💻 computer science

Neural operator discovery from heterogeneous trajectories

تقدم هذه الورقة "اكتشاف المؤثر العصبي" (Neural Operator Discovery - NOD)، وهو إطار عمل يتعلم مؤثرات الحل المشتركة والتباينات الخاصة بكل نظام مباشرة من مسارات غير متجانسة دون الحاجة إلى عوامل حاكمة مصنفة، مما يتيح تعميماً قابلاً للتفسير وصفرِيّاً (zero-shot) من خلال صياغة التكييف الكامن المُحلل إلى عوامل.

المؤلفون الأصليون: Sili Deng, Zituo Chen, Qiaofeng Li, Jiaxin Hu

نُشر 2026-07-30

📖 7 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Sili Deng, Zituo Chen, Qiaofeng Li, Jiaxin Hu

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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

تخيل أنك محقق يحاول حل لغز، لكن ليس لديك سوى آثار الأقدام المتروكة، وليس الأحذية التي صنعتها. في عالم الفيزياء والهندسة، يمتلك العلماء غالباً جبالاً من البيانات — لقطات لكيفية تحرك الأشياء، أو تدفقها، أو تغيرها بمرور الوقت، مثل الأثر الدوامي خلف قارب أو الطريقة التي تنتشر بها الحرارة عبر قضيب معدني. تُسمى هذه "المسارات" (trajectories). عادةً، للتنبؤ بما سيحدث لاحقاً، يحتاج العلماء إلى معرفة "قواعد اللعبة" الدقيقة لكل حالة محددة: مثل لزوجة السائل، أو شكل الجسم، أو درجة الحرارة. الأمر يشبه الحاجة لمعرفة الوزن الدقيق للحذاء لتوقع مدى عمق أثر القدم. لكن في العالم الحقيقي، غالباً لا نملك تلك الملصقات التعريفية. نحن نملك فقط آثار الأقدام الفوضوية. يتناول هذا البحث تحدي تعلم قواعد اللعبة وتفاصيل الحذاء المحددة، كل ذلك في آن واحد، بمجرد النظر إلى آثار الأقدام.

لقد طور المؤلفون، وهم فريق من معهد ماساتشوستس للتكنولوجيا وجامعة تشجيانغ، طريقة جديدة تسمى "اكتشاف العامل العصبي" (Neural Operator Discovery - NOD). فكر في الأمر كأنه محقق ذكاء اصطناعي فائق الذكاء لا يكتفي بحفظ آثار الأقدام فحسب، بل يتعلم فهم "أسلوب" السائر. لقد وجدوا أنه من خلال إجبار ذكائهم الاصطناعي على النظر إلى مشيتين مختلفتين لنفس الشخص (ولكن من نقطتين مختلفتين)، استطاع الجهاز تحديد "أسلوب" الشخص الفريد (القواعد الخفية) دون أن يُخبر أبداً من هو هذا الشخص. يتيح ذلك للذكاء الاصطناعي التنبؤ بالتحركات المستقبلية بدقة عالية، حتى للأشخاص الذين لم يرهم من قبل، وحتى في الظروف القاسية حيث تتغير القواعد بشكل جذري.

خدعة المحقق الجديدة

عادةً، عندما يحاول العلماء بناء نموذج حاسوبي للتنبؤ بكيفية سلوك نظام ما (مثل تدفق سائل أو تفاعل كيميائي)، فإنهم يصطدمون بحائط مسدود إذا لم يكن لديهم "كتيب التعليمات". إذا أرادوا التنبؤ بكيفية تدفق الماء حول أسطوانة، فهم بحاجة لمعرفة "سمك" الماء (اللزوجة). إذا لم يمتلكوا هذا الرقم، يصبح النموذج أعمى.

كانت المحاولات السابقة لإصلاح ذلك تشبه محاولة تخمين مقاس الحذاء من خلال النظر إلى أثر قدم واحد. حاولت بعض الطرق حفظ التاريخ الكامل للحركة (مثل النظر إلى آخر 10 خطوات لتخمين الخطوة التالية)، لكن هذا غالباً ما يؤدي إلى ارتباك النموذج ووقوعه في أخطاء فادحة بمرور الوقت. وحاولت طرق أخرى ضغط البيانات في "شفرة سرية" خفية، لكن تلك الشفرة كانت غالباً فوضوية ولا تخبرنا بأي شيء مفيد عن الفيزياء.

