Identifying the nonlinear string dynamics with port-Hamiltonian neural networks

ملخص تقني: تحديد ديناميكيات الأوتار غير الخطية باستخدام الشبكات العصبية لـ "بورت-هاميلتون" (Port-Hamiltonian Neural Networks)

بيان المشكلة
يتناول البحث تحدي تحديد وتعلم ديناميكيات الأنظمة ذات المعلمات الموزعة، وتحديداً أوتار الجيتار غير الخطية، من البيانات. وبينما أثبتت الشبكات العصبية لـ "بورت-هاميلتون" (PHNNs) نجاحها في تحديد أنظمة المعادلات التفاضلية العادية (ODEs) الهاميلتونية، فإن تطبيقها على أنظمة المعادلات التفاضلية الجزئية (PDEs) الهاميلتونية لا يزال غير مستكشف إلى حد كبير. هذا الفجوة تحد من تطبيق شبكات PHNN في علم الصوتيات الموسيقية، حيث تُحكم الآلات بواسطة المعادلات التفاضلية الجزئية (PDEs) بدلاً من المعادلات التفاضلية العادية (ODEs). تعتمد الطرق الحالية للأنظمة الصوتية الموزعة غالباً على المشغلات العصبية (neural operators)، أو نظرية كوبمان (Koopman theory)، أو معالجة الإشارات القابلة للتفاضل، لكنها تفتقر إلى الاتساق الفيزيائي الصريح والقابلية للتفسير التي توفرها أنظمة "بورت-هاميلتون" (PHS). يهدف المؤلفون إلى سد هذه الفجوة عبر توسيع نطاق شبكات PHNN لتشمل المعادلات التفاضلية الجزئية (PDEs) لاستعادة كل من الهاميلتوني الحاكم وآليات التبديد لوتر غير خطي تم نقره.

المنهجية
النهج المقترح، والذي يُطلق عليه اسم StringPHNN، يدمج المعرفة الفيزيائية مع التعلم القائم على البيانات من خلال بنية شبكة عصبية مهيكلة تعتمد على صياغة "بورت-هاميلتون".

1. الصياغة الفيزيائية: يصيغ المؤلفون الإزاحة المستعرضة لوتر تحت ظروف غير خطية هندسية باستخدام معادلة تفاضلية جزئية (PDE) من الدرجة الثانية. يتم تحويل هذا النموذج المستمر إلى صيغة "بورت-هاميلتون" شبه منفصلة باستخدام فروق محدودة تحافظ على البنية. تُعرف متغيرات الحالة بالإزاحة ($q$) والزخم ($p$) على شبكة مكانية. يتم التعبير عن ديناميكيات النظام كمنظومة معادلات تفاضلية عادية (ODE) من الدرجة الأولى تتضمن مصفوفة هيكلية ($J$)، ومصفوفة تبديد ($R$)، وهاميلتوني ($H$).
2. البنية العصبية:
   • توصيف الهاميلتوني: يتم تقسيم الهاميلتوني الكلي إلى جزء تربيعي معروف (يمثل الطاقة الحركية، والتوتر، والصلابة) وجزء غير تربيعي قابل للتعلم ($H_{\theta}^{nl}$) يمثل اللاخطية الهندسية.
   • التقريب التلافيفي (Convolutional Approximation): لتقريب المشتقات المكانية المطلوبة لترم الهاميلتوني غير التربيعي، يستفيد المؤلفون من العلاقة بين مخططات الفروق المحدودة والشبكات العصبية التلافيفية (CNNs). تستخدم الشبكة $H_{\theta}^{nl}(q)$ طبقة تلافيفية بحجم نواة (kernel) قدره اثنين (محاكية للفرق الخلفي المحدود) تليها شبكة عصبية متعددة الطبقات (MLP) تُطبق بشكل متطابق على كل عقدة مكانية. يضمن هذا الهيكل أن الشبكة تحترم التقدير المكاني وافتراضات التجانس للفيزياء الأساسية.
   • المعلمات القابلة للتعلم: بالإضافة إلى أوزان الشبكة العصبية، تُعامل المعلمات الفيزيائية مثل الكثافة ($\rho$)، ونصف القطر ($R$)، والتوتر ($T$)، ومعامل يونغ ($E$)، ومعاملات التبديد ($\eta_0, \eta_1$) كمعلمات موجبة قابلة للتعلم.
3. التقطيع الزمني والتدريب: تستخدم عملية التدريب طريقة المتغير المساعد القياسي (SAV) المعدلة مقترنة بالتحكم في رفض الانجراف (drift-rejection control) لضمان وجود حل صريح يحافظ على السلبية (passivity-preserving). يتم تدريب النموذج على بيانات اصطناعية ناتجة عن محاكاة لوتر غير خطي مرجعي. تقلل دالة الخسارة من متوسط الخطأ التربيعي (MSE) النسبي بين مسارات التنبؤ والمسارات المرجعية، مع إجراء الانتشار العكسي (backpropagation) من خلال العمليات الداخلية للمحلل العددي.

