🤖 machine learning

Learning partially observed systems with neural Hamiltonian ordinary differential equations

تقدم هذه الورقة البحثية المعادلات التفاضلية الهاميلتونية العصبية (NHODE)، وهو إطار عمل يجمع بين الشبكات العصبية الهاميلتونية والمعادلات التفاضلية العادية العصبية لتعلم الأنظمة الديناميكية الملحوظة جزئياً من خلال فرض حفظ الطاقة والقيود الفيزيائية، مما يحقق دقة فائقة واستقراراً طويل الأمد مقارنة بالنماذج المرجعية القائمة على البيانات فقط.

المؤلفون الأصليون: Sunniva Meltzer, Sølve Eidnes, Alexander Johannes Stasik

نُشر 2026-05-25

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Sunniva Meltzer, Sølve Eidnes, Alexander Johannes Stasik

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 التنبؤ بكيفية حركة آلة معقدة. عادةً، ستعرض للروبوت فيديو للآلة بأكملها وتقول له: "شاهد هذا، تعلم القواعد، ثم أخبرني بما سيحدث بعد ذلك".

ولكن ماذا لو كان للآلة مقصورة سرية؟ يمكنك رؤية التروس الخارجية وهي تدور، لكن لا يمكنك رؤية التروس المخفية بالداخل. التروس الخارجية تتحرك بسبب التروس المخفية، ولكن ليس لديك كاميرا بالداخل لرؤيتها. إذا حاولت تعليم روبوت تقليدي ("متعلم يعتمد على البيانات فقط") بمجرد عرض الجزء الخارجي عليه، فسيصاب بالارتباك في النهاية. سيخمن بشكل خاطئ حول التروس المخفية، وسرعان ما ستخرج توقعاته عن المسار وتدور بشكل عشوائي بعيداً عن الواقع.

تقدم هذه الورقة البحثية نوعاً جديداً من معلمي الروبوتات يسمى NHODE (المعادلات التفاضلية العادية الهاميلتونية العصبية). لقد صُمم خصيصاً لحل مشكلة "النقطة العمياء" هذه عن طريق تعليم الروبوت احترام قوانين الفيزياء بدلاً من مجرد حفظ الأنماط.

إليك كيف يعمل، باستخدام تشبيهات بسيطة:

1. المشكلة: المتعلم "الأعمى"

في العالم الحقيقي، غالباً لا نستطيع قياس كل شيء. ربما نرى سرعة السيارة ولكن لا نرى مستوى الوقود، أو نرى موقع كوكب ولكن لا نرى الجاذبية غير المرئية التي تسحبه.

الطريقة القديمة (البيانات الصرفة): تخيل طالباً يحاول تعلم رقصة من خلال مراقبة أقدام الراقص فقط. إذا قام الجزء العلوي من جسم الراقص بشيء غير متوقع، فسوف يضيع الطالب لأنه لا يفهم العلاقة بين القدمين وبقية الجسم. في الورقة البحثية، فشلت هذه النماذج (التي تعتمد على البيانات الصرفة) بسرعة، خاصة في الأنظمة الفوضوية (مثل "مسألة الأجسام الثلاثة"، وهي تشبه ثلاث كواكب ترقص رقصة جامحة وغير متوقعة).

2. الحل: المعلم الذي يضع "الفيزياء أولاً"

إطار عمل NHODE يشبه معلماً يقول: "لا تكتفِ بمراقبة الأقدام؛ تذكر أن الطاقة لا تُفنى ولا تُستحدث من عدم".

بنك الطاقة (الهاميلتوني): تستخدم الورقة البحثية مفهوماً يسمى "هاميلتوني" (Hamiltonian)، وهو في الأساس حساب بنكي لإجمالي طاقة النظام. في النظام المغلق، يجب أن يظل توازن هذه الطاقة ثابتاً دائماً.
الحيلة: تم بناء نموذج NHODE بحيث لا يمكنه كسر هذه القاعدة. إنه يجبر الرياضيات على الامتثال لقانون حفظ الطاقة. حتى لو لم يستطع الروبوت رؤية التروس المخفية، فهو يعلم أنه إذا تسارعت التروس المرئية، فلا بد أن تتباطأ التروس المخفية في مكان ما للحفاظ على توازن إجمالي الطاقة بشكل صحيح.