قرر الفريق الذي يقف وراء هذا البحث، بقيادة سيلي دينغ وزملائه، تجربة نهج مختلف. لقد عاملوا المشكلة كأنها لعبة "أوجد الفروق" بين نسختين من نفس القصة.

لعبة تدريب "القصتين"

إليك كيف تعمل طريقتهم، المسماة NODnet، باستخدام تشبيه بسيط:

تخيل أن لديك مكتبة تضم آلاف القصص المكتوبة بواسطة مؤلفين مختلفين. أنت لا تعرف من كتب أي قصة، وليس لديك أسماؤهم. هدفك هو بناء آلة يمكنها إنهاء أي قصة، بغض النظر عن كاتبها، وحتى كتابة قصص جديدة لمؤلفين لم تقابلهم من قبل.

خدعة المؤلفين كانت أخذ فصلين مختلفين من كتاب نفس المؤلف.

الفصل (أ): يُستخدم لمعرفة "صوت" المؤلف الفريد (أسلوبه، ومفرداته، ونبرته).
الفصل (ب): يُستخدم لاختبار ما إذا كانت الآلة قادرة على التنبؤ بما سيحدث لاحقاً، باستخدام ذلك "الصوت" كدليل.

الأمر الجوهري هو أن الآلة تُخبر: "هذان الفصلان لنفس المؤلف، ولكنهما يبدآن من نقاط مختلفة في الحبكة". هذا يجبر الآلة على تجاهل تفاصيل الحبكة المحددة (مثل "البطل كان في القلعة") والتركيز فقط على أسلوب المؤلف الفريد (العوامل الحاكمة).

في العالم الحقيقي، يعني هذا أن الذكاء الاصطناعي ينظر إلى دفعة قصيرة من بيانات تدفق السائل ("الصوت") ويستخدم ذلك للتنبؤ بمستقبل دفعة أخرى من البيانات لنفس إعداد السائل. ومن خلال القيام بذلك مراراً وتكراراً، يتعلم الذكاء الاصطناعي تجريد الضجيج الناتج عن ظروف البداية المحددة وعزل "القواعد" النقية التي تحكم النظام.

سحر "البعد الخفي"

أحد أكثر الأجزاء ذكاءً في هذا الاكتشاف هو كيف يعرف الذكاء الاصطناعي عدد القواعد الخفية التي يحتاج لتعلمها.

تخيل أنك تحاول وصف أسلوب مشي شخص ما. يمكنك استخدام ألف كلمة مختلفة، ولكن ربما تحتاج فقط إلى كلمتين: "طول الخطوة" و"السرعة". إذا استخدمت الكثير من الكلمات، فستبدأ في وصف لون جواربه (تفاصيل غير ذات صلة). وإذا استخدمت القليل جداً، فلن تتمكن من التمييز بين عداء وسائر بطيء.

بنى الباحثون نظاماً يختبر تلقائياً أعداداً مختلفة من "الكلمات الخفية" (تسمى الأبعاد الكامنة). ووجدوا أنه بالنسبة لمعادلة بورغرز (نموذج لتدفق السوائل)، استقر الذكاء الاصطناعي طبيعياً على بُعد خفي واحد (1). وبالنسبة لنظام فيز هو-ناغومو (نموذل لنبضات الأعصاب)، استقر على بُعدين (2). وهذا تطابق تماماً مع العدد الفعلي للمتغيرات الفيزيائية المتغيرة في تلك الأنظمة (اللزوجة في الحالة الأولى، ومعلمتان في الحالة الثانية).

يشير هذا إلى أن الذكاء الاصطناعي لا يخمن فحسب؛ بل يكتشف فعلياً العدد الأدنى الحقيقي من القواعد اللازمة لوصف العالم. إنه يشبه قول الذكاء الاصطعي: "لا أحتاج لمعرفة لون الجوارب، أحتاج فقط لمعرفة طول الخطوة".

