ملخص تقني: التنبؤ ليس فيزياء: تعلم وتقييم الكميات المحفوظة في المحاكيات العصبية

بيان المشكلة

غالبًا ما تحقق الشبكات العصبية المدربة على بيانات محاكاة فيزيائية دقة تنبؤ عالية في المدى القصير (خطأ متوسط مربعات منخفض في التمرير/rollout)، لكنها تفشل في الالتزام بالقوانين الفيزيائية الأساسية، مثل حفظ الطاقة. وحتى عندما يتم توجيه النماذج التوليدية مثل شبكات الانتشار (diffusion networks) عبر هياكل حفظ متعلمة أثناء أخذ العينات، فإنها غالبًا ما تنتج مسارات يتذبذب فيها مستوى الطاقة بشكل كبير بمرور الوقت. يثير هذا الانفصال سؤالاً حرجاً: هل تستطيع الشبكات العصبية تعلم أو اختيار الكميات المحفوظة عالمياً مباشرة من ملاحظات الحالة، وهل كفاية خطأ التنبؤ المنخفض تضمن حركة صالحة فيزيائياً؟

يستقصي المؤلفون ما إذا كانت النماذج قادرة على تحديد الخصائص الثابتة من المسارات الفيزيائية للتحقق من النماذج، أو توجيه التوليد، أو تحديد القوانين الفيزيائية، مع معالجة الفجوة بين دقة مستوى المسار والحفظ العالمي.

المنهجية

البيئات والبيانات

تقارن الدراسة ثلاثة أنظمة هاملتونية كلاسيكية ذات ثوابت تحليلية معروفة:

1. حركة المقذوفات: طاقة قابلة للفصل $E = \frac{1}{2}(v_x^2 + v_y^2) + gy$.
2. البندول غير الخطي: هاملتوني غير قابل للفصل $H = \frac{1}{2}\omega^2 - g \cos \theta$.
3. نظام النابض والكتلة: طاقة قابلة للفصل $E = \frac{1}{2}kx^2 + \frac{1}{2}v^2$.

تم توليد البيانات باستخدام حلول مغلقة دقيقة أو تكامل RK45 التكيفي لضمان أن انحراف الطاقة الحقيقي ضئيل جداً ($10^{-5}$ إلى $10^{-7}$). تتضمن التجارب مسارات خالية من الضوضاء ومسارات تحتوي على ضوضاء غاوسية مضافة بنسبة 1%.

النماذج التي تم تقييمها

يقارن المؤلفون أربعة نهج لتعلم الثوابت:

1. شبكة الطاقة المهيكلة (SE): بنية تفكك الإجمالي السلمي صراحة إلى حدود حركية وكامنة، $H(s) = T_\theta(v) + V_\phi(q)$. وتعمل هذه كنموذج مرجعي بفرضيات فيزيائية قوية.
2. شبكة اكتشاف الحفظ الصندوق الأسود (CDN): شبكة MLP قياسية بدون هيكل فيزيائي مفروض.
   • CDN-Conservation: مدربة فقط على الاتساق الزمني.
   • CDN-Aligned: مدربة على الاتساق الزمني بالإضافة إلى فقد محاذاة معياري ضعيف مع الطاقة التحليلية عند $t=0$.
3. CDN متعدد الحدود (Polynomial CDN): نموذج خطي $f(s) = w^\top \phi(s)$ حيث تتضمن $\phi(s)$ حدوداً متعددة من الدرجة الثانية وسمات مثلثية.
4. النموذج المرجعي للانتشار (Diffusion Baseline): نموذج DDPM مدرب لتوليد تغيرات الحالة ($\Delta s$)، موجه أثناء التمرير بواسطة ثابت الـ CDN والاسقاط الناعم نحو مجموعة مستوى طاقة شبكة SE.

دوال الخسارة (Loss Functions)

الهدف الأساسي لتعلم الثوابت يجمع بين حدين:

1. الاتساق الزمني: يقلل الفرق بين الثابت المتعلم في الخطوات الزمنية المتتالية، $f(s_{t+1}) - f(s_t)$.
2. مفصل التباين (Variance Hinge): يمنع الحل البديهي حيث يخرج النموذج قيمة ثابتة لجميع المدخلات من خلال فرض التباين عبر الدفعة الأولية.
3. فقد المحاذاة (اختياري): فقد معياري ضعيف عند $t=0$ لمحاذاة الثابت المتعلم مع الطاقة التحليلية من حيث المقياس والإزاحة.

المساهمات والنتائج الرئيسية

1. دقة التنبؤ لا تعني الحفظ

حقق نموذج الانتشار خطأ متوسط مربعات (MSE) منخفضاً في التمرير (على سبيل المثال، $3.4 \times 10^{-4}$ للبندول) ولكنه فشل في حفظ الطاقة. كان الانحراف المعياري للطاقة في المسارات المولدة أكبر بـ 7,500 إلى 36,000 مرة من المسارات الحقيقية. يوضح هذا أن خطأ التنبؤ المنخفض والتوجيه الناعم للثوابت غير كافيين لفرض قوانين الحفظ العالمية.

