Full-Field State Estimation from Sparse Point Sensors via Adaptive  Data-Driven Modeling and Sequential Data Assimilation for Nonlinear Dynamical Systems

تخيل أنك تحاول تخمين حالة الطقس عبر قارة بأكملة، لكن ليس لديك سوى حفنة من موازين الحرارة الموزعة عشوائياً في بلدات متفرقة. هذا هو الصراع اليومي للعلماء والمهندسين الذين يراقبون الأنظمة المعقدة مثل التيارات المحيطية، أو تدفق الدم في عروقنا، أو انتشار الحرارة عبر محرك نفاث. هم يعلمون فيزياء كيفية عمل هذه الأنظمة، لكن القياسات في العالم الحقيقي غالباً ما تكون متفرقة، مشوبة بالضجيج، وغير مكتملة. الأمر يشبه محاولة إكمال صورة لغز (jigsaw puzzle) ضخم بينما لا تملك سوى قطع قليلة، وبعض تلك القطع ملطخة.

لحل هذه المعضلة، يعتمد العلماء عادةً على أداتين رئيسيتين. أولاً، يستخدمون "النماذج"، وهي تشبه الوصفات الرياضية التي تتنبأ بكيفية تطور النظام بمرور الوقت. ثانياً، يستخدمون "استيعاب البيانات" (data assimilation)، وهو مصطلح منمق يعني أنهم يقومون باستمرار بتعديل توقعاتهم بناءً على قياسات جديدة من مستشعراتهم القليلة. ومع ذلك، فإن هذه الوصفات التقليدية غالباً ما تفشل عندما يكون النظام فوضوياً للغاية أو غير خطي (بمعنى أن التغييرات الصغيرة يمكن أن تؤدي إلى آثار ضخمة وغير متوقعة) أو عندما تكون الوصفة نفسها مبنية على افتراضات تبين خطؤها. كان السؤال الكبير هو: هل يمكننا تعلم "الوصفة" مباشرة من البيانات المتفرقة والمشوشة التي نمتلكها فعلياً، دون الحاجة لمعرفة الفيزياء المثالية مسبقاً؟

تقول هذه الورقة البحثية: نعم، وهي تفعل ذلك من خلال بناء مسار ذكي ذاتي التصحيح يعمل كالمحقق الذي لا يتوقف عن التعلم. فقد طور الباحثون، بقيادة سوفيك روي وزملاؤه في جامعة ويسكونسن–ميلووكي، إطار عمل يعتمد كلياً على البيانات لاستعادة الحالة الكاملة وعالية الدقة لنظام ما باستخدام جزء ضئيل جداً من المستشعرات. اختبروا منهجيتهم في ثلاثة سيناريوهات مختلفة: معادلة حرارية محاكية، وتدفق سوائل محاكى (معادلة بورجرز)، وبيانات درجات حرارة المحيط الحقيقية من الإدارة الوطنية للمحيطات والغلاف الجوي (NOAA). يجمع أسلوبهم بين ثلاث حيل: يستخدمون "الاستشعار المضغوط" (compressed sensing) لتخمين القطع المفقودة من اللغز، و"تحليل التفكيك الديناميكي للأنماط مع التحكم" (DMDc) لتعلم كيفية حركة النظام، و"مرشح كالمان" (Kalman filter) للتصحيح المستمر لتخميناتهم مع وصول بيانات جديدة.

