Model discovery for dynamical systems with complex-valued product units

ملخص تقني: اكتشاف النماذج للأنظمة الديناميكية باستخدام وحدات الضرب ذات القيم المركبة

بيان المشكلة
إن استعادة المعادلات الحاكمة من المسارات المرصودة يقدم رؤية هيكلية أعمق للأنظمة الديناميكية مقارنة بمجرد التنبؤ بالحالة. ومع ذلك، فإن تحديد الحدود (monomials) ذات الصلة — لا سيما تلك التي تتضمن أسسًا كسرية أو سالبة — في الأنظمة عالية الأبعاد يمثل تحديًا نظرًا لوجود عدد لا نهائي محتمل من الحدود المرشحة. تعتمد الطرق الراسخة مثل SINDy (تحديد الديناميكيات غير الخطية المتناثرة) والتحليل الرمزي على مكتبات محددة مسبقًا من الدوال المرشحة. هذا القيد يحد من تمثيل فئات الدوال غير الخطية ويجعل البحث الشامل مستعصيًا مع زيادة أبعاد المدخلات، حيث ينمو عدد الحدود المرشحة بشكل أسي.

المنهجية
يقترح المؤلفون نهجًا يعتمد على البيانات باستخدام شبكات وحدات الضرب ذات القيم المركبة لاكتشاف المعادلات الحاكمة دون الحاجة إلى مكتبة مرشحة محددة مسبقًا.

• البنية: يستخدم النموذج وحدات ضرب حيث تحسب كل وحدة حاصل ضرب المدخلات مرفوعة إلى قوى ذات قيم مركبة ($x_i^{w_i}$). يتم تنفيذ هذه الوحدات عن طريق دمج وحدات الجمع مع دوال التنشيط اللوغاريتمية والأسية المعرفة في المجال المركب: $\prod x_i^{w_i} = \exp(\sum w_i \log x_i)$.
• الصياغة: يمثل مخرج الشبكة الطرف الأيمن (RHS) للمعادلات التفاضلية العادية (ODEs) كتركيبة خطية متناثرة من هذه الحدود المركبة:
  $$\hat{f}(x_1, \dots, x_n) = \sum_{k=1}^m c_k \prod_{i=1}^n x_i^{w_{k,i}}$$
  حيث $c_k$ و $w_{k,i}$ هي معاملات وأسس مركبة يتم تعلمها مباشرة من البيانات.
• التدريب: يتم تدريب الشبكة عبر التدرج النازل (محسن Adam) باستخدام دالة خسارة متوسط مربع الخطأ ذات القيم المركبة. بالنسبة للأنظمة المرجعية، يتعلم النموذج التنبؤ بالمشتقات الزمنية ($\dot{x}$) بناءً على متغيرات الحالة. أما بالنسبة لبيانات المشية الواقعية، حيث لا تتوفر المشتقات، فيستخدم النموذج تضمين التأخير الزمني للتنبؤ بالحالة المستقبلية مباشرة من تسلسل من الملاحظات الماضية.
• المعالجة اللاحقة: للتعامل مع الضوضاء العددية وضمان الاستقرار، يتم استبعاد الحدود التي تقل قيم مطلقة معاملاتها عن $10^{-3}$. كما يتم دمج الحدود المتشابهة (حيث تختلف الأسس بمقدار $\le 0.1$) عن طريق متوسط الأسس وجمع المعاملات.

المساهمات الرئيسية

1. الاكتشاف الخالي من المكتبات: على عكس SINDy أو التحليل الرمزي، لا يتطلب هذا النهج مجموعة محددة مسبقًا من الدوال المرشحة؛ بل يتعلم الحدود ذات الصلة، بما في ذلك تلك ذات الأسس الكسرية أو السالبة، مباشرة من البيانات.
2. المجال ذو القيم المركبة: من خلال العمل بالكامل في المجال المركب (المدخلات، الأوزان، والمخرجات)، يتعامل النموذج بشكل طبيعي مع المدخلات السالبة والقوى الكسرية، والتي تشكل مشكلات لوحدات الضرب القياسية ذات القيم الحقيقية.
3. التمثيل المتناثر: يهدف الأسلوب إلى استعادة الهياكل الجبرية المتناثرة التي تحرك الديناميكيات، مما يسهل عملية التفسير.