المساهمات الرئيسية

• توسيع نطاق PHNNs لتشمل الـ PDEs: يوضح العمل أول تطبيق لشبكات "بورت-هاميلتون" العصبية لتحديد الأنظمة ذات المعلمات الموزعة (PDEs) في سياق علم الصوتيات الموسيقية.
• تصميم شبكة مهيكلة: يقترح المؤلفون بنية شبكة محددة تجمع بين الطبقات التلافيفية (للمشتقات المكانية) والشبكات متعددة الطبقات (MLPs) لتقريب كثافة الهاميلتوني غير التربيعية، مما يضمن الاتساق الفيزيائي في مرحلتي التدريب والاستنتاج.
• التحديد المشترك: نجح الإطار في استعادة كل من الهاميلتوني الحاكم (بما في ذلك كثافة الطاقة غير الخطية) ومصفوفة التبديد من البيانات، بدلاً من مجرد التنبؤ بمسار المخرجات.
• تكامل المحلل الفعال: يسمح دمج طريقة SAV المعدلة بخطوات زمنية صريحة وفعالة تحافظ على السلبية، مما يسهل التدريب والاستنتاج المستقرين.

النتائج
أُجريت تجارب عددية باستخدام بيانات اصطناعية ناتجة عن نموذج وتر غير خطي بـ 20 عقدة مكانية ومعدل عينة قدره 88.2 كيلو هرتز. تمت مقارنة StringPHNN مع نموذج أساسي (baseline) من نوع MLP "الصندوق الأسود" الذي يقرب التدفق المنفصل مباشرة.

• الدقة: تفوقت StringPHNN بشكل كبير على النموذج الأساسي. فبينما أظهر النموذج الأساسي أخطاءً في رتبة $10^0$ إلى $10^1$، حققت StringPHN أخطاءً في حدود $10^{-4}$، مما يمثل تحسناً بعدة مراتب عشرية.
• تحديد المعلمات: نجح النموذج في تحديد المعلمات الفيزيائية الرئيسية بدقة عالية، بما في ذلك الكثافة الخطية ($\mu$)، والتوتر ($T$)، ومعاملات التخميد ($\eta_0, \eta_1$). ومع ذلك، واجه النموذج صعوبة في تحديد معلمات فردية بشكل فريد مثل الكثافة ($\rho$)، ونصف القطر ($R$)، ومعامل يونغ ($E$) عندما ظهرت في أشكال مقترنة (مثل $\mu = \rho \pi R^2$). يشير المؤلفون إلى أن عدم التفرد هذا يوحي بالحاجة إلى إعادة قياس غير أبعادي (non-dimensionalization rescaling) في العمل المستقبلي.
• الديناميكيات والمحتوى الطيفي: التقط النموذج بدقة أنماط انتشار الموجات في الزمان والمكان وتطور السعة. أظهرت مقارنات المخططات الطيفية (spectrograms) أن مسارات الزخم المتوقعة طابقت البيانات المرجعية في كل من النطاقين الزمني والترددي، مع بقاء توزيع الأخطاء دون $10^{-6}$.

الأهمية والادعاءات
يزعم البحث أن إطار StringPHNN المقترح يقدم أداءً فائقاً من حيث الدقة والقابلية للتفسير مقارنة بالطرق الأساسية غير القائمة على الفيزياء. ومن خلال استعادة ليس فقط مسار النظام ولكن أيضاً مكوناته الفيزيائية (الهاميلتوني والتبديد)، يوفر هذا النهج فهماً أعمق لديناميكيات النظام. يضع المؤلفون هذا العمل كخطوة نحو تطبيق التعلم الهجين على الأنظمة الموزعة المعقدة في علم الصوتيات الموسيقية. ويختتم المؤلفون بتواضع بأنه بينما يعد الأسلوب فعالاً على البيانات الاصطناعية، فإن اتجاهات البحث المستقبلية تشمل تحديد الديناميكيات من الملاحظات الجزئية وتسجيلات صوتية حقيقية. لا يدعي العمل حل جميع مشكلات التحديد، بل يؤسس لإطار عمل متسق فيزيائياً لتعلم ديناميكيات الأوتار غير الخطية.