أما "الخلطة السرية"، فهي أن النظام لا يتعلم مرة واحدة ثم يتوقف. فقد وجد المؤلفون أنه إذا تركت النموذج يعمل لفترة طويلة دون تحديث، فإنه يبدأ في الانحراف والوصول إلى إجابات خاطئة. ولحل هذه المشكلة، أضافوا ميزتين تكيفيتين. أولاً، يقوم النموذج بـ "إعادة معايرة" نفسه دورياً باستخدام أحدث بيانات رصدها، مما يضمن بقاءه متناغماً مع السلوك الحالي للنظام. ثياً، يستخدم أداة إحصائية تسمى DCC-GARCH لتحديث "مستوى ثقته" باستمرار فيما يتعلق بمدى ثقته في توقعاته مقابل بيانات المستشعرات المشوبة بالضجيج. في عمليات المحاكاة الخاصة بهم، سمح هذا النهج بإعادة بناء حالات كاملة بدقة عالية حتى باستخدام 0.5% فقط من المستشعرات المتاحة ومع التعامل مع قياسات مشوبة بضجيج عالٍ (بقدر 5 ديسيبل من نسبة الإشارة إلى الضجيج). وأظهرت النتائج أنه بينما سيفشل النموذج الثابت في النهاية، فإن هذا النظام التكيفي ذاتي التصحيح حافظ على انخفاض نسبة الخطأ، مما يثبت أنه يمكنك بالفعل تتبع الديناميكيات غير الخطية المعقدة باستخدام عدد قليل جداً من المستشعرات إذا سمحت للنموذج بالتعلم والتكيف أثناء العمل.

حقيبة أدوات المحقق: كيف يعمل الأمر

لفهم كيفية عمل هذا، دعنا نتخيل أن النظام الذي نحاول مراقبته هو محيط ضخم غير مرئي من الحرارة أو السوائل. لا يمكننا رؤية المحيط بأكمله، ولكن لدينا بعض العوامات الطافية (المستشعرات) التي تبلغ عن درجة الحرارة أو السرعة في موقعها المحدد.

الخطوة 1: ملء الفراغات (الاستشعار المضغوط)
التحدي الأول هو أننا نملك بيانات من أماكن قليلة فقط. إذا نظرنا إلى تلك الأماكن فحسب، فسنحصل على صورة ضبابية جداً. يستخدم المؤلفون تقنية تسمى الاستشور المضيغوط (Compressed Sensing). فكر في هذا كخدعة سحرية حيث يمكنك إعادة بناء صورة كاملة من مجرد بكسلات متفرقة، بشرط أن تمتلك الصورة نمطاً كاملاً ما. في هذه الحالة، "النمط" هو أن البيانات يمكن تمثيلها بكفاءة باستخدام لغة رياضية محددة (في هذه الورقة، استخدموا تحويل جيب التمام المتقطع، وهو ممتاز للحقول الملساء مثل الحرارة أو درجة الحرارة). تأخذ الخوارزمية قراءات المستشعرات المتفرقة والمشوبة بالضجيج وتحل لغزاً لتخمين كيف يبدو الحقل الكامل في تلك اللحظة. الأمر يشبه النظر إلى بعض النقاط على صفحة ورسم بقية الصورة لأنك تعلم أن هذه النقاط تنتمي لشكل محدد.

الخطوة 2: تعلم الرقصة (DMDc)
بمجرد أن تمتلك الخوارزمية صورة "كاملة" للنظام لفترة تدريبية، فإنها تحتاج لتعلم كيفية حركة هذا النظام. هنا يأتي دور تحليل التفكيك الديناميكي للأنماط مع التحكم (DMDc). تخيل أنك تراقب راقصاً؛ لست بحاجة لمعرفة فيزياء العضلات والجاذبية لتوقع حركته التالية، بل تحتاج فقط لمراقبته وهو يرقص لفترة وتعلم النمط. يقوم DMDc بهذا بالضبط؛ فهو ينظر إلى تسلسل "الصور الكاملة" (اللقطات) ويتعلم قاعدة خطية بسيطة تصف كيفية تطور النظام من لحظة إلى أخرى. جزء "التحكم" يعني أنه يتعلم أيضاً كيف تغير القوى الخارجية (مثل تشغيل سخان أو هبوب رياح) هذه الرقصة. والأهم من ذلك، يتم ذلك بالكامل من البيانات؛ فالكمبيوتر لا يحتاج لأن تُملى عليه المعادلات الحاكمة للفيزياء.