3. كيف يتعامل مع الأجزاء "المخفية"

تصف الورقة عملية ذكية تتكون من خطوتين:

المحقق (المُشفّر - Encoder): أولاً، ينظر النموذج إلى التاريخ القصير للأجزاء المرئية ("التاريخ الملحوظ"). يعمل مثل المحقق، مستخدماً الأدلة المرئية لتخمين ما تفعله الأجزاء المخفية الآن. إنه يستنتج "الحالة الأولية" للتروس غير المرئية.
المحاكي (التشغيل المستمر - Rollout): بمجرد أن يكون لديه تخمين للأجزاء المخفية، يقوم بتشغيل محاكاة للمستقبل. ومن الأهمية بمكان أنه يتحقق من واجباته المنزلية مقابل الأجزاء التي يمكنه رؤيتها بالفعل فقط. هو لا يُعاقب على تخمين الأجزاء المخفية بشكل خاطئ بشكل مباشر؛ بل يُعاقب فقط إذا لم تتطابق الأجزاء المرئية مع الفيديو الحقيقي.
- تشبيه: تخيل أنك تلعب لعبة "سايمون يقول" (Simon Says) حيث يمكنك فقط رؤية يدي سايمون. عليك أن تخمن ماذا تفعل قدماه. إذا تسبب تخمينك بشأن القدمين في جعل حركة اليدين خاطئة، فستخسر. ولكن إذا حافظ تخمينك بشأن القدمين على حركة اليدين بشكل صحيح، فستربح.

4. إضافة قواعد إضافية (التماثل)

لم يتوقف المؤلفون عند الطاقة فحسب، بل أضافوا المزيد من قواعد "المنطق السليم":

تماثل الإزاحة (Translation Symmetry): إذا حركت الآلة بأكملها قدماً واحدة إلى اليسار، فإن الفيزياء لا ينبغي أن تتغير. يتعلم النموذج النظر إلى المسافة بين الأجزاء بدلاً من موقعها المطلق.
الطاقة القابلة للفصل: افترضوا أن الطاقة تنقسم إلى "طاقة حركة" (التي يعرفون صيغتها) و"طاقة وضع" (التي يتعلمها الذكاء الاصطناعي). هذا يجعل المهمة أسهل وأكثر دقة.

5. النتائج: الاستقرار في الفوضى

اختبرت الورقة البحثية النموذج في ثلاثة سيناريوهات، من البسيط إلى الصعب جداً:

كتلتان على زنبركات: نظام بسيط. نجحت جميع الطرق بشكل جيد، لكن النموذج القائم على الفيزياء كان أفضل قليلاً.
ثلاث كتل في مثلث: أكثر تعقيداً قليلاً. بدأت نماذج البيانات الصرفة في الانحراف وارتكاب أخطاء كبيرة. بينما ظل النموذج القائم على الفيزياء في المسار الصحيح.
مسألة الأجسام الثلاثة: هذا هو "المستوى الأخير". ثلاثة كواكب تسحب بعضها البعض في رقصة فوضوية.
- النتيجة: جن جنون نماذج البيانات الصرفة (المتعلمين العميان) وانفجرت توقعاتهم إلى هراء في وقت قصير جداً.
- الفائز: نموذج NHODE، وخاصة ذلك المزود بكل قواعد الفيزياء الإضافية (حفظ الطاقة، والزخم، والزخم الزاوي)، استمر في التنبؤ بالرقصة بشكل صحيح لفترة طويلة جداً. لم يكتفِ بالتخمين؛ بل فهم قواعد الرقصة، لذا حتى عندما لم يستطع رؤية أحد الراقصين، عرف كيف يجب أن يتحرك ليحافظ على استمرار الرقصة.

ملخص

تزعم الورقة البحثية أنه من خلال بناء القوانين الفيزيائية مباشرة داخل عقل الذكاء الاصطناعي، يمكننا تعليمه فهم الأنظمة حتى عندما لا نستطيع رؤية جميع أجزائها. إنها تحوله من "مخمن أعمى" إلى "محقق بارع في الفيزياء" يمكنه استنتاج غير المرئي من المرئي، مما يحافظ على استقرار توقعاته حتى في البيئات الفوضوية وغير المتوقعة.

يشير المؤلفون إلى أنه بينما يمكن للنموذج التنبؤ بالأجزاء المرئية بشكل مثالي، فإن الحالة الدقيقة للأجزاء المخفية قد لا تكون فريدة (قد توجد عدة سيناريوهات مخفية مختلفة تبدو متشابهة من الخارج)، ولكن النموذج يجد نسخة متسقة فيزيائياً ودقيقة للأجزاء التي نهتم بها.

