة شاملة بلغة PyTorch (تسمى ConvexShapeOpt) ودفاتر ملاحظات (notebooks) لتسهيل إعادة الإنتاج.

النتائج
تم اختبار الطريقة على مخططات مختلفة في $\mathbb{R}^2$ و $\mathbb{R}^3$، مما أظهر فعاليتها عبر الدوال الهندسية والطيفية والناتجة عن المعادلات التفاضلية الجزئية:

• المخططات الهندسية (الحجم، المحيط، عزم القصور الذاتي): نجحت الطريقة في استعادة الحدود النظرية المعروفة والأشكال القصوى (مثل الـ stadiums، المثلثات، والمعينات) لكل من الأجسام المحدبة العامة والمتماثلة في 2D و 3D.
• مخططات الصلابة الالتوائية: رسمت الطريقة بدقة العلاقة بين الحجم، المحيط، والصلابة الالتوائية، مستعيدةً المتراجحات المعروفة (مثل Saint-Venant, Polya, Makai) ومحققةً تصوراً للأشكال المثلى المقابلة لها.
• المخططات الطيفية (الحجم، أول قيمتين ذاتيتين لنيومان): استكشفت الطريقة المخطط لـ $\mu_1$ و $\mu_2$. وبينما استعادت الطريقة الشكل العام للنطاق، أشار المؤلفون إلى وجود قيود في الدقة عند الحد العلوي بسبب قيود الذاكرة المرتبطة بالتفاضل عبر تجميع القيم الذاتية.
• مخططات طاقة ويلمور (Willmore energy): تعامل الإطار بنجاح مع الحدود من الرتب العليا، مصوراً المقايضات بين الحجم، المحيط، وطاقة ويلمور للمجموعات المحدبة المستوية وفي 3D.
• المقارنة: أظهرت المقارنات مع أخذ العينات العشوائية الساذج للمضلعات المحدبة أن الطريقة المقترحة تلتقط مناطق من المخطط تفقدها العينات العشوائية، خاصة بالقرب من الحدود.

الأهمية والادعاءات
يدعي البحث تقديم "إطار عمل عددي مبتكر" يتغلب على قيود الطرق السابقة من خلال تقديم نهج "غير مقيد بالكامل" لتحسين الشكل. وتكمن الأهمية في:

1. المرونة: القدرة على التعامل مع دوال متنوعة (هندسية، طيفية، أو ناتجة عن PDE) ضمن إطار عمل موحد وقابل للتفاضل.
2. المتانة: توفر الطريقة "وصفاً مرضياً" للمخططات في كل من 2D و 3D دون الحاجة إلى افتراضات مسبقة حول هندسة المخطط (مثل التحدب الرأسي).
3. القابلية للتوسع: بينما تزداد التكاليف الحسابية في 3D بسبب متطلبات التربيع (quadrature)، تظل الطريقة متينة ولا تتطلب تعقيدات تنفيذية إضافية مقارنة بـ 2D.
4. سهولة الوصول: من خلال الاستفادة من التفاضل التلقائي لـ PyTorch، يخفض الإطار حاجز الدخول لاستكشاف دوال جديدة ويجعله متاحاً لمجتمع البحث.

يحافظ المؤلفون على نبرة متواضلة فيما يتعلق بالقيود، حيث يقرون بأن كفاءة الذاكرة في الطريقة مقيدة بحجم الرسم البيو الحسابي المطلوب للتفاضل عالي الدقة، خاصة في المسائل الطيفية. كما يشيرون إلى أنه بينما يعد تمثيل دالة القياس قوياً، فإنه يجعل بعض الكميات الهندسية (مثل الحد الأدنى للعرض) أصعب في الحساب مقارنة بدوال الدعم (support functions)، رغم أن الاثنين متبادلان نظرياً.