🤖 machine learning

The finite expression method for turbulent dynamics with high-order moment recovery

تقترح هذه الورقة إطار عمل قائم على البيانات يتكون من مرحلتين، يجمع بين طريقة التعبير المحدود لاكتشاف الديناميكيات الحتمية والنماذج التوليدية لالتقاط العشوائية المتبقية، مما يتيح الاسترداد الدقيق للمعادلات الحاكمة والعزوم الإحصائية عالية الرتبة في الأنظمة المضطربة.

المؤلفون الأصليون: Xingjian Xu, Di Qi, Chunmei Wang

نُشر 2026-05-12

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC0 1.0

المؤلفون الأصليون: Xingjian Xu, Di Qi, Chunmei Wang

البحث الأصلي مُهدى إلى الملك العام بموجب CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ 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 فهم الرقصة الفوضوية لعاصفة ما. الرياح تلتف، والمطر ينهمر، والطاقة تتحرك بطرق لا يمكن التنبؤ بها. يطلق العلماء على هذه الظاهرة اسم الاضطراب (Turbulence). إن محاولة كتابة معادلة واحدة تتنبأ بدقة بكل هبة ريح هي أمر مستحيل تقريبًا لأن النظام مليء بـ "الضجيج" العشوائي والتفاعلات المعقدة.

تقترح هذه الورقة استراتيجية ذكية من خطوتين لحل هذا اللغز، تشبه تعاون محقق مع شخص يمتلك قدرة التنبؤ لحل غموض ما.

المشكلة: العاصفة "الضوضائية"

الأنظمة المضطربة (مثل الطقس أو التيارات المحيطية) تتكون من جزأين رئيسيين:

الجزء الحتمي (Deterministic): القواعد القابلة للتنبؤ، مثل الجاذبية أو كيفية دوران الماء حول صخرة.
الجزء العشوائي (Stochastic): الفوضى المفاجئة، مثل هبات الرياح المباغتة أو تغيرات درجات الحرارة غير المتوقعة.

حاولت الطرق القديمة تخمين النظام بأك അതിന്റെ، لكنها غالبًا ما كانت تضيع في الضجيج أو تفشل في إدراك القواعد المعقدة. لقد كانت كمن يحاول سماع همسة في حفلة صاخبة.

الحل: فريق تحقيق من مرحلتين

ابتكر المؤلفون إطار عمل يسمى FEX (طريقة التعبير المحدود - Finite Expression Method) مدمجًا مع النماذج التوليدية (Generative Models). فكر في الأمر كتحقيق يتكون من مرحلتين.

المرحلة الأولى: "مكتشف القواعد" (FEX)

أولاً، يستخدم الفريق طريقة FEX للعثور على "قواعد اللعبة".

كيف تعمل: تخيل أن لديك صندوقًا ضخمًا من قطع "الليغو" (عمليات رياضية مثل الجمع، الطرح، الضرب، الجيب "sine"، إلخ). FEX هو روبوت ذكي يحاول تركيب هذه القطع معًا بطرق مختلفة لبناء هيكل يطابق البيانات.
الهدف: يتجاهل الضجيج العشوائي للحظة ويركز على إيجاد المعادلة الواضحة ذات الصيغة المغلقة التي تفسر الحركات الرئيسية. الأمر يشبه النظر إلى حشد فوضوي وإدراك أن: "آه، الجميع يتبع في الواقع نمط رقص محدد، حتى لو كانوا يصطدمون ببعضهم البعض".
النتيجة: نجح FEX في اكتشاف الصيغ الرياضية الدقيقة لكيفية تفاعل النظام، بما في ذلك كيفية حفظ الطاقة (مثل حساب بنكي حيث يتم نقل الأموال بين الحسابات فقط، دون خلقها أو تدميرها). وقد فعل ذلك دون الحاجة إلى قائمة معدة مسبقًا من الصيغ المحتملة؛ بل قام ببنائها من الصفر.