ماذا وجدوا (وماذا لم يجدوا)

اختبر الفريق هذه الفكرة على ثلاثة أنظمة فيزيائية مختلفة تماماً:

معادلة بورغرز: نموذج لتدفق السوائل الذي يمكن أن يخلق صدمات حادة ومفاجئة (مثل الانفجار الصوتي). اختبروها مع لزوجات مختلفة، بما في ذلك حالة "اللزوجة الصفرية" حيث يكون السائل زلقاً تماماً.
أثر تدفق الأسطوانة: كيف يدور الهواء أو الماء خلف أسطوانة. كان هذا اختباراً صعباً لأن البيانات كانت "متفرقة" (16 مثالاً فقط) ولأن الشكل غير منتظم.
نظام فيز هو-ناغومو: نموذج لكيفية انتقال الإشارات الكهربائية في الأعصاب، والتي يمكن أن تسلك طرقاً معقدة ومتذبذبة.

في جميع الحالات الثلاث، تفوق نموذج NODnet على الطرق القديمة.

التنبؤ طويل الأمد: بينما كانت النماذج الأخرى تنحرف عن المسار بعد خطوات قليلة (مثل نظام GPS الذي يفقد الإشارة ببطء)، حافظ نموذج NODnet على دقة عالية لفترة أطول بكثير. على سبيل المثال، في اختبار بورغرز، سجلت النماذج "الذاتية التكرار" القديمة (التي تنظر فقط إلى الماضي) أخطاءً فادحة بعد 50 خطوة، بينما ظل NODnet متماسكاً.
سحر "الصفر المعرفي" (Zero-Shot): استطاع النموذج أيضاً التنبؤ بما سيحدث لنظام لم يره من قبل. في اختبار نبضات الأعصاب، قاموا بتدريب الذكاء الاصطناعي على مجموعة محددة من القواعد، ثم طلبوا منه التنبؤ بمجموعة قواعد جديدة تماماً لم يواجهها من قبل. لم يقم الذكاء الاصطناعي بالتخمين فحسب؛ بل استخدم "الأسلوب" الذي تعلمه للاستقراء بشكل صحيح.
حد "انعدام اللزوجة": في اختبار السوائل، طلبوا من الذكاء الاصطناعي التنبؤ بما يحدث عندما يكون للسائل لزوجة صفرية (حالة لم يتم تدريبه عليها صراحة). تغير "صوت" الذكاء الاصطناعي الداخلي بسلاسة واستمرارية للتعامل مع هذه الحالة القصوى، مما أظهر أنه يفهم الفيزياء حقاً، وليس مجرد الرياضيات.

حدود المحقق

يشير المؤلفون بحذر إلى أن هذا الاكتشاف قائم على المحاكاة. لم يختبروا هذا على بيانات مستشعرات حقيقية وفوضوية من مصنع أو نهر بعد. كما أشاروا إلى أن طريقتهم تعمل بشكل أفضل عندما تتغير "القواعد" بسلاسة. إذا قفز النظام فجأة من نوع سلوك إلى نوع آخر مختلف تماماً (مثل تحول الماء إلى جليد)، فقد تواجه الطريقة الحالية صعوبة.

علاً على ذلك، وجدوا أن الطريقة التي يتم بها "تعليم" الذكاء الاصطناعي مهمة جداً. إذا نظر الذكاء الاصطناعي إلى خطوة واحدة فقط في كل مرة (مثل إطار واحد من فيلم)، فإنه سيفشل في تعلم القواعد العميقة. يحتاج لرؤية الصورة الكاملة أو عدة خطوات للأمام ليفهم "صوت" النظام. وهذا يشير إلى أنه لاكتشاف قوانين الطبيعة من البيانات، نحتاج للنظر إلى الصورة الكبيرة، وليس فقط إلى الخطوة التالية المباشرة.

