Eikonal Regularisation in Physics-Informed Neural Networks for Three-Dimensional Level-Set Advection: Transferability of Two-Dimensional Design Principles

تخيل أنك تحاول تتبع بقعة طلاء غير مرئية، متغيرة الشكل، وهي تتلوى داخل خزان من الماء. في العالم الحقيقي، يحدث هذا طوال الوقت: مثل اختلاط الزيت بالماء، أو تذبذب ألسنة اللهب في النار، أو تحرك السحب عبر السماء. يستخدم العلماء خدعة رياضية ذكية تسمى "طريقة المستوى المجموعاتي" (level-set method) لرسم خرائط هذه الحدود غير المرئية. وبدلاً من رسم خط حول البقعة، يتخيلون مشهداً طبيعياً ثلاثي الأبعاد حيث يكون سطح البقعة مجرد خط "الصفر" على الخريطة. إذا ظلت الخريطة سلسة ومنتظمة، يمكن للكمبيوتر بسهح التنبؤ بمكان ذهاب البقعة بعد ذلك.

ومع ذلك، فإن أجهزة الكمبيوتر سيئة للغاية في الحفاظ على سلاسة هذه الخرائط. فبينما تلتوي البقعة وتتمدد، تصبح الخريطة فوضوية، مثل ورقة مجعدة، ويبدأ الكمبيوتر في فقدان القدرة على تتبع شكل البخل أو حتى حجمها. ولإصلاح ذلك، يستخدم العلماء "الشبكات العصبية المستوحاة من الفيزياء" (PINNs). فكر في هذه الشبكات كأنها مساعدون رقميون أذكياء جداً يتعلمون قواعد حركة السوائل عن طريق التجربة والخطأ. إنهم يحاولون تخمين الخريطة، ثم يتحققون من عملهم مقابل قوانين الفيزياء، وبعد ذلك يعدلون تخمينهم للحصول على النتيجة الصحيحة. ولكن هناك عقبة: يحتاج المساعد إلى معلم ليخبره بمدى أهمية الحفاظ على سلاسة الخريطة مقابل مدى أهمية اتباع التدفق. إذا كان المعلم صارماً جداً، ستظل الخريطة سلسة لكن البقعة ستتحرك بشكل خاطئ. وإذا كان المعلم متساهلاً جداً، سيتحرك الشكل بشكل صحيح لكن الخريطة ستتجعّد. إن إيجاد هذا التوازن المثالي هو "الخلطة السرية"، وهذا هو بالضبط ما يبحث فيه هذا البحث.

هذا البحث هو غوص عميق في سؤال محدد: هل "الخلطة السرية" التي نجحت في عمليات المحاكاة ثنائية الأبعاد (الأسطح المسطحة) تعمل أيضاً في عمليات المحاكاة ثلاثية الأبعاد (الفضاء الحجمي الحقيقي)؟ يضع المؤلف، محمد أكبر خان، هذا الأمر قيد الاختبار باستخدام أربعة سيناريوهات ثلاثية الأبعاد مختلفة: كرة تنزلق ببساطة عبر الغرفة، وكرة تدور في مكانها، وكرة بها فتحة (مثل شكل "باك مان")، وكرة يتم تمديدها لتصبح ورقة رقيقة ثم تعود لشكلها الأصلي.

تكشف الدراسة أن "الخلطة السرية" ليست وصفة واحدة تصلح للجميع. في الواقع، يعتمد الإعداد المثالي لـ "معلم السلاسة" تماماً على مقدار سحق أو تمدد البقعة. فعندما تنزلق الكرة أو تدور دون تغيير شكلها، يحتاج المعلم إلى أن يكون صارماً للغاية (إعداد محدد قدره $10^{-1}$). ولكن عندما يتم تمديد الكرة لتصبح ورقة رقيقة، يحتاج المعلم إلى أن يكون صامتاً تماماً تقريباً (إعداد قدره $10^{-5}$)، لأن إجبار الخريطة على البقاء سلسة في هذه الحالة يؤدي إلى إجبار الكمبيوتر على الكذب بشأن الشكل. يوضح البحث أنه إذا حاولت نسخ وإلصاق الإعدادات من تجربة ثنائية الأبعاد إلى تجربة ثلاثية الأبعاد دون التحقق، فقد تخطئ؛ فأحياناً تنجح، وأحياناً أخرى يكون الخطأ أسوأ بثلاث مرات.

علاً من ذلك، يسلط البحث الضوء على خطر خفي في التجارب الحاسوبية: العشوائية. إذا قمت بتشغيل المحاكاة مرة واحدة فقط، فقد يحالفك الحظ أو يصيبك سوء الحظ. ومن خلال تشغيل نفس الاختبار 18 مرة ببذور عشوائية مختلفة، اكتشف المؤلف أنه بدون إعداد "السلاسة" الصحيح، ستتأرجح النتائج بشكل عشوائي من تشغيل إلى آخر. الإعداد الصحيح لا يجعل الإجابة أكثر دقة فحسب، بل يجعلها "قابلة للتكرار"، مما يضمن أنه إذا أجريت التجربة مرة أخرى، فستحصل على نفس النتيجة.

أخيراً، يقارن البحث بين هؤلاء المساعدين من الشبكات العصبية وبين "محلل حاسوبي كلاسيكي" خبير جداً (مخطط WENO من الرتبة العالية). والنتائج صريحة: لا يزال المحلل الكلاسيكي هو البطل، حيث يتفوق على الشبكة العصبية بفارق كبير (يصل إلى 100 ضعف في الدقة) في التدفقات البسيطة والسلسة. ومع ذلك، كلما أصبحت الأشكال أصعب وأكثر التواءً، تقل هذه الفجوة. الشبكة العصبية ليست الأسرع أو الأكثر دقة للمهام البسيطة بعد، لكنها تقدم قدرات خارقة فريدة: فهي لا تحتاج إلى شبكة (grid) لتقف عليها، وتعمل بشكل مستمر في الزمن، ولا تحتاج إلى إعادة تعليمها في كل مرة يتغير فيها الشكل. ويخلص البحث إلى أنه بينما لم نتمكن من حل مشكلة استبدال الطرق الكلاسيكية، فقد تعلمنا بالضبط كيفية ضبط هذه الشبكات العصبية حتى لا تفشل، وأثبتنا أنه لا يمكنك افتراض أن خدعة ثنائية الأبعاد ستعمل في الأبعاد الثلاثية دون اختبارها أولاً.