المرحلة الثانية: "مروض الفوضى" (النماذج التوليدية)

بمجرد أن ينتهي "مكتشف القواعد" من مهمته، تظل هناك مشكلة: العالم الحقيقي فوضوي. المعادلة التي وجدها "مكتشف القواعد" رائعة، لكنها ليست مثالية. هناك أخطاء صغيرة وتقلبات عشوائية فاتتها.

الهدف: هنا يأتي دور الفريق الثاني. يستخدمون النماذج التوليدية (مثل "مروض الفوضى") لدراسة الأخطاء المتبقية.
كيف تعمل: ينظرون إلى الفرق بين ما تنبأ به "مكتشف القواعد" وما حدث بالفعل. ويتساءلون: "كيف يبدو هذا العشوائية المتبقية؟ هل هي مجرد اهتزاز صغير؟ أم طفرة كبيرة؟"
النتيجة: يتعلم النموذج التوليدي "شخصية" هذه العشوائية. فهو لا يكتفي بتخمين رقم، بل يتعلم شكل الفوضى. وعند التنبؤ بالمستقبل، يعيد إضافة هذه الفوضى المتعلمة إلى تنبؤ "مكتشف القواعد".

لماذا يهم هذا الأمر؟

من خلال تقسيم العمل، يحصل الفريق على أفضل ما في العالمين:

القابلية للتفسير: نحن نعرف لماذا يتحرك النظام لأن المرحلة الأولى تمنحنا معادلة واضحة وسهلة القراءة (مثل $F = ma$).
الدقة: نحن نلتقط الإحصائيات المعقدة وعالية الرتب (التفاصيل العميقة للفوضى) التي تغفل عنها المتوسطات البسيطة.

الإثبات: اختبار "الثلاثي" (The Triad Test)

لإثبات نجاح هذا النهج، اختبره المؤلفون على نموذج مبسط يسمى الثلاثي العشوائي (Stochastic Triad).

التشبيه: تخيل ثلاثة راقصين يمسكون بأيدي بعضهم البعض. إذا دار أحدهم، فإنه يسحب الآخرين معه. أحيانًا يدفعون، وأحيانًا يسحبون. اختبر المؤلفون هذا النظام تحت خمس "حالات مزاجية" مختلفة:
- التوزيع المتساوي (Equipartition): الجميع يرقص بشكل متساوٍ.
- الشلال الأمامي (Forward Cascade): الطاقة تتدفق من القائد إلى التابعين.
- الشلال المزدوج (Dual Cascade): الطاقة تتدفق ذهابًا وإيابًا.
- الدوري/العشوائي (Periodic/Random): الراقصون يتعرضون للدفع بواسطة إيقاع منتظم أو يد عشوائية غير متوقعة.

النتواتج:

نجح "مكتشف القواعد" (FEX) في تحديد خطوات الرقص (المعادلات) في جميع الحالات الخمس، حتى عندما كان "الموسيقى" صاخبة وفوضوية للغاية.
نجح "مروض الفوضى" (النماذج التوليدية) في إعادة إنشاء الإحصائيات المعقدة عالية المستوى للرقصة، متنبئًا ليس فقط بالحركة المتوسطة، بل حتى بالتقلبات النادرة والجامحة التي تحدث في الأنظمة المضطربة.

الخلا ملخص القول

تظهر هذه الورقة أنك لست مضطرًا للاختيار بين نموذج بسيط ومفهوم وبين نموذج معقد ودقيق. من خلال استخدام "مكتشف قواعد" لضبط الفيزياء بشكل صحيح و"مروض فوضى" للتعامل مع العشوائية، يمكنك التنبؤ بدقة بسلوك الأنظمة المضطربة، والتقاط التفاصيل التي تصل إلى المستوى الخامس من التعقيد (اللحظات/moments)، وهو ما عجزت الطرق السابقة عن تحقيقه.