2. ضرورة الإشراف الضعيف لاختيار الثوابت

بينما يشجع هدف الحفظ (الاتساق الزمني) النموذج على تعلم شيء ما ثابت، إلا أن المسأية غير محددة (underdetermined).

• CDN-Conservation (بدون محاذاة): بدون المحاذاة مع الطاقة التحليلية، يفشل النموذج في استعادة الهاملتوني الحقيقي. في نظامي البندول والنابض-الكتلة، انهار معامل الارتباط $R^2$ إلى ما يقرب من الصفر ($< 10^{-3}$).
• CDN-Aligned: مع حد محاذاة صغير ($\lambda_{align}=0.2$)، حقق نموذج CDN "الصندوق الأسود" معامل $R^2 \ge 0.996$ عبر جميع الأنظمة، مما يثبت أن الاتساق الزمني مع الإشراف الضعيف يمكن أن يستعيد كميات ذات معنى فيزيائي دون فرض فرضيات هيكلية.

3. الحساسية لجداول التدريب (Polynomial CDN)

أظهر نموذج Polynomial CDN حساسية كبيرة لمدة التدريب وحجم البيانات:

• الجدول القصير: في حالة البندول، تقارب النموذج نحو حل جزئي يهيمن عليه جزء الطاقة الحركية ($\omega^2$)، مفتقداً جزء الطاقة الكامنة ($\cos \theta$)، مما أدى إلى $R^2 = 0.78$.
• الجدول الطويل: مع المزيد من الدورات (epochs) والبيانات، استعاد النموذج الهاملتوني الكامل، ليصل إلى $R^2 = 0.9998$.
  يشير هذا إلى أن مشهد خسارة الحفظ يحتوي على نقاط محلية سيئة (هاملتونيات جزئية) تتطلب ميزانية تدريب كافية للهروب منها.

4. المتانة تجاه الضوضاء

تحت تأثير ضوضاء غاوسية مضافة بنسبة 1%، تدهورت أداء شبكة الطاقة المهيكلة (SE) بشكل موحد (انخفض $R^2$ بنحو $\approx 0.013$). في المقابل، كان نموذج Black-box CDN أكثر متانة في نظامي المقذوفات والنابض-الكتلة، متفوقاً على النموذج المهيكل. يشير المؤلفون إلى أن فرض تفكيك $T(v) + V(q)$ على البيانات المشوبة بالضوضاء يتطلب ملاءمة الإشارات الفاسدة بشكل منفصل، بينما يمكن لـ CDN غير المقيد تعلم دالة قوية للحالة الكاملة.

5. التحقق عبر الانحدار الرمزي

باستخدام الانحدار المتناثر STLSQ على الأهداف الطاقية التحليلية، أكد المؤلفون أن مكتبة السمات الخاصة بهم كانت تعبيرية بما يكفي لاستعادة المعادلات الرمزية الدقيقة لجميع الأنظمة الثلاثة. ومع ذلك، يلاحظون أن هذا هو فحص لمسار العمل (pipeline check) وليس اكتشافاً غير مُوجه، حيث كان هدف الانحدار هو الطاقة المعروفة.

الأهمية والادعاءات

تجادل الورقة بأن مقاييس دقة مستوى المسار (مثل MSE) ليست معايير كافية لنماذج المحاكاة الفيزيائية. يمكن للنموذج أن يكون دقيقاً للغاية في المدى القصير بينما ينتهك قوانين الحفظ الأساسية.

يدعي المؤلفون ما يلي:

• الحفظ هو محور متميز للجودة: يجب تقييمه بشكل منفصل عن خطأ التنبؤ.
• الفرضيات الهيكلية لها مقايضات: بينما تعمل الشبكات المهيكلة (SE) بشكل مثالي تقريباً على البيانات النظيفة التي تطابق فرضياتها، إلا أنها قد تكون أكثر هشاشة تجاه الضوضاء من النماذج المرنة (CDN) عند توفير إشراف ضعيف.
• التحسين (Optimization) أمر جوهري: القدرة على استعادة الكميات المحفوظة تعتمد بشدة على جداول التدريب؛ الميزانيات المحدودة يمكن أن تؤدي إلى حلول جزئية تبدو صالحة (مع $R^2$ متوسط) ولكنها تفشل في التقاط الفيزياء الكاملة.
• التوجيه ليس علاجاً لكل شيء: التوجيه الناعم من الثوابت المتعلمة أثناء أخذ عينات الانتشار لا يضمن حفظ الطاقة عبر عمليات التمرير الطويلة، مما يسلط الضوء على الحاجة إلى قيود أكثر صرامة أو استراتيجيات أخذ عينات أفضل.

يخلص العمل إلى أنه بينما يمكن للشبكات العصبية تعلم الثوابت، فإن القيام بذلك بشكل موثوق يتطلب دراسة دقيقة لتصميم الخسارة، ومدة التدريب، والتوازن بين الفرضيات الهيكلية ومرونة النموذج.