الخطوة 3: التصحيح المستمر (مرشح كالمان)
الآن يمكن للنموذج التنبؤ بالمستقبل. لكن هنا تكمن المشكلة: النموذج هو مجرد تقريب، والمستشعرات مشوبة بالضجيج. إذا توقع النموذج أن درجة الحرارة ستكون 20 درجة مئوية، بينما يقول المستشعر إنها 22 درجة، فمن تصدق؟ هنا يأتي دور مرشح كالمان (Kalman Filter)، الذي يعمل كحكم حكيم. فهو يزن توقع النموذج مقابل قراءة المستشعر الجديدة. إذا كان المستشعر مشوباً بضجيج كبير، فإنه يثق في النموذج أكثر. وإذا كان المستشعر واضحاً، فإنه يثق في المستشعر أكثر. بعد ذلك، يقوم بتحديث تقديره للحالة الراهنة. يحدث هذا في حلقة: توقع، قياس، تصحيح، ثم تكرار.

التحول المفاجئ: لماذا يفشل مبدأ "الضبط والنسيان"

تشير الورقة البحثية إلى نقطة حاسمة تميز هذا العمل عن المحاولات الأبسط: النموذج الذي يتم تعلمه مرة واحدة لا يكفي لفترة طويلة.

إذا قمت بتدريب نموذج على بيانات أول 100 ثانية ثم تركته يعمل لمدة 1000 ثانية دون لمسه، فسوف ينمو الخطأ. قد يتغير سلوك النظام، أو قد تتطور "الرقصة" بطرق لم يستوعبها التدريب الأولي. وجد المؤلفون أن النموذج الثابت (الذي لا يتغير أبداً) سيعاني من الانحراف بعيداً عن الواقع في نهاية المطاف، خاصة في الأنظمة غير الخطية حيث تصبح الأمور فوضوية.

ولحل ذلك، قدموا آليتين للتكيف:

1. إعادة المعايرة التكيفية مع الزمن: بدلاً من استخدام نفس "خطوات الرقص" للأبد، يتوقف النظام دورياً، وينظر إلى أحدث البيانات التي جمعها (بما في ذلك التصحيحات التي أجراها مرشح كالمان)، ويعيد تعلم القواعد. الأمر يشبه الموسيقي الذي يتدرب على أغنية، ثم يعزفها لفترة، فيدرك أن الإيقاع قد تغير، ثم يعيد تعلم النوتة الموسيقية بناءً على الإيقاع الجديد قبل المتابعة. هذا يمنع النموذج من الوقوع في فخ نسخة قديمة من الواقع.

2. عدم اليقين التكيفي (DCC-GARCH): هذا هو الجزء الأكثر تطوراً. في مرشح كالمان القياسي، عليك تخمين مقدار "الضجيج" أو عدم اليقين الموجود في توقعات النموذج. عادةً، يختار المهندسون رقماً ثابتاً ويأملون في الأفضل. لكن في الأنظمة المعقدة والمتغيرة، لا يكون عدم اليقين ثابتاً؛ بل يتذبذب. استخدم المؤلفون أداة إحصائية تسمى DCC-GARCH للسماوة للمرشح بتعلم مدى عدم اليقين الذي يجب أن يشعر به في الوقت الفعلي. ينظر المرشح إلى "الأخطاء" الأخيرة (البواقي) التي ارتكبها النموذج ويعدل مستوى ثقته بناءً على ذلك. إذا بدأ النموذج في ارتكاب أخطاء أكبر، يصبح المرشح أكثر تشككاً في النموذج ويثق في المستشعرات أكثر. وإذا كان أداء النموذج ممتازاً، فإنه يثق في النموذج أكثر.

النتائج: ماذا وجدوا؟

اختبر المؤلفون هذا "المحقق التكيفي" في ثلاثة تحديات مختلفة تماماً:

• معادلة حرارية غير خطية: محاكاة انتشار الحرارة عبر مادة حيث تتغير القدرة على توصيل الحرارة بناءً على تدرج درجة الحرارة.
• معادلة بورجرز القسرية: محاكاة تدفق سوائل مع موجات صدمة واضطراب، مدفوعة بقوة خارجية.
• درجة حرارة سطح البحر من NOAA: بيانات حقيقية لدرجات حرارة المحيط، وهي بيانات مشوشة، مليئة بالضجيج، ولا تملك "مدخل تحكم" بسيطاً (فهي تتطور بشكل طبيعي).