ملخص تقني: طريقة التعبير المحدود للديناميكيات المضطربة مع استعادة العزوم عالية الرتبة

بيان المشكلة
تتميز الأنظمة الديناميكية المضطربة بتفاعلات غير خطية قوية، وعدم استقرار جوهري، وتأثيرات عشوائية تولد كميات إحصائية مقترنة، لا سيما العزوم غير الصفرية عالية الرتبة. إن نمذجة هذه الأنظمة أمر صعب بسبب أخطاء النموذج غير المثالية، والمقاييس غير المحلولة، والبيانات الرصدية المحدودة. وبينما أظهرت الطرق المعتمدة على البيانات مؤخراً نجاحاً في تعلم الديناميكيات المحلية أو قصيرة المدى، إلا أنها غالباً ما تعتمد على تمثيلات إحصائية منخفضة الرتبة (مثل المتوسط والتباين)، وهي غير كافية لالتقاط السلوكيات الجوهرية للديناميكيات المضطربة. علاوة على ذلك، فإن طرق الاكتشاف الرمزي الموجودة مثل "تحديد الأنظمة الديناميكية غير الخطية المتناثرة" (SINDy) ومتغيراتها تعتمد على مكتبات دوال محددة مسبقاً. هذا القيد يحد من قدرتها على تمثيل تعبيرات القسر (forcing) المعقدة التي تقع خارج نطاق الأساس المختار، وغالباً ما يؤدي إلى انتهاك قوانين الحفظ الأساسية (مثل تبادلات حفظ الطاقة) عند تقدير المعاملات في البيئات شديدة العشوائية. المشكلة الجوهرية التي يتم معالجتها هي الاستعادة الدقيقة لكل من الديناميكيات الحاكمة الحتمية (بما في ذلك التفاعلات غير الخطية والقسر الخارجي) والمكونات العشوائية اللازمة لإعادة إنتاج العزوم الإحصائية عالية الرتبة حتى الرتبة الخامسة.

المنهجية
يقترح المؤلفون إطار عمل للنمذجة يعتمد على البيانات ويتكون من مرحلتين، يدمج بين الانحدار الرمزي والنماذج التوليدية لتحديد الديناميكيات الحاكمة وتوقع الكميات الإحصائية الرئيسية بشكل مشترك.

المرحلة الأولى: اكتشاف الديناميكيات الحتمية عبر طريقة التعبير المحدود (FEX)
تستخدم المرحلة الأولى طريقة التعبير المحدود (FEX) لاكتشاف تعبيرات مغلقة الصيغة للمكون الحتمي للديناميكيات، ويرمز له بـ $C(u, t)$ . وخلافاً للطرق القائمة على المكتبات، تمثل FEX التعبيرات المرشحة كأشجار ثنائية تُبنى من مجموعة منتهية من العمليات أحادية وثنائية العناصر (مثل $\sin, \exp, +, \times$ ). وهذا يسمح بتكوينات هرمية تلتقط الصيغ الوظيفية المتداخلة بما يتجاوز الامتداد الخطي لدوال الأساس المحددة مسبقاً.
- آلية البحث: تستخدم الطريقة إطار تحسين مختلط (منفصل-مستمر)؛ حيث يقوم متحكم شبكة عصبية بتوليد تسلسلات العمليات المرشحة (البحث المنفصل)، بينما يقوم مُحسّن قائم على التدرج بتنقيح المعلمات المستمرة (القياس والانحياز) لتسلسل ثابت.
- الهدف: الهدف هو تقليل الخسارة التجريبية بين الزيادات الزمنية المتوقعة والبيانات المرصودة، مما يؤدي فعلياً إلى استعادة حدود التفاعل غير الخطي والقسر الخارجي دون الحاجة لمكتبات محددة مسبقاً.
- التعلم المكوناتي: لتحسين القابلية للتوسع، يتعلم الإطار التمثيل الرمزي لكل مكون حالة على حدة قبل تجميع النموذج الكامل متعدد المتجهات.
المرحلة الثانية: التصحيح العشوائي للخطأ عبر النماذج التوليدية
بما أن نماذج FEX تنمذج المكون الحتمي فقط، فقد تم إدخال مرحلة ثانية لنمذجة المكونات العشوائية المتبقية، والتي تشمل الزيادات العشوائية غير المنمذجة وأخطاء النموذج الناجمة عن تقدير المعاملات.
- تعريف المتبقي: يُعرف المتبقي $R_n$ بأنه الفرق بين تطور الحالة المرصودة والتنبؤ من نموذج FEX في المرحلة الأولى: $R_n = u(t_{n+1}) - u(t_n) - h C^*(u(t_n))$ .
- النماذج التوليدية: تم استخدام ثلاثة نماذج توليدية ممثلة لتعلم توزيع هذه المتبقيات:
  1. نموذج الانتشار الخالي من التدريب (TFDM): يصيغ العملية العشوائية عبر معادلات تفاضلية عشوائية (SDEs) أمامية وعكسية، ويقرب دالة الدرجة (score function) عددياً دون تدريب شبكة درجة بالطريقة التقليدية، وإن كانت هناك شبكة تُدرب لربط الضوضاء الغاوسية بتوزيع المتبقيات.
  2. شبكة تنشيط المتبقيات العشوائية (SRAN): شبكة خفيفة الوزن تربط الضوضاء الغاوسية بالمتبقيات العشوائية، وتكون منظمة لتطابق الإحصائيات من الدرجة الثانية (التباين) للمتبقيات.
  3. المشفر التلقائي المتباين (VAE): يستخدم إطار متغير كامن مع ترميز وفك ترميز احتمالي لالتقاط البنية العشوائية.
- الاستدلال: خلال الاستدلال، يتم دمج الديناميكيات الرمزية المتعلمة (المرحلة الأولى) والنموذج التوليدي (المرحلة الثانية) لإنتاج مسارات كاملة مقدرة، مما يتيح الاستعادة الأمينة للعزوم عالية الرتبة المرتبطة بالتوزيعات غير الغاوسية للغاية.