ملخص تقني: تعلم الأنظمة المراقبة جزئياً باستخدام المعادلات التفاضلية العادية الهاملتونية العصبية

بيان المشكلة

يتناول هذا البحث تحدي تعلم الأنظمة الديناميكية من البيانات عندما تكون حالة النظام مراقبة جزئياً فقط. في العديد من السيناريوهات الفيزيائية، تكون بعض متغيرات الحالة غير قابلة للوصول عبر القياس، ومع ذلك فهي تؤثر على تطور المتغيرات المراقبة. تتطلب نماذج التعلم الآلي التقليدية المستندة إلى الفيزياء، مثل الشبكات العصبية الهاملتونية (HNNs)، عادةً الوصول إلى الحالة الكاملة للنظام (المواقع والزخم جميعها) ومشتقاتها الزمنية لتعريف دالة الخسارة. هذا المتطلب يجعلها غير قابلة للتطبيق في حالات المراقبة الجزئية حيث يجب استنتاج المتغيرات الكامنة دون إشراف مباشر. وعلى العكس من ذلك، فإن النهج القائم على البيانات الصرفة، مثل المعادلات التفاضلية العادية العصبية (Neural ODEs) القياسية، غالباً ما تفشل في التعميم أو الحفاظ على الاستقرار في هذه الإعدادات، لا سيالما في الأنظمة المعقدة أو الفوضوية، لأنها تفتقر إلى القيود الفيزيائية اللازمة لتقييد فضاء الحل.

المنهجية

يقترح المؤلفون المعادلات التفاضلية العادية الهاملتونية العصبية (NHODE)، وهو إطار عمل يدمج الضمانات الهيكلية لميكانيكا هاملتون مع إجراءات التدريب المرنة للمعادلات التفاضلية العادية العصبية.

الإطار الجوهري

يتم نمذجة النظام كنظام هاملتوني قياسي:
$\dot{x} = S \nabla H(x)$
حيث تمثل $x = (q, p)^T$ الموقع العام والزخم، و $H$ هو الهاملتوني (الطاقة الكلية)، و $S$ هي المصفوفة الرمزية (Symplectic Matrix) القياسية.

يتميز إطار NHODE من خلال ثلاثة مكونات رئيسية:

التدريب القائم على التمرير (Rollout-Based Training) مع خسارة جزئية: على عكس شبكات HNN القياسية التي تحسب الخسارة بناءً على متبقي معادلات هاملتون عند كل خطوة زمنية (مما يتطلب بيانات الحالة الكاملة)، يتبنى NHODE نموذج تدريب المعادلات التفاضلية العادية العصبية. يقوم النموذج بدمج المجال المتجه المتعلم للأمام من حالة ابتدائية لتوليد مسار كامل. يتم تعريف دالة الخسارة فقط على المكونات المراقبة للحالة ( $x_{obs}$ ) عند نقاط البيانات الزمنية. أما المكونات الكامنة ( $x_{hid}$ ) فيتم استبعادها من حساب الخسارة، مما يعني أن تأثيرها على التدريب يكون غير مباشر، ويتم عبر تطور المتغيرات المراقبة.
استنتاج الحالة الكامنة: لتشغيل عملية التكامل، يستخدم الإطار مشفراً عصبياً (Neural Encoder) لاستنتاج الحالة الابتدائية للمتغيرات غير المراقبة ( $x_{hid}(t_0)$ ) بناءً على التاريخ الأولي للمتغيرات المراقبة. يتم تدريب هذا المشفر وشبكة هاملتون بشكل مشترك باستخدام دالة خسارة مشتركة.
القيود الفيزيائية عبر التماثل والقابلية للانفصال: لزيادة تقييد فضاء الحل وتحسين القدرة على التعميم، أدرج المؤلفون أولويات فيزيائية محددة:
- تحويلات الإحداثيات: بالنسبة للأنظمة ذات التماثل الانتقالي، يتم تحويل الإحداثيات المطلقة إلى مسافات نسبية زوجية قبل تمريرها إلى الشبكة العصبية. هذا يفرض ثبات الانتقال، مما يضمن حفظ الزخم الخطي.
- الهاملتونيات القابلة للانفصال: يدعم الإطار النماذج التي يُفترض فيها أن الهاملتوني قابل للانفصال ( $H = T(p) + V(q)$ ) مع حد طاقة حركية معروف ( $T(p) = p^2/2m$ ). في هذا التكوين، تتعلم الشبكة العصبية فقط طاقة الوضع $V(q)$ . وعند دمج ذلك مع الإحداثيات النسبية، فإن هذا الصياغة تفرض أيضاً حفظ الزخم الزاوي.

حدد المؤلفون نوعين رئيسيين من النماذج:

NHODEtot: يتعلم الطاقة الكلية مباشرة عبر شبكة عصبية.
NHODEpot: يتعلم فقط طاقة الوضع، بافتراض شكل طاقة حركية معروف وكتل الجسيمات.

