← أحدث الأبحاث
🤖 machine learning

Learning piecewise-smooth dynamical systems

تقدم هذه الورقة إطار عمل معياري لاكتشاف الأنظمة الديناميكية ذات السلاسة الجزئية من بيانات المسارات، وذلك عبر الجمع بين التحليل الإحصائي لإمكانية تحديد المستويات الفائقة للتبديل وبين الشبكات العصبية المقيدة هندسياً لتعلم المعادلات الحاكمة وتوصيف السلوكيات غير المتصلة مثل الحركة الانزلاقية.

المؤلفون الأصليون: Davide Murari, Erik Jansson, Chris Budd OBE, Carola-Bibiane Schönlieb

نُشر 2026-08-21
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Davide Murari, Erik Jansson, Chris Budd OBE, Carola-Bibiane Schönlieb

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

في العالم المادي، لا تغير العديد من الأنظمة سلوكها بشكل تدريجي. فالصندوق الثقيل الذي يُدفع عبر الأرض لا ينزلق بسلاسة منذ البداية؛ بل يظل ساكنًا، يقاوم كل دفعة، حتى تصبح القوة كافية لكسر القبضة الساكنة، وعندها يتحرك فجأة. ومفصل الباب المتصلب لا يدور بحركة انسيابية، بل يتعثر ويتحرر في خطوات صغيرة متقطعة. هذه أمثلة على أنظمة تنتقل بين أنماط متميزة من السلوك. وفي الرياضيات، توصف هذه الأنظمة بقواعد تكون سلسة ومتوقعة داخل كل نمط، لكنها تقفز فجأة عندما يتخطى النظام حدًا معينًا. وهذه الحدود ليست مجرد خطوط على رسم بياني؛ بل هي العتبات الفيزيائية حيث يتخلى الاحتكاك عن مكانه لصالح الحركة، أو حيث ينتقل نظام مناخي من حالة مستقرة إلى أخرى. إن فهم هذه الأنظمة أمر بالغ الأهمية للمهندسين الذين يصممون الروبوتات، ولعلماء المناخ الذين ينمذجون العصور الجليدية، ولأي شخص يحاول التنبؤ بكيفية تصرف آلة معقدة عندما تصل إلى حد معين. ومع ذلك، عندما يحاول العلماء تعلم قواعد هذه الأنظمة من البيانات المرصودة، فإنهم يواجهون تحديًا فريدًا: إذا أخطأوا في تحديد موقع الحد، فسيفشل التنبؤ بأكمله، بغض النظر عن مدى فهمهم للحركة على كلا الجانبين.

لقد طور فريق من الباحثين في جامعة كامبريدج وجامعة باث طريقة جديدة لحل هذه المشكلة. يركز عملهم على اكتشاف القواعد الخفية لهذه الأنظمة "المنتظمة جزئيًا" (piecewise-smooth) مباشرة من بيانات المسار، وهي ببساطة سجلات لكيفية تحرك النظام بمرور الوقت. وبدلاً من محاولة تخمين النظام بأكمله دفعة واحدة، قام الباحثون بتقسيم المهمة إلى مرحلتين متميزتين. أولاً، يبحثون عن الحدود نفسها. يقومون بتحليل المسارات المسجلة للعثور على قفزات مفاجئة في السرعة أو الاتجاه، والتي تعمل كإشارات تشير إلى أن النظام قد تجاوز عتبة ما. وباستخدام تقنية إحصائية قوية، يقومون بتصفية الضوضاء والإنذارات الكاذبة الناتجة عن البيانات الخشنة لتحديد الموقع الدقيق وزاوية هذه الخطوط الفاصلة غير المرئية. وبمجرد تحديد هندسة الحدود، تبدأ المرحلة الثانية؛ حيث يقوم الباحثون بعد ذلك بتعليم نموذج حاسوبي تعلم قواعد الحركة المحددة لكل منطقة تفصلها تلك الحدود. ومن الأهمية بمكان أنهم صمموا النموذج الحاسوبي بحيث يكون من المستحيل فيزيائيًا أن يبتكر حدودًا جديدة أو وهمية، فهو مجبر على احترام الخريطة التي تم إنشاؤها في المرحلة الأولى، ويتعلم فقط كيفية تحرك النظام ضمن المناطق المسموح بها.

اختبر الباحثون هذا النهج المكون من مرحلتين على عدة سيناريوهات من العالم الحقيقي، بما في ذلك مذبذب ميكانيكي يحاكي حركة الانزلاق والالتصاق لكتلة تنزلق على سطح خشن، ونموذج مناخي معقد يصف دورة العصور الجليدية على مدى آلاف السنين. في النموذج المناخي، ينتقل النظام بين فترات امتصاص بطيء لثاني أكسيد الكربون وإطلاق مفاجئ، وهي عملية تقود نمو وتراجع الصفائح الجليدية. وفي كل اختبار، أثبتت الطريقة فعاليتها العالية. فعندما عرف الباحثون الحدود الحقيقية مسبقًا، تعلم النموذج الحركة بدقة متناهية، معيدًا إنتاج سلوك النظام بأخطاء أصغر بكثير من النماذج السلسة القياسية. والأكثر إثارة للإعجاب هو أنه عندما اضطروا لاكتشاف الحدود من الصفر باستخدام بيانات مشوشة، نجحت الطريقة؛ حيث حددت بدقة مواقع مستويات التبديل وتعلمت الديناميكيات بشكل جيد بما يكفي للتنبؤ بمسار النظام لمئات الخطوات الزمنية. وأظهرت النتائج أنه من خلال فصل مهمة إيجاد الخريطة عن مهمة تعلم الرحلة، استطاع الباحثون بناء نماذج ليست أكثر دقة فحسب، بل أيضًا أكثر كفاءة، باستخدام موارد حوسبة أقل بكثير من الطرق التقليدية.

كما كشفت الدراسة عن حدود ما يمكن تعلمه. فقد وجد الباحثون أن الطريقة تعمل بشكل أفضل عندما يعبر النظام الحدود بالفعل بقوة كافية لخلق إشارة واضحة. أما إذا كان النظام يلامس الحد فحسب أو يتحرك ببطء شديد عبره، فإن الإشارة تصبح ضعيفة جدًا بحيث يصعب تمييزها عن ضوضاء الخلفية، وتواجه الطريقة صعوبة في إيجاد الخط. ومع ذلك، عندما يكون العبور واضحًا، يكون النهج قويًا. وقد أثبت الفريق أن بنيتهم الجديدة يمكنها تقريب السلوك المعقد والمتغير لهذه الأنظمة بدقة تعسفية، بشرط أن تكون الحدود معروفة أو محددة بشكل صحيح. ويمثل هذا خطوة كبيرة للأمام في مجال التعلم الآلي العلمي، حيث الهدف هو بناء نماذج تحترم الهياكل الفيزيائية المعروفة للعالم بدلاً من مجرد حفظ الأنماط في البيانات. ومن خلال تعليم الكمبيوتر صراحةً البحث عن الأماكن التي تتغير فيها القواعد واحترامها، ابتكر الباحثون أداة يمكنها كشف المنطق الخفي للأنظمة التي تقفز، وتنزلق، وتتحول، مما يوفر نافذة أوضح على ميكانيكا كل شيء، من الاحتكاك الجاف إلى المناخ المتغير للأرض.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🤖 cs.LG →