⚡ electrical engineering

A data-driven model-free physical-informed deep operator network for solving nonlinear dynamic system

تقترح هذه الورقة إطار عمل لشبكة عاملة عميقة (Deep Operator Network) تعتمد على البيانات وخالية من النماذج، تدمج نموذج تعلم آلي بديل لالتقاط التبعيات قصيرة المدى من بيانات تجريبية محدودة، مما يتيح التقريب الفعال للأنظمة الديناميكية غير الخطية دون الحاجة إلى صيغ رياضية دقيقة أو مجموعات بيانات ضخمة.

المؤلفون الأصليون: Jieming Sun, Lichun Li

نُشر 2026-02-24

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Jieming Sun, Lichun Li

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 تعليم روبوت كيفية قيادة سيارة، ولكن لديك مشكلة كبيرة: ليس لديك دليل المالك (معادلات الفيزياء)، ولديك فقط بضع ساعات من لقطات الفيديو (بيانات محدودة) للتعلم منها.

تحتاج معظم أنظمة الذكاء الاصطنا حادثة اليوم إلى إما دليل المالك الكامل أو آلاف الساعات من فيديوهات القيادة لتتعلم كيف تقود. إذا أعطيتهم مجرد القليل من الفيديو دون دليل، فغالباً ما يصطدمون.

تقدم هذه الورقة البحثية طريقة جديدة وذكية لتعليم الروبوت القيادة باستخدام نهج "هجين". إليك التفاصيل بكلمات بسيطة:

١. المشكلة: "الأعمى" و"الجائع"

"الأعمى" (لا توجد فيزياء): في العالم الحقيقي، غالباً لا نعرف الصيغ الرياضية الدقيقة التي تحكم نظاماً ما (مثل بندول يتأرجح أو نمط طقس فوضوي).
"الجائع" (لا توجد بيانات): لا يمكننا دائماً إجراء آلاف التجارب المكلفة للحصول على مجموعات بيانات ضخمة. قد يكون لدينا فقط بضع جولات اختبارية.
النتيجة: تفشل نماذج الذكاء الاصطناعي القياسية لأنها إما متعطشة جداً للبيانات أو مرتبكة لعدم وجود القواعد.

٢. الحل: خدعة "الذاكرة قصيرة المدى"

أدرك الباحثون أنه حتى لو لم تكن تعرف القصة الكاملة لكيفية عمل النظام، فأنت تعرف عادةً جزءاً صغيراً منها: ما يحدث الآن يعتمد بشدة على ما حدث قبل ثانية واحدة فقط.

التشبيه: تخيل أنك تسير في ممر. لا تحتاج لمعرفة المخططات الهندسية للمبنى بأكرا لتعرف أنك إذا خطوت خطوة للأمام، فستصبح أقرب ببضع بوصات إلى الجدار. أنت تحتاج فقط لمعرفة ماضيك المباشر لتتوقع مستقبلك المباشر.
النموذج "البديل" (Surrogate Model): بنى الباحثون ذكاءً اصطناعياً صغيراً وبسيطاً (نموذجاً بديلاً) لتعلم هذه الذاكرة قصيرة المدى فقط. هو يتعلم: "إذا كانت السيارة تسير بهذه السرعة قبل ثانية، وقمت بتدوير المقود بهذا القدر، فمن المرجح أن تكون هنا بعد لحظة وجيزة".

٣. التحفة الفنية: "DeepOnet" مع غرسة دماغية

بعد ذلك، أخذوا ذكاءً اصطناعياً قوياً ومعقداً يسمى DeepOnet (وهو بارع في تعلم الأنماط ولكنه يحتاج إلى الكثير من البيانات) وأعطوه "غرسة دماغية".