المساهمات الرئيسية

إطار عمل مبتكر للمراقبة الجزئية: يقدم البحث NHODE، وهو أول إطار عمل ينجح في الجمع بين البنية الهاملتونية وتدريب المعادلات التفاضلية العادية العصبية للتعامل خصيصاً مع الأنظمة التي تكون متغيرات حالتها غير مراقبة تماماً.
إثبات الأولويات الفيزيائية: يوضح العمل بشكل منهجي أن دمج البنية الفيزيائية (حفظ الطاقة، حفظ الزخم عبر التماثل) ليس مجرد أمر مفيد بل هو ضروري لتعلم ديناميكيات مستقرة في الأنظمة عالية الأبعاد، والفوضوية، والمراقبة جزئياً.
التحقق التجريبي عبر مستويات متزايدة من التعقيد: تم تقييم الطريقة على ثلاثة أنظمة تزداد تعقيداً:
- نظام خطي مكون من كتلتين ونوابض في بُعد واحد (1D).
- نظام غير خطي مكون من ثلاث كتل وثلاثة نوابض في بُعدين (2D).
- مسألة الأجسام الثلاثة الفوضوية في ثلاثة أبعاد (3D).
تعلم الظروف الابتدائية: أظهر الإطار قدرة فعالة على استنتاج الظروف الابتدائية للمتغيرات المخفية من المسارات المراقبة فقط، وهي مهمة تفشل فيها النماذج المرجعية القائمة على البيانات الصرفة.

النتائج

تقارن التجارب بين NHODE واثنين من النماذج المرجعية:

NODEvanilla: معادلة تفاضلية عصبية (Neural ODE) قياسية.
NODEphys: معادلة تفاضلية عصبية مستندة إلى الفيزياء تتعلم فقط مشتقات الزخم.

النتائج:

الأنظمة الخطية: في نظام الكتلة والنابض البسيط في بُعد واحد، تؤدي جميع النماذج (بما في ذلك المراجع) أداءً معقولاً، وإن كانت نماذج NHODE تظهر استقراراً أفضل قليلاً.
الأنظمة غير الخطية: في نظام الكتلة والنابض غير الخطي في بُعدين، تتسع فجوة الأداء. بينما تحافظ نماذج NHODE على خطأ منخفض، تبدأ النماذج المرجعية في التباعد عبر آفاق زمنية طويلة.
الأنظمة الفوضوية: في مسألة الأجسام الثلاثة، يصبح الفرق صارخاً. النماذج المعتمدة على البيانات الصرفة (NODEvanilla) وحتى النماذج المستندة جزئياً إلى الفيزياء (NODEphys) تصبح غير مستقرة وتتباعد بسرعة. فقط أكثر نماذج NHODE استناداً إلى الفيزياء (NHODEpot,rel)، والذي يفرض حفظ الطاقة والزخم الخطي والزخم الزاوي، ينتج مسارات مستقرة وغير متباعدة عبر آفاق زمنية طويلة.
مقاييس الخطأ: عبر جميع الأمثلة، يؤدي زيادة كمية البنية الفيزيائية المدمجة (على سبيل المثال، الانتقال من NHODEtot إلى NHODEpot، أو من الإحداثيات المطلقة إلى النسبية) بشكل منهجي إلى تحسين كل من دقة التنبؤ والاستقرار على المدى الطويل.

الأهمية والادعاءات

يزعم البحث أن مساهمته الأساسية هي إثبات أن المعرفة الفيزيائية المدمجة في نموذج التعلم الآلي تسمح بالتعلم الدقيق لكل من الأجزاء المراقبة والكامنة لنظام مراقب جزئياً، وهي مهمة تفشل فيها الطرق المعتمدة على البيانات الصرفة.

يؤكد المؤلفون أنه بينما قد لا تكون الديناميكيات الكامنة قابلة للتحديد بشكل فريد دون معلومات إضافية (مثل بارامترات النظام المعروفة)، فإن إطار NHODE يتعلم حالة كامنة متسقة فيزيائياً وتؤدي إلى تنبؤات دقيقة للمتغيرات المراقبة. يسلط العمل الضوء على أنه في الأنظمة الفوضوية، حيث تؤدي الاضطرابات الصغيرة إلى تباعد أسي، يعد دمج الأولويات الفيزيائية القوية (قوانين الحفظ) أمراً حاسماً لمنع الديناميكيات المتعلمة من "الانفجار"، مما يمد نافذة التنبؤ المفيدة.

يخلص البحث إلى أن إطار NHODE يعد أداة قابلة للتعميم للإعدادات التي تكون فيها الأنظمة الديناميكية مراقبة جزئياً، والبنية الفيزيائية معروفة، والتنبؤات الزمنية المستقرة مطلوبة، كما هو الحال في المراقبة الصناعية، والروبوتات، والتجارب العلمية ذات الوصول المحدود للمستشعرات.