ملخص تقني: UFO (المُعامل غير الموحد النطاق - Domain-Unification-Free Operator)

1. بيان المشكلة

برزت المُعاملات العصبية كنموذج قوي لتعلم الخرائط بين فضاءات الدوال، لا سيما لتقريب معاملات الحلول للمعادلات التفاضلية الجزئية (PDEs) ذات المعلمات. ومع ذلك، فإن البنى الحالية مقيدة جوهرياً بكونها مُحققة ضمن نطاق تمثيلي واحد.

• شبكات العصب العميقة (DeepONets): تعمل بشكل أساسس في النطاق الفيزيائي، باستخدام شبكات فرعية (branch-trunk). ورغم مرونتها تجاه الهندسات غير المنتظمة، إلا أنها غالباً ما تعاني من الانحياز الطيفي، حيث تجد صعوبة في التقاط الأنماط عالية التردد المرتبطة بالحلول شديدة التذبذب أو غير الناعمة.
• المعاملات العصبية فورير (FNOs): والمعاملات الطيفية ذات الصلة تعمل في النطاق الطيفي. وبينما هي فعالة للتفاعلات العالمية والأنماط عالية التردد، إلا أنها تعتمد عادةً على شبكات منتظمة وتمثيلات طيفية ثابتة، مما يحد من قابليتها للتطبيق في النطاقات غير المتجانسة أو أخذ العينات غير المنتظم.

علاوة على ذلك، تعتمد معظم النهج الحالية على الاعتماد على التجزئة (discretization dependence). فنماذج DeepONet تعتمد غالباً على مجموعات مستشعرات مدخلات ثابتة، بينما تتطلب FNOs تمثيلات شبكية متوافقة للمدخلات والمخرجات. هذا يحد من فائدتها في السيناريوهات التي لا تتوفر فيها قياسات كثيفة، ولكن هناك حاجة لتنبؤات عالية الدقة. إن المحاولات الحالية لمعالجة هذه المشكلات غالباً ما تتضمن تعزيزات بنيوية (مثل الفضاءات الكامنة، أو التشوهات المتعلمة)، لكنها لا تزال تعتمد على قواعد دمج ثابتة (الدمج، الانتباه) ضمن آلية تحقيق محددة مسبقاً، بدلاً من إعادة التفكير جذرياً في كيفية تحقيق المعاملات عبر النطاقات.

2. المنهجية: إطار عمل UFO

يقدم المؤلفون UFO (المُعامل غير الموحد النطاق)، وهو إطار عمل للمعاملات العصبية عابرة النطاقات. وخلافاً للطرق السابقة، لا يقوم UFO بتوحيد التمثيلات في نطاق واحد، بل يحقق المعاملات من خلال تفاعلات تكيفية مشروطة بشكل مشترك بين التمثيلات المعرفة في نطاقات متميزة.

2.1 الأساس النظري

يرتكز UFO على مفهوم تعلم المعاملات عبر النطاقات (CDOL). رسمياً، يستخدم المعامل العصبي $G_\alpha$ تقنية CDOL إذا تم تحقيقه من خلال تفاعل غير قابل للفصل ومشروط بشكل مشترك:
$$G_\alpha(f)(x) = C_\alpha(\Phi_S(x), \Psi_H(f))$$
حيث أن:

• $\Phi_S(x) \in S$ هو تمثيل مكاني لإحداثيات الاستعلام $x$ (نطاق الحل).
• $\Psi_H(f) \in H$ هو تمثيل عالمي للدالة المدخلة $f$ (نطاق المدخلات)، حيث $S \neq H$.
• $C_\alpha$ هو معامل اقتران قابل للتعلم، يعتمد تحقيقه بشكل مشترك على كلا التمثيلين ولا يمكن اختزاله إلى خرائط مستقلة.

