Stable reconstruction of a spatial source term in a time-space fractional diffusion equation using Tikhonov regularization and final-time measurements

لغز الحرارة المتلاشية

تخيل أنك محقق تحاول حل جريمة وقعت في مدينة غامضة وضبابية. في هذه المدينة، قواعد الفيزياء مختلفة قليلاً؛ فعندما تسقط قطرة حبر في كأس من الماء، لا تنتشر بشكل دائري مرتب ومتوقع كما يحدث في عالمنا، بل تقفز بشكل عشوائي، فتارة تبقى في مكانها لفترة طويلة، وتارة أخرى تقفز عبر الغرفة. يُسمى هذا "الانتشار الشاذ"، وهو يحدث في الواقع في أماكن مثل داخل الخلية أو عبر الصخور المسامية تحت الأرض. يستخدم العلماء رياضيات خاصة تسمى "المعادلات الكسرية" لوصف هذا السلوك الغريب والمتقطع.

الآن، تخيل أنك دخلت غرفة انتهى فيها للتو انتشار الحبر هذا النوع من الانتشار. يمكنك رؤية أين استقر الحبر بالضبط في الثانية الأخيرة، لكن ليس لديك أدنى فكرة عن شكل المصدر الأصلي للحبر. هل كانت قطرة واحدة؟ أم رشقة واسعة؟ أم شكلاً متعرجاً؟ مهمتك هي العمل بشكل عكسي من الصورة النهائية الفوضوية لمعرفة الشكل الأصلي. هذه هي "المسألة العكسية". الأمر يشبه محاولة تخمين مكونات كعكة بمجرد تذوق الفتات الملقى على الأرض؛ المشكلة هي أن الفتات غالباً ما يكون فوضوياً، وأي خطأ بسيط في اختبار التذوق قد يؤدي بك إلى تخمين وصفة خاطئة تماماً. هذا ما يسمه العلماء "مسألة سيئة التحديد": فهي غير مستقرة، ويمكن أن تكون الإجابة بعيدة كل البعد عن الصواب إذا لم تكن حذراً.

العمل التحقيقي للورقة البحثية

في هذا المقال البحثي، يتناول إحياء طالبي وعبد الصمد أولملك هذا النوع من الغموض، ولكن بلمسة رياضية. إنهما يبحثان في نوع محدد من معادلة الانتشار الكسري الزماني-المكاني — وهي طريقة معقدة لقول إنهم ينمذجون عملية الانتشار الغريبة التي تتسم بالقفزات والذاكرة. هدفهما هو معرفة شكل "المصدر" الخفي (رشقة الحبر الأصلية) فقط من خلال النظر إلى الحالة النهائية للنظام بعد مرور فترة زمنية معينة، حتى لو كانت الصورة النهائية مشوشة أو ضبابية بعض الشيء.

أثبت المؤلفان أولاً أن المسألة "الأمامية" (التنبؤ بمكان ذهاب الحبر إذا كنت تعرف المصدر) هي مسألة جيدة السلوك وقابلة للحل. لكن المسألة "العكسية" (تخمين المصدر من النتيجة) هي الجزء الصعب. ولحلها، حوّلا المسألة إلى لعبة تحسين. تخيل أنك تحاول العثور على أدنى نقطة في وادٍ ضبابي؛ لا يمكنك رؤية القاع، لذا تأخذ خطوة في الاتجاه الذي تشعر أنه الأكثر انحداراً نحو الأسفل. يسمى هذا "الاشتقاق المتدرج" (gradient descent). يستخدم المؤلفان هذه الطريقة لتعديل تخمينهم لشكل المصدر بشكل تكراري حتى تتطابق توقعاتهم مع البيانات النهائية المشوشة قدر الإمكان.

ومع ذلك، نظرًا لأن البيانات مشوشة، فإن مجرد مطاردة أدنى نقطة قد يقودك إلى حفرة عميقة وضيقة تبدو وكأنها الإجابة ولكنها ليست كذلك. ولمنع حدة ذلك، استخدم المؤلفان تقنية تسمى "تنظيم تيكونوفت" (Tikhonov regularization). فكر في هذا كيد لطيفة على كتفك تمنعك من اتخاذ خطوات جامحة أو مفرطة. إنها تضيف قاعدة تقول: "يجب أن يكون تخمينك ناعماً ومعقولاً، وليس فوضى متعرجة ومجنونة". ومن خلال الجمع بين قاعدة الاستقرار هذه وخوارزمية التخمين خطوة بخطوة، ابتكروا طريقة قوية لإعادة بناء المصدر.

الورقة لا تكتفي بالرياضيات على الورق؛ بل أجروا محاكاة حاسوبية لاختبار فكرتهم. لقد وضعوا أربعة سيناريوهات مختلفة في عالم أحادي البعد (مثل الخط المستقيم). في أول سيناريوهين، كان المصدر الخفي عبارة عن منحنى ناعم ولطيف. وفي السيناريوهين الآخرين، كان المصدر متعرجاً، ذا قفزات حادة وتغيرات مفاجئة، مثل موجة منشارية.

تظهر النتائج أن طريقتهم فعالة للغاية. فعندما كان المصدر الخفي ناعماً، أعادت خوارزميتهم بناءه بدقة عالية، حتى عندما كانت البيانات النهائية ملوثة بالضجيج (اختبروا مستويات ضجيج بنسبة 0.1%، و5%، و10%). انخفض الخطأ بين تخمينهم والمصدر الحقيقي بسرعة مع زيادة عدد التكرارات، متتبعاً منحنى أسياً منتظماً وجميلاً.

ومع ذلك، تكشف الورقة أيضاً عن قصور ما. فعندما كان المصدر ذا حواف حادة ومتعرجة (الأمثلة المعقدة)، واجهت الخوارزمية صعوبة في التقاط تلك الزوايا الحادة تماماً؛ حيث مال المصدر المعاد بناؤه إلى تنعيم الأجز_ المتعرجة، مما جعلها تبدو ضبابية قليلاً. هذا ليس فشلاً في الطريقة، بل هو نتيجة طبيعية لقاعدة "التنظيم" التي استخدموها للحفاظ على استقرار الحل. ويشير المؤلفون إلى أنه بينما الطريقة مستقرة وموثوقة ضد الضجيج، إلا أنها تواجه صعوبة مع "التفردات" (singularities) — أي تلك التغيرات الحادة والمفاجئة في البيانات.

باخت-صار، قام المؤلفون ببناء أداة رياضية يمكنها تخمين شكل مصدر خفي في نظام انتشار معقد ومتقطع، بشرما كان المصدر غير شديد التعرج. لقد أثبتوا أن الرياضيات تعمل، وأظهروا كيفية حساب الإجابة، وبرهنوا من خلال المحاكاة أن طريقتهم تصمد حتى عندما تكون البيانات فوضوية. ورغم أنها لا تعيد بناء كل حافة حادة بدقة مثالية، إلا أنها تقدم طريقة مستقرة ودقيقة لحل مسألة عادة ما يكون من المستحيل فك رموزها.