الإعداد:
- الـ DeepOnet هو السائق الرئيسي. ينظر إلى الظروف الأولية وأوامر التوجيه ليتنبأ بمكان السيارة في المستقبل.
- النموذج البديل هو "مدرب الفيزياء". هو لا يقود السيارة؛ بل يهمس فقط في أذن الـ DeepOnet: "مهلاً، بناءً على قوانين الحركة التي نعرفها، إذا توقعت أن السيارة ستكون هناك، فهذا مستحيل لأن ذلك سيتطلب منها الانتقال آنياً (Teleport)!"
كيف يعملان معاً: يحاول الـ DeepOnet تخمين المستقبل. يقوم "مدرب الفيزياء" بالتحقق مما إذا كان هذا التخمين منطقياً بناءً على القواعد قصيرة المدى التي تعلمها. إذا كان التخمين خاطئاً، يتلقى الـ DeepOnet "توبيخاً" (عقوبة في تدريبه) ويحاول مرة أخرى.

٤. النتائج: التعلم بمجهود أقل

اختبروا هذا على ثلاث "سيارات" مختلفة:
١. بندول متأرجح: مثل طفل على أرجوحة.
٢. مذبذب مدفوع: مثل نابض (زنبرك) يرتد للأعلى والأسفل.
٣. نظام "Jerk" فوضوي: مثل أفعوانية (Rollercoaster) تصبح مجنونة وغير متوقعة.

النتيجة:

الذكاء الاصطناعي القياسي (DeepOnet وحده): مع البيانات المحدودة، فقد طريقه. توقع أن الأرجوحة ستتوقف أو ستذهب في الاتجاه الخاطئ.
طريقتهم الجديدة: حتى مع وجود بيانات قليلة جداً وبعض "الضجيج" (Noise) في القياسات، نجح نموذجهم الهجين في تقديم تنبؤات دقيقة. كان الأمر أشبه بسائق، رغم عدم امتلاكه لدليل المالك، تعلم القيادة بشكل مثالي من خلال الانتباه الشديد لظروف الطريق المباشرة والاستماع إلى مدرب حكيم.

الخلاصة الكبرى

هذه الورقة البحثية تتعلق بـ جعل الذكاء الاصطناعي أكثر ذكاءً ببيانات أقل.

بدلاً من المطالبة بمكتبة ضخمة من البيانات أو كتاب مدرسي مثالي للفيزياء، تعلم هذه الطريقة الذكاء الاصطناعي استخدام ذاكرته قصيرة المدى لسد الثغرات. إنه يشبه تعليم طفل ركوب الدراجة: لا تحتاج لشرح الفيزياء المعقدة لزخم الحركة الزاوي؛ أنت فقط تعلمه التوازن بناءً على ما يشعر به الآن، وهو سيتكفل بالباقي.

هذه خطوة كبيرة للأمام في المجالات الهندسية حيث تكون التجارب مكلفة والرياضيات معقدة للغاية بحيث يصعب كتابتها بدقة تامة.

إليك ملخص تقني مفصل لورقة البحث بعنوان "نموذج شبكة عاملة عميقة مستند إلى البيانات، وخالية من النماذج، ومعلومات فيزيائية لحل الأنظمة الديناميكية غير الخطية" للباحثين جيميناج سون وليشون لي.

1. بيان المشكلة

تعالج الورقة عقبة حرجة في تحليل الأنظمة الديناميكية غير الخطية: وهي صعوبة إجراء تقدير دقيق للحالة عندما لا تتوفر كل من النماذج الرياضية الدقيقة (المعادلات الحاكمة) ومجموعات البيانات التجريبية واسعة النطاق.

محدودية الطرق الحالية:
- الشبكات العصبية المستندة إلى الفيزياء (PINNs): تتطلب معرفة دقيقة بالقوانين الفيزيائية الحاكمة (مثل معادلات تفاضلية جزئية محددة) لصياغة دالة الخسارة. وهي تفشل عندما تكون الصيغة الرياضية غير معروفة أو غير مكتملة.
- شبكات العامل (DeepOnet) القياسية: هي نماذج خالية من النماذج (model-free) ولكنها تعتمد بشكل كبير على كميات هائلة من بيانات التدريب لتعلم الخريطة بين دوال المدخلات وحالات المخرجات. وهي تواجه صعوبة في البيئات التي تعاني من ندرة البيانات.
التحدي: في العديد من السيناريوهات الهندسية الواقعية، يمتلك الباحثون فقط نقاط بيانات تجريبية قليلة ومعرفة محدودة بالنظام (على سبيل المثال، معرفة رتبة المعادلة التفاضلية للنظام ولكن ليس المعاملات أو الأشكال الوظيفية المحددة).