المساهمات الرئيسية

الاكتشاف الرمزي الدقيق ببيانات محدودة: أظهر الإطار مهارة عالية ومنتظمة في استعادة صيغ التعبيرات الحتمية الصحيحة وتحديد معاملات التفاعل غير الخطي عبر أنظمة تتراوح من الحتمية إلى العشوائية القوية. المعاملات المتعلمة تحترم القيود الفيزيائية الجوهرية، مثل عمليات نقل الطاقة المحافظة، من خلال عملية ضبط FEX الدقيق.
استعادة العزوم عالية الرتبة: من خلال فصل الاكتشاف الحتمي عن النمذجة العشوائية، نجح الإطار في التنبؤ بالعزوم الإحصائية حتى الرتبة الخامسة، ملتقطاً السلوكيات الاضطرابية الجوهرية التي تغفلها الطرق منخفضة الرتبة.
التعميم خارج نطاق التدريب: تحت فرضيات الضوضاء الثابتة، تتعلم نماذج المرحلة الثانية (التوليدية) توزيع المتبقيات، مما يسمم إعادة أخذ عينات المسارات خارج نظام التدريب ويحسن التقدير طويل الأمد للعزوم عالية الرتبة.
الاتساق النظري: تقدم الورقة تحليلاً نظرياً يثبت اتساق المقدر الرمزي ويحدد أخطاء التقدير بدلالة حجم البيانات والتقطيع العددي، بالاعتماد على فرضيات الإرغودية (ergodicity) وتوسيعات إيتو-تايلور (Itô–Taylor).

