💻 computer science

Physics Informed Neural Network using Finite Difference Method

تقترح هذه الورقة شبكة عصبية مستوحاة من الفيزياء (PINN) ذات كفاءة حوسبية عالية، تستخدم طريقة الفروق المحدودة بدلاً من التفاضل التلقائي لتقدير دالات فقد المعادلات التفاضلية الجزئية، مما يثبت أن هذا النهج يحقق خفضاً في الخطأ يضاهي الشبكات العصبية المستوحاة من الفيزياء القائمة على التفاضل التلقائي مع توفير حساب أسرع وتنفيذ أبسط.

المؤلفون الأصليون: Kart Leong Lim, Rahul Dutta, Mihai Rotaru

نُشر 2026-02-26

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Kart Leong Lim, Rahul Dutta, Mihai Rotaru

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 التنبؤ بالطقس.

الطريقة القديمة (التعلم العميق التقليدي):
تعرض على الروبوت آلاف الصور لأنماط الطقس الماضية وتقول له: "عندما يبدو الأمر هكذا، فسيحدث مطر". يقوم الروبوت بحفظ الصور. ولكن إذا عرضت عليه تشكيلًا سحابيًا غريبًا وجديدًا لم يره من قبل، فقد يخطئ في التخمين لأنه يعرف فقط ما رآه بالفعل، وليس "لماذا" يحدث المطر.

الطريقة "المستندة إلى الفيزياء" (PINN):
الآن، تخيل أنك لا تكتفي بعرض صور للروبوت فحسب، بل تعطيه أيضًا كتابًا مدرسيًا عن قوانين الفيزياء (مثل "الماء يسقط للأسفل" أو "الحرارة تنتقل من الساخن إلى البارد"). تقول للروبوت: "يمكنك تخمين حالة الطقس، ولكن يجب أن يلتزم تخمينك بقوانين الفيزياء". إذا توقع الروبوت أن المطر سيسقط للأعلى، سيقول له الكتاب المدرسي للفيزياء: "لا، هذا مستحيل"، وسيتعلم الروبوت تصحيح خطئه. هذا ما يسمى بـ الشبكة العصبية المستندة إلى الفيزياء (PINN).

المشكلة: الآلة الحاسبة "الصندوق الأسود"

لجعل الروبوت يطيع الكتاب المدرسي للفيزياء، يحتاج الكمبيوتر إلى القيام ببعض العمليات الحسابية الثقيلة. يجب عليه حساب سرعة تغير الأشياء (المشتقات) ليرى ما إذا كان تخمين الروبوت يكسر قوانين الفيزياء.

عادةً، يستخدم المهندسون أداة متطورة تسمى التفاضل التلقائي (Automatic Differentiation - AD) للقيام بذلك. فكر في (AD) كآلة حاسبة ذكية للغاية ومكلفة، يمكنها حل أي مسألة رياضية فورًا، لكنها بطيئة وتتطلب جهاز كمبيوتر قويًا ومكلفًا (مثل بطاقة رسوميات عالية الأداء) لتشغيلها. الأمر يشبه استئجار فريق من علماء الرياضيات لمراجعة كل خطوة في واجبك المنزلي.

الفكرة الجديدة: اختصار "الفرق المحدود"

تساءل مؤلفو هذه الورقة البحثية: "هل نحتاج حقًا إلى فريق من علماء الرياضيات لكل خطوة؟ ألا يمكننا فقط استخدام مسطرة وشبكة؟"

اقترحوا استخدام طريقة قديمة تسمى طريقة الفرق المحدود (Finite Difference Method - FDM).

التشبيه: متوسط الجيران
تخيل أنك تقف في شبكة مدينة. تريد أن تعرف ما إذا كانت درجة الحرارة تتغير أثناء حركتك.

طريقة (AD): تقوم بحساب الميل الرياضي الدقيق لمنحنى درجة الحرارة عند قدميك تمامًا. دقيقة جدًا، لكنها ثقيلة حسابيًا.
طريقة (FDM): تكتفي فقط بالنظر إلى الأشخاص الواقفين بجانبك (شمالاً، جنوبًا، شرقًا، غربًا). تأخذ متوسط درجات حرارتهم وتقارنها بدرجة حرارتك. إذا كان جيرانك أكثر حرارة، فستعرف أن درجة الحرارة ترتفع.