2. المنهجية

يقترح المؤلفان إطار عمل مبتكر: شبكة عاملة عميقة مستندة إلى البيانات، وخالية من النماذج، ومعلومات فيزيائية. الابتكار الجوهري هو استبدال القانون الفيزيائي الصريح (المطلوب عادةً في PINNs) بـ اعتماد زمني قصير المدى يتم استخلاصه من بيانات محدودة.

تتقدم المنهجية عبر ثلاث مراحل رئيسية:

أ. الأساس النظري: الاعتماد قصير المدى

بناءً على طريقة أويلر لتقسيم الأنظمة ذات الزمن المستمر، يستدعي المؤلفان النظرية 2.1، التي تفترض أنه بالنسبة لنظام ديناميكي غير خطي من الرتبة $n$ ، فإن الحالة الحالية $x(t)$ تعتمد فقط على الخطوات السابقة من الحالات والمدخلات ( $x(t-n) \dots x(t-1)$ و $u(t-n) \dots u(t-1)$ )، بشرهُ وجود فترة أخذ عينات صغيرة بما يكفي.

بدلاً من استخدام الدالة $F(\cdot)$ المجهولة في المعادلة التفاضلية العادية (ODE)، يتم تقريب "فيزياء" النظام من خلال هذا الاعتماد الزمني.

ب. الخطوة 1: النموذج البديل للاعتماد قصير المدى

يتم تدريب نموذج تعلم آلي بديل (تحديداً شبكة عصبية أمامية - FFNN) على البيانات المتاحة المحدودة لتعلم الخريطة $\gamma$ .

المدخلات: الحالات السابقة ( $x(t-n) \dots x(t-1)$ )، المشتقات السابقة، ومدخلات التحكم السابقة.
المخرجات: المشتق الأعلى رتبة أو الحالة الحالية $x(t)$ .
الغرض: تعمل هذه الشبكة (FFNN) كعنصر "مستند إلى الفيزياء" يلتقط القواعد الديناميكية الجوهرية للنظام دون الحاجة إلى صيغة الـ ODE الصريحة.

ج. الخطوة 2: التكامل في DeepOnet

يتم دمج الـ FFNN المدربة في بنية DeepOnet لتشكيل النموذج الهجين المقترح:

هيكل DeepOnet:
- شبكة الفرع (Branch Net): تشفر الظروف الأولية وتسلسل مدخلات التحكم ( $u(0) \dots u(t)$ ).
- شبكة الجذع (Trunk Net): تشفر الإحداثي الزمني ( $t$ ).
دالة الخسارة الهجينة: تجمع الخسارة الكلية $L$ $L$ بين:
1. خسارة البيانات ( $L_{data}$ ): متوسط مربع الخطأ (MSE) بين تنبؤ DeepOnet والبيانات التجريبية المتفرقة.
2. الخسارة المستندة إلى الفيزياء ( $L_P$ ): التفاوت بين المشتق الذي يتنبأ به DeepOnet (عبر التفاضل التلقائي) والمشتق الذي تتنبأ به الـ FFNN البديلة.
- ملاحظة: هذا يجبر DeepOnet على الالتزام بالقواعد الديناميكية قصيرة المدى التي تعلمتها الـ FFNN، مما يعمل فعلياً كقيد مشابه للقانون الفيزيائي.

3. المساهمات الرئيسية

التعلم المستند إلى الفيزياء والخالي من النماذج: تقدم الورقة طريقة لدمج "الفيزياء" في DeepOnet دون الحاجة إلى الصيغة الرياضية الصريحة للنظام. يتم تعلم "الفيزياء" مباشرة من البيانات عبر بديل الاعتماد قصير المدى.
كفاءة البيانات: تم تصميم الإطار خصيصاً للعمل مع مجموعات البيانات المتفرقة (كما قلي من 5 مجموعات تدريب في التجارب)، متجاوزاً الطبيعة الشرهة للبيانات في نماذج DeepOnet القياسية.
المتانة تجاه الضجيج: أظهرت الطريقة أداءً فائقاً في وجود ضجيج القياس مقارنة بـ DeepOnet القياسي، ويرجع ذلك على الأرجح إلى تأثير التنظيم (regularization) للاعتماد قصير المدى المتعلم.
القدرة على التعميم: تم التحقق من صحة النهج عبر أنظمة متفاوتة التعقيد (معادلات تفاضلية عادية من الرتبة الثانية والثالثة) وخصائص استقرار مختلفة (مستقرة، غير مستقرة هامشياً، وفوضوية).