لماذا يهم هذا الأمر

يشير هذا البحث إلى طريقة جديدة للقيام بالعلم. بدلاً من الحاجة لبشر يضعون ملصقات تعريفية لكل تجربة بمعلماتها، قد نتمكن من ترك الذكاء الاصطناعي يغربل البيانات الفوضوية غير المصنفة ويجد القوانين الخفية لنا. إنها خطوة نحو الاكتشاف "ذاتي التوجيه"، حيث تتعلم الآلات قواعد الكون بمجرد مراقبته وهو يلعب.

على الرغم من أنها ليست عصا سحرية تحل كل مشاكل الفيزياء اليوم، إلا أنها تقدم مساراً واعداً للمستقبل. فهي تظهر أنه حتى بدون دليل إرشادي، إذا نظرنا إلى عدد كافٍ من "آثار الأقدام" المختلفة وقارناها بالطريقة الصحيحة، يمكننا تعلم التنبؤ بمستقبل الأنظمة المعقدة، من تدفق الدم في عروقنا إلى أنماط الطقس في غلافنا الجوي. الذكاء الاصطناعي لا يحفظ فحسب؛ بل يتعلم التفكير كعالم فيزياء.

ملخص تقني: اكتشاف المشغل العصبي من المسارات غير المتجانسة

صياغة المشكلة

في العديد من العلوم الفيزيائية، تُجمع بيانات المسارات من عائلات الأنظمة الديناميكية التي تشترك في قانون حاكم مشترك ولكنها تختلف في عوامل نظامية محددة غير مرصودة (مثل المعاملات الفيزيائية، أو الأشكال الهندسية، أو الشروط الحدية). تواجه مناهج النمذجة القائمة على البيانات الحالية قيوداً كبيرة في هذا السياق:

الانحدار الرمزي (Symbolic Regression): رغم قدرته على استعادة المعادلات دون تسميات توضيحية، إلا أنه مقيد بمكتبات بدائية ومكلف حاسوبياً بالنسبة للديناميكيات الزمكانية عالية الأبعاد.
المشغلات العصبية البارامترية (PNO): تتطلب إشرافاً صريحاً للعوامل الحاكمة كمدخلات، وهو أمر غير متاح في الحالة المستهدفة.
المشغلات العصبية ذاتية الانحدار (ANO): تُشترط تنبؤاتها على نوافذ من الحالات الماضية دون تمثيلات كامنة صريحة. ورغم أنها تتجنب الإشراف البارامتري، إلا أنها تراكم أخطاء التمرير (rollout errors) وتفشل في توفير تمثيل منخفض الأبعاد وقابل للتعريف لتباين النظام.
النماذج المشروطة بالكامن (Latent-Conditioned Models): غالباً ما تضحي هذه المناهج بالتعبيرية، أو القابلية للتوسع، أو القابلية للتفسير، أو تعتمد على إجراءات تعلم تلوّي (meta-learning) مكلفة.

التحدي المركزي الذي يعالجه هذا العمل هو اكتشاف المشغل العصبي (Neural Operator Discovery - NOD): تعلم مشغل حل مشترك وتباين نظامي محدد مباشرة من مسارات غير متجانسة دون الوصول إلى العوامل الحاكمة الموسومة.

المنهجية: NODnet

يقترح المؤلفون تحقيقاً مفككاً، يُسمى NODnet، يقوم بتفكيك المشكلة إلى مكونين:

مشفر المسار ( $f_\phi$ ): يربط نافذة الحالة الماضية "المشروطة" من مثيل للنظام إلى تمثيل كامن منخفض الأبعاد $c$ .
مشغل تطور الحالة ( $g_\theta$ ): مشغل عصبي مشروط يتنبأ بالحالات المستقبلية بناءً على حالة أولية والتمثيل الكامن $c$ .

