Computing high-order mixed derivatives in physics-informed neural networks using multi-index Bell polynomials
تقدم هذه الورقة طريقة فعالة حاسبياً ومستقرة ذاكرياً لحساب المشتقات المختلطة من الرتب العليا في الشبكات العصبية المستندة إلى الفيزياء، وذلك عبر استخدام كثيرات حدود بيل متعددة المؤشرات لتنظيم صيغة فآ دي برونو متعددة المتغيرات، مما يتجنب فشل الذاكرة في التفاضل التلقائي المتداخل القياسي مع الحفاظ على الدقة حتى حد خطأ التقريب.
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 عالم الفيزياء الحديثة، غالبًا ما يواجه العلماء لغزًا صعبًا: كيف يمكن التنبؤ بسلوك الأنظمة المعقدة مثل تدفق المياه، أو المجالات الكهربائية، أو موجات الصدمة عندما تكون القواعد الرياضية التي تحكمها معقدة للغاية. لعقود من الزمن، لجأ الباحثون إلى الذكاء الاصطناعي للمساعدة في حل هذه الألغاز. نوع محدد من التعلم الآلي، يُعرف باسم الشبكة العصبية المستندة إلى الفيزياء، يعمل كمتدرب رقمي؛ حيث يتم تدريبه ليس فقط على البيانات، بل على القوانين الأساسية للفيزياء نفسها. تتعلم الشبكة تخمين الحل لمشكلة ما من خلال التحقق من مدى استيفاء تخمينها للمعادلات الكامنة. ومع ذلك، غالبًا ما تتضمن هذه المعادلات معدلات تغير يصعب حسابها للغاية، خاصة عندما تتضمن متغيرات متعددة تتغير في وقت واحد، مثل الزمان والمكان ثلاثي الأبعاد في آن واحد. ولتدريب الشبكة بفعالية، يجب على الكمبيوتر حساب معدلات التغيير المعقدة هذه، المعروفة باسم المشتقات، بدقة متناهية.
لقد كان التحدي يكمما في أن حساب معدلات التغيير عالية الرتبة هذه باستخدام الطرق الحاسوبية القياسية يشبه محاولة تسلق جبل يستمر في الارتفاع كلما صعدت للأعلى. فكلما زاد تعقيد المعادلة، امتلأت ذاكرة الكمبيوتر، وأصبحت الحسابات بطيئة جدًا لدرجة أنها تصبح مستحيلة التنفيذ عمليًا. هذا الاختناق حدّ من القدرة على استخدام الذكاء الاصطناعي لحل أصعب المشكلات الفيزيائية، لا سيما تلك المتعلقة بالموجات التي تتشتت أو تنتشر بمرور الوقت. تعالج دراسة جديدة أجراها فوميهيرو إيموتو هذا القصور بشكل مباشر؛ حيث طور الباحث طريقة رياضية جديدة تسمح لأجهزة الكمبيوتر بحساب معدلات التغيير المعقدة ومتعددة المتغيرات بكفاءة، دون نفاذ الذاكرة أو الغرق في حسابات غير ضرورية.
يكمن جوهر هذا النهج الجديد في كيفية تنظيم الكمبيوتر لعمله. فبدلاً من مطالبة الكمبيوتر بتفاضل نفس الدالة مرارًا وتكرارًا — وهي عملية تخلق شبكة ضخمة ومتشابكة من الحسابات — يستخدم الأسلوب الجديد نظامًا منظمًا مسبقًا. تخيل مكتبة حيث تم فهرسة كل توليفة ممكنة من الكتب بالفعل وهي جاهزة للسحب من الرف، بدلاً من الاضطرار إلى كتابة فهرس جديد في كل مرة يطلب فيها قارئ كتابًا. استخدم الباحث أداة رياضية محددة، تتضمن هياكل تُسمى "متعددات حدود بيل" (Bell polynomials)، لإنشاء خريطة ثابتة لجميع الحسابات اللازمة. تُبنى هذه الخريطة مرة واحدة ثم تُستخدم مجددًا في كل خطوة من خطوات عملية التعلم. ومن خلال القيام بذلك، يحسب الكمبيوتر فقط قطع المعلومات المحددة المطلوبة للمشكلة المطروحة، متجاهلاً ما عداها. تتيح هذه الاستراتيجية للنظام التعامل مع معادلات تتضمن مشتقات تصل إلى الرتبة السابعة، وهو مستوى من التعقيد يتسبب في فشل الطرق القياسية.