4. النتائج التجريبية

قيم المؤلفون طريقتهم على ثلاثة أنظمة ديناميكية غير خطية متميزة، وقارنوها بمعيار DeepOnet القياسي.

النظام	النوع	الرتبة	حالة البيانات	المقياس (MAE) - الطريقة المقترحة	المقياس (MAE) - DeepOnet القياسي	النتيجة
البندول (Pendulum)	غير خطي (مستقر)	2nd	بدون ضجيج	6.23	17.98	الطريقة المقترحة أكثر دقة بشكل ملحوظ.
البندول (Pendulum)	غير خطي (مستقر)	2nd	بضجيج ( $\sigma=0.002$ )	7.57	19.27	الطريقة المقترحة تحافظ على الدقة؛ بينما يتدهور DeepOnet.
المذبذب المدفوع (Driven Oscillator)	خطي/غير خطي (غير مستقر)	2nd	بدون ضجيج	16.69	36.22	الطريقة المقترحة تلتقط الاتجاهات بشكل أفضل.
المذبذب المدفوع (Driven Oscillator)	خطي/غير خطي (غير مستقل)	2nd	بضجيج ( $\sigma=0.01$ )	19.10	39.46	الطريقة المقترحة أكثر دقة بمرتين تقريباً.
الجيير الفوضوي (Chaotic Jerk)	فوضوي	3rd	بدون ضجيج	19.8	10.5*	ملاحظة: في هذه الحالة المحددة بدون ضجيج، كان DeepOnet لديه MAE أقل، لكن النص يشير إلى أن الطريقة المقترحة أظهرت "دقة محسنة" في الاتجاهات المرئية والمتانة في الظروف الضوضائية (MAE 18.7 مقابل 22.2).
الجيير الفوضوي (Chaotic Jerk)	فوضوي	3rd	بضجيج ( $\sigma=0.03$ )	18.7	22.2	الطريقة المقترحة تفوقت في الظروف الضوضائية.

النتيجة الرئيسية: في جميع السيناريوهات الضوضائية، تفوقت الطريقة المقترحة باستمرار على DeepOnet القياسي، مما يثبت أن النموذج البديل ينظم عملية التعلم بفعالية ضد عيوب البيانات.

5. الأهمية

يسد هذا البحث فجوة حرجة في تعلم الآلة العلمي (SciML). من خلال فصل الحاجة إلى المعادلات الفيزيائية الصريحة عن الحاجة إلى مجموعات بيانات ضخمة، يتيح الإطار المقترح:

تقدير الحالة في وضع عدم الاتصال (Offline): التنبؤ الدقيق بحالات النظام في السيناريوهات التي تكون فيها المستشعرات محدودة أو مكلفة.
التطبيق على الأنظمة المجهولة: القدرة على نمذجة الأنظمة المعقدة أو غير الخطية أو الفوضوية حيث يصعب اشتقاق المعادلات الحاكمة تحليلياً.
المنفعة الهندسية العملية: توفر الطريقة أداة قوية للتطبيقات الواقعية (مثل مراقبة الصحة الهيكلية، الروبوتات، نمذجة المناخ) حيث تكون البيانات غالباً ضوضائية وغير مكتملة، والنماذج الدقيقة غير متوفرة.

باختملال، تنجح الورقة في إثبات أن تعلم البنية الزمنية (الاعتماد قصير المدى) للنظام يمكن أن يعمل كبديل للقوانين الفيزيائية، مما يمكن شبكات العاملة العميقة (DeepOnet) من العمل بفعالية في البيئات التي تعاني من ندرة البيانات وعدم معرفة النماذج.