لضمان أن التمثيل الكامن يلتقط فقط التباين الخاص بالنظام (العوامل الحاكمة) بدلاً من ميزات المسار العابرة، يستخدم الأسلوب ثلاثة قيود رئيسية:

1. التنبؤ المفكك (Factorized Prediction)

بدلاً من التنبؤ بالحالات المستقبلية مباشرة من نافذة تاريخية (كما في ANO)، يقوم النموذج بتفكيك العملية:
$c = f_\phi(x'_{0:s}), \quad \hat{x}_{t+1} = g_\theta(x_t; c)$
يستنتج المشفر $c$ من مسار شرطي $x'_{0:s}$ ، بينما يتنبأ فك التشفير بتطور مسار منفصل $x_{t:t+1}$ من نفس مثيل النظام.

2. أخذ العينات المفكك للمسار (Trajectory-Decoupled Sampling)

لمنع المشفر من ترميز المعلومات الخاصة بالشرط الأولي، يقرن التدريب بين المشفر وفك التشفير باستخدام مسارات ناتجة عن شروط أولية مختلفة لنفس مثيل النظام. هذا يجبر المشفر على الاحتفاظ فقط بالثوابت عبر المسارات (cross-trajectory invariants) وقمع الميزات الخاصة بالمسار.

3. اختيار الأبعاد (Dimension Selection)

لا يتم اختيار أبعاد الفضاء الكامن بشكل تعسفي، بل يتم اختيار أصغر قيمة كافية لالتقاط التباين عبر أمثلة النظام. ويتم ذلك عبر إجراء من مرحلتين:

المرحلة 1: تحديد الأبعاد المرشحة حيث لا يؤدي زيادة الأبعاد إلى تحسينات جوهرية في الخسارة تتجاوز تباين البذور العشوائية.
المرحلة 2: اختيار البعد النهائي $d^*$ كأصغر مرشح لا ينتج عنه نموذج $d+1$ هيكلاً إضافياً متوافقاً مع العوامل (يتم تقييمه عبر تحليل المكونات الرئيسية PCA).

المساهمات الرئيسية

صياغة NOD: تعريف مشكلة تعلم المشغلات المشتركة والتباينات النوعية للنظام دون إشراف بارامتري.
البنية المفككة: تقديم إطار عمل يتعلم بشكل مشترك مشغلاً عصبياً وتمثيلاً كامناً منخفض الأبعاد من خلال التنبؤ المفكك وأخذ العينات المفكك للمسار.
الاختيار التلقائي للأبعاد: إجراء قائم على البيانات لتحديد الأبعاد الجوهرية لتباين النظام، بما يطابق عدد العوامل الحاكمة المستقلة.
أنماط التعميم: يدعم الإطار نمطين للاستدلال:
- الاستدلال بضربة واحدة (One-shot Inference): استنتاج التمثيل الكامن من مسار ملاحظ واحد للتنبؤ بشروط أولية غير مرئية.
- الاستدلال بصفر خطوة (Zero-shot Inference): أخذ عينات مباشرة من الفضاء الكامن المتعلم لتوليد تنبؤات لأمثلة أنظمة كاملة لم تُشاهد من قبل (عوامل لم تظهر أثناء التدريب).

النتائج التجريبية

تم تقييم الطريقة على ثلاث عائلات من المعادلات التفاضلية الجزئية (PDEs):

1. معادلة بورغرز (Burgers' Equation) (تباين اللزوجة)

الإعداد: نظام أحادي البعد مع لزوجة حركية متغيرة $\nu$ ، بما في ذلك الحد غير اللزج ( $\nu=0$ ).
النتائج: حدد إجراء اختيار البعد بشكل صحيح أن $d^*=1$ . أظهر الفضاء الكامن المتعلم ارتباطاً سلسًا ورتيبًا مع اللزوجة، ممتداً باستمرار إلى النظام غير اللزج.
الأداء: تفوق النموذج المشروط بالكامن (NODnet) بشكل كبير على النماذج المرجعية ذاتية الانحدار (ANO) في عمليات التمرير طويلة الأمد (50 خطوة)، محافظاً على خطأ محدود حتى في النظام غير اللزج. فشلت النسخ ذاتية الانحدار في التمييز بين أنظمة اللزوجة، وانهارت إلى تمثيل كامن ثابت.