طريقة "النظر إلى الجيران" هذه هي طريقة الفرق المحدود (FDM). إنها أبسط بكثير؛ فهي تشبه التحقق من الطقس عبر سؤال جيرانك بدلاً من استشارة قمر صناعي.

ما فعلوه

بنى الباحثون روبوتًا (شبكة عصبية) لحل مشكلتين فيزيائيتين كلاسيكيتين:

معادلة لابلاس (Laplace's Equation): مثل معرفة توزيع درجة الحرارة في لوح معدني (أو كيفية تدفق الكهرباء في مجرى).
معادلة بورغرز (Burger's Equation): مثل محاكاة كيفية تحرك موجة صدمة عبر سائل (مثل الانفجار الصوتي).

قاموا بتدريب ثلاثة أنواع من الروبوتات:

الروبوت "الغبي": ينظر فقط إلى البيانات، بدون قواعد فيزيائية.
الروبوت "المتطور": يستخدم التفاضل التلقائي (AD) المكلف للتحقق من الفيزياء.
الروبوت "الذكي والبسيط" (اختراعهم): يستخدم "متوسط الجيران" (FDM) للتحقق من الفيزياء.

النتائج: لماذا يهم هذا؟

إليك الخلاصة:

السرعة: كان الروبوت "الذكي والبسيط" (FDM-PINN) أسرع بكثير من الروبوت "المتطور" (AD-PINN). في الواقع، استغرق الروبوت المتطور 5 أضعاف الوقت للقيام بنفس المهمة، رغم أنه كان يعمل على كمبيوتر فائق السرعة، بينما عمل الروبوت البسيط على جهاز كمبيوتر محمول عادي.
الدقة: كان الروبوت البسيط جيدًا بقدر الروبوت المتطور، أو حتى أفضل منه، خاصة عندما لم يكن لديهم الكثير من نقاط البيانات للعمل بها.
البساة: لا تحتاج إلى كمبيوتر خارق أو بطاقة رسوميات لتشغيل الروبوت البسيط؛ فهو خفيف الوزن وسهل البناء.

العقبة

العيب الوحيد هو أن طريقة "الجيران" (FDM) تحتاج إلى أن تكون البيانات مرتبة في شبكة منظمة (مثل لوحة الشطرنج). إذا كانت بياناتك فوضوية ومبعثرة، فستكون هذه الطريقة أصعب في الاستخدام. كما أن الرياضيات وراء "كيف يتعلم الروبوت" (التدرج/Gradient) هي أمر أصعب قليلاً في الشرح من الطريقة التلقائية.

الخلاصة النهائية

هذه الورقة البحثية تشبه القول: "لسنا بحاجة دائمًا إلى سيارة فيراري للوصول إلى المتجر. أحيانًا، دراجة موثوقة (الفرق المحدود) توصلك بنفس السرعة، وتستهلك وقودًا أقل، وهي أسهل في الإصلاح."

لقد أظهروا أنه لتعليم الذكاء الاصطناعي قوانين الفيزياء، يمكننا غالبًا الاستغناء عن الأدوات التلقائية المعقدة والمكلفة واستخدام رياضيات الشبكات البسيطة والقديمة بدلاً من ذلك، مما يوفر الوقت وقوة الحوسبة دون فقدان الدقة.

إليك ملخص تقني مفصل لورقة البحث بعنوان "الشبكة العصبية الموجهة بالفيزياء باستخدام طريقة الفروق المحدودة" (Physics Informed Neural Network using Finite Difference Method) للباحثين Kart Leong Lim، وRahul Dutta، وMihai Rotaru.

1. بيان المشكلة

برزت الشبكات العصبية الموجهة بالفيزياء (PINNs) كأداة قوية لحل المعادلات التفاضلية الجزئية (PDEs) عن طريق دمج القوانين الفيزيائية مباشرة في دالة الخسارة الخاصة بالشبكة العصبية. تقليديًا، تعتمد شبكات PINNs على التفاضل التلقائي (Automatic Differentiation - AD) لحساب المشتقات الجزئية المطلوبة لشرط الخسارة الموجه بالفيزياء ( $L_f$ ).