النتائج العددية
تم تقييم الإطار باستخدام نموذج الثلاثيات العشوائية (stochastic triad model)، وهو نظام ثلاثي الأبعاد يمثل اختزال غاليركين لأنظمة غير خطية، عبر خمسة أنظمة مختلفة:

الأنظمة المختبرة: التساوي في التوزيع (قريب من الغاوسي)، شلال الطاقة الأمامي، الشلال المزدوج للطاقة، القسر الدوري، والقسر العشوائي.
الاكتشاف الرمزي: استعادت FEX المعادلات الحاكمة بدقة، بما في ذلك حدود التفاعل غير الخطي وتعبيرات القسر المعقدة (مثل الصيغ الجيبية والأسية)، عبر جميع الأنظمة. في المقابل، غالباً ما قامت SINDy الضعيفة بتقريب حدود القسر بشكل متعدد الحدود وفشلت في تحديد حدود التفاعل بشكل صحيح تحت التأثير العشوائي القوي.
تحمل الضوضاء: حافظت FEX على دقة استعادة المعاملات (أخطاء ضمن $10^{-6}$ إلى $10^{-2}$ ) حتى مع زيادة مستويات الضوضاء من الأنظمة الحتمية إلى الأنظمة شديدة العشوائية.
كفاءة البيانات: أدى زيادة حجم العينة إلى تحسين تقدير المعاملات، مع ملاحظة مكاسب كبيرة بين 1,000 و4,000 عينة، رغم حدوث عوائد متناقصة بعد هذا الحد بسبب التباين العشوائي المتأصل.
التنبؤ بالعزوم: التقطت جميع النماذج التوليدية الثلاثة (TFDM, SRAN, VAE) السلوكيات النوعية. أظهر SRAN أقرب توافق مع الحقيقة الأرضية (ground truth) للعزوم منخفضة الرتبة، بينما أظهر TFDM انحرافات طفيفة فقط. نجح الإطار في التنبؤ بالعزوم من الرتبة الرابعة والخامسة، وإن كانت الدقة تنخفض في نظام الشلال العشوائي حيث جعل القسر العشوائي المعتمد على الزمن استعادة البيانات أكثر صعوبة.
الاعتماد على الزمن: كشفت مقارنة بين استراتيجيات النمذجة المستقلة والتابعة للزمن لنموذج TFDM عن وجود مقايضة: النمذجة التابعة للزمن التقطت التباين التذبذبي قصير المدى بشكل أفضل ولكنها أصبحت غير مستقرة للآفاق الزمنية الطويلة ( $T > 10$ )، بينما قدمت النمذجة المستقلة عن الزمن مسارات أكثر سلاسة واستقراراً على المدى الطويل على حساب وجود انحياز منهجي.

الأهمية والادعاءات
تدعي الورقة أن دمج الاكتشاف الرمزي القابل للتفسير (FEX) مع النمذجة العشوائية القائمة على البيانات (النماذج التوليدية) يقدم حلاً قوياً للأنظمة المضطربة المعقدة. تكمن الأهمية في القدرة على:

استعادة صيغ مغلقة للتفاعلات غير الخطية والقسر الخارجي دون مكتبات محددة مسبقاً، مع الحفاظ على قوانين الحفظ الفيزيائية.
توصيف الكميات الإحصائية عالية الرتبة بدقة (حتى الرتبة الخامسة) والتي تعد بالغة الأهمية لفهم السلوكيات المضطربة ولكن يصعب التقاطها بالطرق التقلية المعتمدة على البيانات.
تقديم إطار نظري متسق حيث يتم إثبات اتساق المقدر الرمزي تحت فرضيات الإرغودية.
إثبات أن هذا النهج المكون من مرحلتين يظل فعالاً حتى في الإعدادات الصعبة التي تتضمن مصادر متعددة للعشوائية، مثل أنظمة الشلال العشوائي، مما يسلط الضوء على إمكانية تطبيقه على الأنظمة العشوائية المعقدة حيث تفشل الطرق التقليدية في التقاط الديناميكيات عالية الرتبة الجوهرية.

يشير المؤلفون إلى أنه بينما يعد الإطار فعالاً، فإن التكلفة الحسابية لنموذج TFDM تتناسب مع عدد الخطوات الزمنية وحجم البيانات، وهناك حاة لعمل مستقبلي لتطوير تنفيذات أكثر قابلية للتوسع وتوسيع الطريقة لتشمل التأثيرات العشوائية متعددة المقاييس والمعادلات التفاضلية الجزئية العشوائية (stochastic PDEs).