نتائج هذا العمل دقيقة وعملية في آن واحد. اختبر الباحث الطريقة على مجموعة متنوعة من السيناريوهات الفيزيائية الصعبة، بما في ذلك حركة الأمواج في الماء وتدفق السوائل المشحونة كهربائيًا. وفي اختبار محدد يتضمن معادلة موجية معقدة في أربعة أبعاد، أنتجت الطريقة الجديدة حلاً بنسبة خطأ نسبي قدرها 0.0006 فقط، وهو مستوى من الدقة يؤكد أن الطريقة تعمل كما هو مخطط لها. والأهم من ذلك، أثبتت الطة متانتها حيث فشلت الطرق الأخرى؛ فعندما حاولت البرامج الحاسوبية القياسية حل نفس المشكلات عالية الرتبة، غالبًا ما نفدت ذاكرتها وانهارت. أما النهج الجديد، الذي يعمل على نواة معالج واحدة، فقد نجح في حساب مئات المشتقات المختلطة دون أي فشل في الذاكرة. كما تعامل مع أنظمة تتضمن مجالات متعددة متفاعلة، مثل الرقص المعقد بين سرعة السائل والضغط والشحنة الكهربائية، وهي أمور شائعة في الهندسة الواقعية ولكنها صعبة المحاكاة بشكل معروف.
بعيدًا عن السرعة والاستقرار، كشفت الدراسة أيضًا عن شيء مفاجئ حول الأدوات المستخدمة لبناء هذه الشبكات. يعتمد "عقل" الشبكة العصبية على دالة رياضية تسمى "دالة التنشيط"، والتي تساعد الشبكة على تعلم الأنماط. لفترة طويلة، كان استخدام دالة "الظل الزائدي" (hyperbolic tangent) هو الخيار القياسي. ومع ذلك، عندما اختبر الباحث الطريقة الجديدة عالية الرتبة مقابل دوال تنشيط مختلفة، وجد أن الخيار القياسي ليس دائمًا هو الأفضل. ففي الاختبارات التي تضمنت أعلى مستويات التعقيد، تفوقت الدوال القائمة على "دوال بسل" (Bessel functions)، والتي تُستخدم غالبًا لوصف أنماط الموجات في الطبيعة، على الخيار القياسي. سمحت هذه الدوال البديلة للشبكة بتعلم الحل بدقة أكبر، مما يشير إلى أن أفضل أداة للمهمة تعتمد بشكل كبير على المتطلبات الرياضية المحددة للمشكلة.
كما سلطت الدراسة الضوء على درس حاسم لأي شخص يستخدم هذه الأدوات القوية: الخطأ الصغير في الحساب لا يعني دائمًا خطأً صغيرًا في الإجابة النهائية. ففي اختبار يتعلق بتدفق السوائل، نجح الكمبيوتر في تقليل الخطأ في المعادلات الفيزيائية بهامش كبير، مما جعل الرياضيات تبدو مثالية. ومع ذلك، كانت النتيجة الفعلية التي أنتجها خاطئة تمامًا. حدث هذا لأن الكمبيوتر وجد طريقة لاستيفاء الرياضيات دون استيفاء الواقع الفيزيائي، وهو فخ لا يمكن تجنبه إلا من خلال التحقق من الحل مقابل الحدود أو البيانات المعروفة. يعمل هذا الاكتشاف كتذكير بأن أكثر الحيل الرياضية تقدمًا تتطلب تحققًا دقيقًا. توفر الطريقة الجديدة وسيلة موثوقة لحساب المشتقات اللازمة، لكنها لا تغني عن الحاجة إلى الإشراف البشري والفحوصات المستقلة لضمان أن النتائج منطقية من الناحية الفيزيائية.
في النهاية، يزيل هذا العمل حاجزًا كبيرًا أمام استخدام الذكاء الاصطناعي في أكثر المشكلات إلحاحًا في الفيزياء. فمن خلال تنظيم حساب المشتقات المعقدة بطريقة دقيقة وفعالة من حيث استهلاك الذاة، فتح الباحث الباب لمحاكاة الظواهر التي كانت بعيدة المنال سابقًا. إن هذه الطريقة ليست عصا سحرية تحل كل شيء فورًا، ولكنها محرك قوي جديد يسمح للعلماء بقيادة عمليات المحاكاة الخاصة بهم إلى مسافات أبعد من ذي قبل. وسواء كان الأمر يتعلق بنمذجة تدفق البلازما في مفاعل اندماجي أو التنبؤ بسلوك أمواج المحيط، فإن القدرة على حساب معدلات التغيير عالية الرتبة بدقة وسرعة هي خطوة حاسمة نحو الأمام. تؤكد الدراسة أنه مع التنظيم الرياضي الصحيح، يمكن للذكاء الاصطناعي مواجهة أكثر المعادلات استعصاءً في الفيزياء، بشرط أن تُوجه الحسابات بالأدوات الصحيحة وتُتحقق بعناية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.