ومع ذلك، حدد المؤلفون عدة قيود لشبكات PINNs التي تعتمد على AD:

التكلفة الحسابية: عملية الـ AD مكلفة حسابيًا، وغالبًا ما تتطلب وقتًا وموارد كبيرة من وحدات معالجة الرسومات (GPU)، خاصة في المعادلات التفاضلية الجزئية المعقدة.
مشاكل التقارب: قد تواجه شبكات PINNs القائمة على AD صعوبة في التقارب نظريًا، وقد تظهر دقة أقل عندما يكون عدد نقاط التجميع (collocation points) قليلًا.
الطبيعة "الصندوق الأسود": يعمل الـ AD كـ "صندوق أسود"، مما يجعل من الصعب فصل عملية حل المعادلة التفاضلية الجزئية عن عملية تدريب الشبكة العصبية.

تعالج الورقة الحاجة إلى بديل أكثر كفاءة وخفة من الـ AD يحافظ على الدقة أو يحسنها، لا سيما في السيناريوهات ذات البيانات المحدودة (نقاط التجميع المنخفضة).

2. المنهجية: FDM-PINN

يقترح المؤلفون FDM-PINN، وهو نهج مبتكر يستبدل التفاضل التلقائي (AD) بـ طريقة الفروق المحددة (Finite Difference Method - FDM) لتقدير دالات خسارة المعادلات التفاضلية الجزئية.

المفهوم الجوهري

بدلاً من استخدام الـ AD لحساب التدرجات ( $\frac{\partial u}{\partial x}$ ، إلخ) عبر الرسم البياني الحسابي، يقوم المؤلفون بما يلي:

تقطيع النطاق (Discretize the Domain): يقومون بتمثيل نطاق المعادلة التفاضلية الجزئية المستمر على شبكة منفصلة من العقد.
تقريب المشتقات: يستخدمون قوالب (stencils) قياسية لطريقة الفروق المحددة (مثل الفروق المركزية) لتقريب مشتقات مخرجات الشبكة العصبية ( $u$ أو $V$ ) عند هذه النقاط الشبكية.
فصل الحلّال (Decouple the Solver): يتم فصل حل المعادلة التفاضلية الجزئية فعليًا عن الانتشار العكسي (backpropagation) لأوزان الشبكة العصبية. تعمل عملية حساب الـ FDM كعامل ثابت (مثل مرشح لابلاس في معالجة الصور) يُطبق على مخرجات الشبكة.

الصيغة الرياضية

تظل دالة الخسارة الإجمالية هي مجموع متوسط مربع الخطأ المدفوع بالبيانات ( $L_\mu$ ) والخسارة الموجهة بالفيزياء ( $L_f$ ):
$L_{PINN} = L_\mu + \lambda L_f$

الخسارة الموجهة بالفيزياء ( $L_f$ ): بدلاً من حساب $f(u)$ عبر الـ AD، يقرب المؤلفون متبقي المعادلة التفاضلية الجزئية $f(u)$ باستخدام الـ FDM.
- بالنسبة لـ معادلة لابلاس ( $\nabla^2 V = 0$ )، يتم تقريب المتبقي (residual) كفرق بين قيمة العقدة ومتوسط جيرانها (وهو مطابق لخطوة المتبقي في خوارزمية SOR).
- بالنسبة ل معادلة بورغرز ( $u_t + uu_x - \nu u_{xx} = 0$ )، يتم تقريب المشتقات من الدرجة الأولى والثانية باستخدام قوالب الفروق الأمامية/الخلفية.
تحديث الوزن: يتم حساب تدرج الخسارة بالنسبة للأوزان باستخدام قاعدة السلسلة:
$\nabla L_f = \frac{\partial L_f}{\partial \Gamma} \times \frac{\partial \Gamma}{\partial V}$
حيث $\Gamma$ هو تقريب الـ FDM لمتبقي المعادلة التفاضلية الجزئية. يفترض المؤلفون أن $\frac{\partial \Gamma}{\partial V}$ (تدرج السطح المحلي) هو ثابت لتبسيط الانتشار العكسي، وتجنب الحاجة إلى الـ AD.

3. المساهمات الرئيسية

تدريب خالٍ من الـ AD: تثبت الورقة بنية PINN وظيفية بالكامل لا تتطلب مكتبات التفاضل التلقائي (مثل tf.gradients أو dlgradient) لحساب الخسارة الفيزيائية.
تكلفة تنفيذ منخفضة: تبسط هذه الطة التنفيذ من خلال الاستفادة من التفاضل العددي القياسي، وهو أقل تكلفة حسابية من بناء رسوم بيانية معقدة للـ AD.
الأداء عند انخفاض البيانات: تم تحسين النهج خصيصًا ليعمل بشكل جيد مع عدد أقل من نقاط التجميع، وهي نقطة ضعف معروفة في شبكات PINNs التقليدية القائمة على الـ AD.
الاستقلالية عن الأجهزة: يمكن تنفيذ الطريقة بكفاءة على وحدات المعالجة المركزية (CPUs) دون الحاجة إلى وحدات معالجة الرسومات (GPUs)، على عكس العديد من تطبيقات الـ AD.