2.2 البنية الهيكلية

تتكون بنية UFO من ثلاث وحدات مترابطة بإحكام:

1. المُشفر الطيفي (Spectral Encoder - SE):

   • يبني تمثيلاً عالمياً للدالة المدخلة في نطاق مختلف عن الفضاء الفيزيائي.
   • يقوم برفع ملاحظات المدخلات $\{x'_i\}$ إلى فضاء كامن، ويطبق تحويلاً طيفياً (مثل FFT)، ويعدل المعاملات باستخدام دالة وزن مشروطة بالإحداثيات $\omega_\theta(x'_i)$.
   • يتم الحصول على التمثيل العالمي $\Psi_H(f)$ عبر التجميع المتوسط والتحويل غير الخطي للمكونات الحقيقية والخيالية. يسمح هذا التصميم بتمثيلات مدخلات مستقلة عن التجزئة وغير متغيرة مع الدقة.

2. شبكة القاعدة المكانية (Spatial Basis Network - SBN):

   • تبني تمثيلاً مستمراً لنطاق الحل $\Phi_S(x)$ لأي إحداثيات استعلام $x$ تعسفية.
   • تُنفذ كشبكة مدركة متعددة الطبقات (MLP) تربط الإحداثيات مباشرة بفضاء سمات عالي الأبعاد.
   • على عكس الطرق القائمة على الشبكات، لا تعتمد SBN على الالتفاف أو الاستكمال (interpolation)، مما يتيح دقة استعلام وتعليق غير منتظمة.

3. معامل الاقتران التكيفي المعدل بالطور (Adaptive Phase-Modulated Coupling Operator):

   • هذه هي الآلية الجوهرية للتحقيق عبر النطاقات. فهي تنمذج التفاعلات المهيكلة بين تمثيل المدخلات الطيفي $\Psi_H(f) = a + ib$ والقاعدة المكانية $\Phi_S(x)$.
   • تقوم خريطة قابلة للتعلم $\gamma_\theta$ بتوليد طور اقتران $\alpha$ بناءً على السمة المشتركة $\eta(\Phi_S(x), \Psi_H(f))$.
   • يتم حساب المخرج النهائي عبر تفاعل معدل بالطور:
     $$G_\alpha(f)(x) = \langle \Phi_S(x), \cos \alpha \odot a + \sin \alpha \odot b \rangle$$
   • تضمن هذه الآلية أن يكون تحقيق المعامل غير قابل للفصل ويتكيف ديناميكياً مع التفاعل بين المدخلات وفضاءات الحل.

3. المساهمات الرئيسية

1. آلية تحقيق مبتكرة: تقديم UFO، الذي ينقل تعلم المعامل من تقريب النطاق الواحد إلى التحقيق عبر النطاقات عبر الاقتران التكيفي المعدل بالطور.
2. فك الارتباط بالتجزئة: تسم ت البنية للمدخلات أن تُلاحظ بدقة أو مواقع مختلفة عن تلك المستخدمة أثناء التدريب، بينما يمكن استعلام الحلول عند دقة مخرجات تعسفية.
3. تقييم شامل: تصميم أربعة اختبارات معيارية متكاملة لتقييم ليس فقط الدقة النقطية، بل أيضاً الاتساق الطيفي، والتماسك الهيكلي، والتعميم تحت تحولات التوزيع:
   • StepHeat: مدخلات متقطعة لاختبار الانحياز الطيفي.
   • $\delta$-Helmholtz: أخذ عينات غير منتظم وعدم تطابق طيفي لاختبار اتساق الترجمة.
   • 2D Burgers: ديناميكيات غير خطية لاختبار الحفاظ على الهيكل تحت الاستقراء ثنائي الاتجاه.
   • GRF-Helmholtz: حقول عشوائية عالية التردد ذات طبيعة ستوكاستيكية لاختبار المعاملات التي يهيمن عليها التردد.

4. النتائج التجريبية

يقيم البحث UFO مقابل DeepONet و FNO عبر الاختبارات الأربعة:

• StepHeat (الانحياز الطيفي): يحقق UFO أدنى خطأ نسبي $L_2$ في 4 من أصل 6 حالات انقطاع، وأفضل خطأ لـ Barron norm (الاتساق الطيفي) في 3 حالات. لقد نجح في التقاط ونشر الأنماط عالية التردد الناتجة عن الانقطاعات، متفوقاً على DeepONet (الذي يعاني من الانحياز الطيفي) و FNO (الذي يظهر عدم استقرار مع المدخلات المتقطعة).
• $\delta$-Helmholtz (اتساق الترجمة): في ظل استقراء إزاحة عالمية قوية ($\delta = \pm 30.8$) وأخذ عينات غير منتظم، يحافظ UFO على اتساق الترجمة والتعميم المستقر. تظهر DeepONet تشوهاً هيكلياً شديداً، بينما تنهار FNO تحت الإزاحات الكبيرة.
• 2D Burgers (الهيكل غير الخطي): يحافظ UFO على هياكل مستويات الضبط غير الخطية وهندسة الكنتور بشكل أفضل من النماذج المرجعية أثناء الاستقراء خارج التوزيع (OOD) ثنائي الاتجاه. وبينما تؤدي FNO أداءً جيداً في الدقة النقطية ضمن توزيع التدريب، فإنها تتدهور بشكل حاد في أنظمة OOD مع ظهور هياكل زائفة.
• GRF-Helmholtz (التردد العالي الستوكاستيكي): في هذا النظام المهيمن بالتردد، تحقق FNO أفضل الأخطاء (مما يعكس انحيازها الاستقرائي). ومع ذلك، يظل UFO منافساً ويتفوق بشكل كبير على DeepONet، خاصة في حالات عدد الموجة القصوى ($k=120$)، مما يظهر آلية تحقيق أكثر توازناً عبر الأنظمة غير المتجانسة.
• فك الارتباط بالتجزئة: تظهر التجارب أن خطأ UFO يظل مستقراً مع انخفاض دقة المدخلات (من $100\times100$ إلى $55\times55$) ومع زيادة دقة استعلام المخرجات (حتى $550\times550$). في المقابل، تتدهور FNO بسرعة مع زيادة دقة المخرجات، مما يؤكد اعتمادها على الشبكة.
• دراسة الاستئصال (Ablation Study): أدى إزالة تعديل الطور التكيفي $\alpha$ (استبداله بقراءة منفصلة ثابتة) إلى تدهور كبير في الأداء، مما يؤكد أن التفاعل المشروط بشكل مشترك ضروري لنجاح الإطار.

5. الأهمية والادعاءات

يزعم البحث أن UFO يؤسس التحقيق عبر النطاقات والمعدل بالطور كإطار عمل قوي لـ تعلم المعاملات المنفصل عن التجزئة.

• تجاوز قيود النطاق الواحد: يعيد UFO صياغة تعلم المعامل عبر فصل ترميز نطاق المدخلات، وتمثيل نطاق الحل، والاقتران التكيفي. يسمح هذا للنموذج بالعمل بفعالية عبر الأنظمة غير المتجانسة (المتقطعة، غير المنتظمة، غير الخطية، والستوكاستيكية) دون الحاجة للتخصص في نطاق واحد.
• المرونة العملية: القدرة على التعامل مع دقات مدخلات متغيرة واستعلام دقات مخرجات تعسفية تعالج حقيقة عملية حرجة حيث تكون القياسات الكثيفة مكلفة ولكن التنبؤات عالية الدقة مطلوبة.
• التماسك الهيكلي: يضمن الإطار بقاء التنبؤات متسقة فيزيائياً ومتماسكة هيكلياً تحت تحولات التوزيع، وهي خاصية تفتقر إليها غالباً النهج أحادية النطاق.

يشير المؤلفون إلى أن هذه المرونة ليست "مجانية"؛ فإذا كان المعامل المستهدف يعتمد بشدة على سمات مدخلات موضعية، فإن الملاحظات شحيحة جداً ستظل تؤثر سلباً على جودة التنبؤ. ومع ذلك، فإن UFO هو مرن تجاه التجزئة، مما يعني أنه لا يتطلب شبكة ثابتة، بشرما كانت ملاحظات المدخلات توضح الهياكل التي تحدد استجابة المعامل.

يضع هذا العمل UFO ليس مجرد بنية جديدة، بل كتحول مفاهيمي نحو التفكير في تحقيق المعامل بما يتجاوز قيود النطاق، مما يفتح آفاقاً لتوسيعات متعددة النطاقات، وزمنية، ومعلوماتية في الأنظمة العلمية المعقدة.