النتائج
تم تقييم الطريقة على أربعة أنظمة مرجعية فوضوية وبيانات مشية بشرية واقعية (تسارع الجاذبية).

• الأنظمة المرجعية (Lorenz63, Lorenz84, Four-Wing, Lorenz_Fract):

  • باستخدام 3,000 نقطة تدريب على الأقل، استعاد النموذج المعادلات الحاكمة الدقيقة في 90% من التجارب للأنظمة ذات الأسس الصحيحة (Lorenz63, Lorenz84, Four-Wing).
  • بالنسبة للنسخة الكسرية (Lorenz_Fract، التي تحتوي على حد $z^{0.5}$)، تم تحقيق الاستعادة الدقيقة في 70–90% من التجارب باستخدام 3,000–5,000 نقطة.
  • عندما تم تحديد جميع الحدود الرائدة بشكل صحيح، كان وقت التنبؤ الفعال (EPT) لا نهائيًا فعليًا (لا يمكن تمييزه عن النظام الحقيقي). وإذا فُقدت بعض الحدود، انخفض الـ EPT بشكل كبير (أقل من زمن ليابونوف الواحد).
  • لاحظت الدراسة أن المكونات التخيلية الزائفة في المخرجات غالبًا ما تعمل كمؤشرات مبكرة لتباعد المسار (عدم اليقين في التنبؤ).

• التطبيق الواقعي (مشية الإنسان):

  • طُبقت الطريقة على إشارات مشية مكونة من 150 بُعدًا (3 محاور $\times$ 50 تأخير زمني)، حيث تم تدريب النموذج للتنبؤ بالحالات المستقبلية من الملاحظات الماضية.
  • أنتج النموذج مسارات مستقرة عبر أفق اختبار أطول بثلاث مرات من فاصل التدريب.
  • ظلت أخطاء التنبؤ محدودة، مع جذر متوسط مربع الخطأ (RMSE) يبلغ حوالي 12–14% من نطاق سعة الإشارة.
  • نجح النموذج في التقاط الطبيعة شبه الدورية للمشية دون تراكم انحراف جوهري.

الأهمية والادعاءات
يزعم البحث أن شبكات وحدات الضرب ذات القيم المركبة تقدم بديلًا قابلًا للتطبيق للطرق القائمة على المكتبات لاكتشاف الأنظمة الديناميكية، خاصة عندما تكون الصيغة الوظيفية غير معروفة أو تتضمن قوى غير صحيحة. يثبت هذا النهج أن:

• يمكن استعادة المعادلات الحاكمة الدقيقة من البيانات دون معرفة مسبقة بمجموعة الدوال المرشحة.
• يمتد هذا الأسلوب بشكل طبيعي ليشمل قوانين القوى الكسرية، والتي يصعب التعامل معها باستخدام مكتبات الانحدار المتناثرة القياسية.
• يمكن للنموذج توليد تنبؤات مستقرة ومحدودة للأنظمة عالية الأبعاد والضوضائية في العالم الحقيقي (مثل مشية الإنسان) حتى عندما لا تتوفر معادلات تحليلية.

القيود والعمل المستقبلي
يقر المؤلفون بوجود بعض القيود:

• الحساسية للمعلمات الفائقة (Hyperparameter Sensitivity): يجب تحديد عدد وحدات الضرب مسبقًا، ويجب أن يكون مساويًا على الأقل لعدد الحدود المهيمنة؛ وبينما يمكن لخسارة التدريب أن تعطي إشارات حول مدى كفاية النموذج، إلا أن التحديد التلقائي يظل تحديًا مفتوحًا.
• التفسير مقابل الأبعاد: في التطبيقات عالية الأبعاد (مثل تحليل المشية بحوالي 46,000 معلمة)، تتدهور الطبيعة المتناثرة والسهلة للتفسير البشري للحل.
• المتانة تجاه الضوضاء: تطلب النموذج استخدام مرشح تمرير منخفض لبيانات المشية، وهناك حاجة لتقييم منهجي لمدى المتانة تجاه ضوضاء القياس.

تتضمن الأعمال المستقبلية التي اقترحها المؤلفون تطوير طرق تكيفية لتحديد عدد وحدات الضرب تلقائيًا، وتوسيع الإطار ليشمل المعادلات التفاضلية الجزئية، وإجراء تقييمات منهجية للتطبيقات الطبية الحيوية مثل اكتشاف السقوط أو تحديد شذوذ المشية.