2. تدفق خلف الأسطوانة (Cylinder Flow Wake) (شبكة غير منتظمة، بيانات متفرقة)

الإعداد: تدفق نافيير-ستوكس غير قابل للانضغاط ثنائي الأبعاد مع لزوجة وسرعة مدخل متغيرة على شبكة غير منتظمة. كانت بيانات التدريب متفرقة (16 مساراً).
النتائج: حدد بشكل صحيح $d^*=1$ (اللزوجة). نجح النموذج في التعميم على سرعات المدخل واللزوجة غير المرئية خارج نطاق التدريب.
الاتساق الفيزيائي: استعاد النموذج معامل السحب الصحيح ( $C_D \approx 1.36$ ) ورقم ستروهال، بينما أظهر النموذج المرجعي ذاتي الانحدار انزياحاً في التردد وسلوك سحب غير فيزيائي.
المتانة: رغم الإشراف المتفرق، ظل النموذج مستقراً، مستخدماً أخذ العينات المفكك للمسار والتنظيم التبايني لتنظيم الفضاء الكامن.

3. تفاعل الانتشار-التفاعل في نموذج فيتز-هوغو-ناغومو (FitzHugh–Nagumo) (متعدد العوامل)

الإعداد: نظام ثنائي الأبعاد مع عاملين حاكمين مستقلين: معامل التحفيز $k$ ومعدل الاستعادة $\beta$ .
النتائج: حدد اختيار البعد أن $d^*=2$ . نظم الفضاء الكامن أمثلة النظام وفقاً لمعاملات $(k, \beta)$ مع وجود خريطة سلسة وتقريبية قابلة للعكس (مناسبة تربيعية $R^2=0.9937$ ).
التعميم: حقق النموذج تعميماً بصفر خطوة (Zero-shot) لمجموعات المعاملات خارج نطاق التدريب (OOD-Extra).
هندسة الإشراف: أدى فك التشفير الهرمي (الذي يشرف على آفاق زمنية متعددة) إلى تحسين دقة التنبؤ طويل الأمد بشكل كبير مقارنة بفك التشفير أحادي الخطوة، مما يبرز أهمية إشارات الإشراف الحساسة للعوامل الحاكمة عبر فترات زمنية ممتدة.

الأهمية والادعاءات

يزعم البحث تأسيس نموذج تفسيري لتعلم المشغل في غياب الإشراف الصريح على العوامل. تشمل الادعاءات الرئيسية ما يلي:

القابلية للتعريف (Identifiability): تتوافق الفضاءات الكامنة المتعلمة باستمرار مع العوامل الحاكمة الأساسية، وتنظم أمثلة النظام في بنية سلسة وقابلة للعكس تقريباً.
التنبؤ المتفوق طويل الأمد: يوفر التكييف الكامن مع أخذ العينات المفكك للمسار أداءً يتفوق على النماذج المرجعية ذاتية الانحدار والنماذج التي لا تستخدم التكييف في عمليات التمرير طويلة الأمد، مما يقلل من تراكم الخطأ.
الاستقراء بصفر خطوة (Zero-Shot Extrapolation): يتيح الأسلوب التعميم على أمثلة أنظمة لم تُشاهد سابقاً (عوامل) عن طريق أخذ عينات مباشرة من الفضاء الكامن المتعلم، حتى في الأنظمة مثل الحد غير اللزج أو تركيبات المعاملات خارج الغلاف المحدب للتدريب.
القابلية للتوسع: يتوسع النهج ليشمل الأنظمة الزمكانية عالية الأبعاد والشبكات غير المنتظمة دون الحاجة إلى تسميات بارامترية صريحة.

يشير المؤلفون إلى وجود قيود، بما في ذلك التركيز الحالي على العوامل المتغيرة باستمرار في الفضاءات الإقليدية منخفضة الأبعاد، واستخدام البيانات المولدة من المحاكاة، والحاجة إلى مزيد من البحث في فئات الأنظمة المنفصلة، والديناميكيات التشعبية، والمتانة تحت ضوضاء التجارب. كما ذكروا أن التوصيف النظري الرسمي لخصائص الفضاء الكامن المتعلم لا يزال سؤالاً مفتوحاً.