4. النتائج التجريبية

قيم المؤلفون نموذج FDM-PINN على مسألتين مرجعيتين: معادلة لابلاس (حوض موصل مستطيل) و معادلة بورغرز (ديناميكا صدمات هيدروديناميكية). قارنوا بين ثلاثة نماذج:

NN: شبكة عصبية قياسية (خسارة MSE فقط).
AD-PINN: شبكة PINN قياسية تستخدم التفاضل التلقائي.
FDM-PINN: النهج المقترح باستخدام الفروق المحددة.

النتائج الرئيسية:

الدقة مقابل NN: تفوق FDM-PINN بشكل كبير على الشبكات العصبية القياسية في كلتا المعادلتين، مما يثبت قيمة القيود الفيزيائية حتى بدون الـ AD.
الدقة مقابل AD-PINN:
- معادلة بورغرز: كان FDM-PINN على نفس المستوى أو أفضل قليلاً من AD-PINN عبر مختلف أحجام عينات التدريب ( $N_{ini}$ و $N_{bc}$ ).
- معادلة لابلاس: تفوق FDM-PINN باستمرار على كل من NN و AD-PINN، حيث أظهر أخطاء $L_2$ أقل، خاصة في نطاق 20-100 عينة أولية.
الكفاءة الحسابية:
- وقت التنفيذ: كان FDM-PINN أسرع بكثير من AD-PINN.
  - بالنسبة لمعادلة بورغرز، استغرق AD-PINN حوالي 5 أضعاف الوقت الذي استغرقه FDM-PINN (حتى مع استخدام AD-PINN لوحدة معالجة رسومات بينما استخدم FDM-PINN وحدة معالجة مركزية).
  - بالنسبة لمعادلة لابلاس، كان FDM-PINN أسرع قليلاً من AD-PINN.
- القابلية للتوسع: أظهرت الطريقة متانة مع انخفاض نقاط التجميع ( $N_f$ )، حيث يتدهور أداء AD-PINN غالبًا.

5. الأهمية والعمل المستقبلي

الأهمية:
تتحدى هذه العمل البحثية هيمنة التفاضل التلقائي في مجتمع PINN. فهي تثبت أن الطرق العددية الكلاسيكية (FDM) يمكن دمجها بفعالية في أطر التعلم العميق لحل المعادلات التفاضلية الجزئية. وهذا مهم بشكل خاص لـ:

البيئات محدودة الموارد: التطبيقات التي يكون فيها الوصول إلى وحدات معالجة الرسومات (GPU) محدودًا أو مكلفًا.
البساطة: تقليل تعقيد مسار التدريب عن طريق إزالة الاعتماد على رسوم بيانية معقدة للـ AD.
القابلية للتفسير: يوفر نهج FDM رؤية أكثر شفافية لكيفية حساب متبقي المعادلة التفاضلية الجزئية مقارنة بالطبيعة "الصندوق الأسود" للـ AD.

القيود والتوجهات المستقبلية:

الاعتماد على الشبكة: تتطلب الطريقة الحالية أن تكون نقاط التجميع معرفة على شبكة منظمة، مما يحد من المرونة مقارنة بطرق الـ AD الخالية من الشبكة (mesh-free).
تقريب التدرج: افتراض أن $\frac{\partial \Gamma}{\partial V}$ ثابت هو تبسيط؛ ويهدف العمل المستقبلي إلى حساب هذا التدرج بدقة أكبر.
التوسعات: يقترح المؤلفون توسيع البنية إلى الشبكات العصبية الالتفافية ثنائية الأبعاد (2D CNNs) واستكشاف حقول ماركوف العشوائية (Markov Random Fields) لحل المعادلات التفاضلية الجزئية للتعامل مع مخرجات أكثر تعقيدًا وغير متجانسة.

في الختام، تثبت الورقة أن FDM-PINN يعد بديلًا قابلًا للتطبيق، وفعالًا، وغالبًا ما يكون متفوقًا على شبكات PINNs القائمة على الـ AD، خاصة للمسائل التي تتطلب كفاءة عالية أو تعمل في ظروف ندرة البيانات.