النتائج:

• الندرة تكفي: حتى مع تغطية 0.5% فقط من النطاق المكاني بواسطة المستشعرات (بمعنى أن 99.5% من المساحة لم تكن مرصودة)، استطاع النظام إعادة بناء الحقل الكامل بدقة عالية.
• مقاومة الضجيج: ظل النظام مستقراً حتى عندما كانت بيانات المستشعرات مشوبة بضجيج عالٍ (عند 5 ديسيبل من نسبة الإشارة إلى الضجيج). بالنسبة للمعادلة الحرارية، كان الخطأ (RMSE) هو 3.08 عند 5 ديسيبل، وانخفض إلى 1.48 عندما كانت البيانات أنقى (20 ديسيبل). وبالنسبة لمعادلة بورجرز، كان الخطأ 0.058 عند 5 ديسيبل و0.032 عند 20 ديسيبل.
• قوة التكيف: أهم نتيجة هي المقارنة بين النموذج الثابت والنموذج التكيفي.
  • النموذج الذي لم يعيد المعايرة أبداً (DMDc فقط) شهد نمواً سريعاً في الخطأ بمرور الوقت.
  • النموذج الذي استخدم مرشح كالمان ولكن لم يحدّث قواعده (DMDc-KF) كان أفضل ولكنه ظل ينحرف.
  • النموذج التكيفي بالكامل (مع إعادة المعايرة وDCC-GARCH) حافظ على انخفاض واستقرار الخطأ. بالنسبة للمعادلة الحرارية، ظل إجمالي الخطأ النسبي أقل من 5% طوال فترة التقدير غير المرصودة، بينما فشلت النسخ غير التكيفية في الحفاظ على هذه الدقة.
• كثافة المستشعرات: بينما كان النظام يعمل بشكل أفضل مع عدد أكبر من المستشعرات، إلا أن النقطة الجوهرية هي أن الطبيعة التكيفية للنموذج سمحت له بالعمل بشكل جيد حتى مع أكثر التكوينات ندرة.

ماذا يعني هذا (وماذا لا يعني)

توضح هذه الورقة أننا لسنا بحاجة بالضرورة لمعرفة معادلات الفيزياء المثالية لمراقبة الأنظمة المعقدة. فمن خلال ترك الكمبيوتر يتعلم الديناميكيات مباشرة من البيانات المتفرقة، ومن ثم تحديث قواعده ومستويات ثقته باستمرار، يمكننا الحصول على صورة كاملة وواضحة لما يحدث.

ومع ذلك، يشير المؤلفون بحذر إلى الحدود. هذه دراسة محاكاة قائمة على البيانات، وليست تجربة فيزيائية في محرك نفاث حقيقي أو محيط.

• متطلبات التدريب: لا يزال النظام يحتاج إلى كمية جيدة من البيانات (حوالي 10% إلى 30% من النطاق) خلال مرحلة التدريب الأولية لتعلم التمثيل "المضغوط". لا يمكنه البدء من الصفر بدون مستشعرات.
• المستشعرات الثابتة: تفترض الطريقة الحالية أن المستشعرات في مواقع ثابتة، وهي لا تتعامل بعد مع المستشعرات المتحركة (مثل طائرة بدون طيار تحلق في المكان).
• الخطوات الزمنية: يتنبأ النموذج في فترات زمنية مماثلة لبيانات التدريب. لا يمكنه التنبؤ بما يحدث بين الخطوات الزمنية (على سبيل المثال، التنبؤ بحالة كل 12 ساعة من بيانات يومية).

باختสร، تشير الورقة إلى أنه بالنسبة للأنظمة غير الخطية والديناميكية، فإن نموذج "الضبط والنسيان" هو وصفة للفشل. إن مستقبل تقدير الحالة يكمن في الأنظمة التي تمتلك التواضع للاعتراف باحتمالية خطئها، والذكاء للتعلم من أخطائها، والمرونة لتحديث قواعدها مع تغير العالم. لقد بنى المؤلفون نموذجاً أولياً لمثل هذا النظام، وفي محاكاتهم، يعمل بشكل جيد للغاية.