← أحدث الأبحاث
💻 computer science

Adaptive Learning of Periodic Solutions for Nonlinear Systems by Physics-informed Gaussian Process

تقترح هذه الورقة إطار عمل جديد للعملية الغاوسية المستنيرة بالفيزياء (PIGP) يستخدم نوى دورية مخصصة واستراتيجية نقاط تجميع تكيفية لحساب الحلول الدورية للأنظمة الديناميكية غير الخطية بكفاءة ودقة، مما يظهر أداءً حوسبيًا متفوقًا مقارنة بطريقة التوازن التوافقي.

المؤلفون الأصليون: Yixin Li, Zhong-Rong Lu, Dahao Yang, Zechang Zheng, Jike Liu, Li Wang

نُشر 2026-09-03
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Yixin Li, Zhong-Rong Lu, Dahao Yang, Zechang Zheng, Jike Liu, Li Wang

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

في عالم الهندسة، لا تسلك العديد من الهياكل مسارات بسيطة ومستقيمة. فعندما يتأرجح جسر بفعل الرياح، أو يدور شفرة توربين بسرعة عالية، أو يهتز مبنى أثناء زلزال، فإن القوى المعنية غالبًا ما تتغير بطرق معقدة اعتمادًا على مقدار حركة الجسم أو سرعته. تُعرف هذه بـ "الأنظمة غير الخطية". وخلافًا للنابض البسيط الذي يتمدد بنفس المقدار مهما سحبته بقوة، يمكن لهذه الأنظمة أن تلتوي، أو تنكسر، أو تستقر في أنماط غريبة ومتكررة يصعب التنبؤ بها. ويعد العثور على الحركة المحددة والمتكررة — التي تسمى الحل الدوري — التي سيستقر فيها النظام أمرًا بالغ الأهمية للمهندسين؛ فإذا لم يتمكنوا من التنبؤ بهذه الحركات، فلن يتمكنوا من تصميم هياكل آمنة أو فعالة. ولعقود من الزمن، اعتمد العلماء على أدوات رياضية راسخة لإيجاد هذه الأنماط المتكررة، لكن هذه الأدوات غالبًا ما تعاني عندما يصبح النظام شديد التعقيد أو "متعرجًا" للغاية في سلوكه، مما يتطلب قدرة حوسبية هائلة للوصول إلى إجابة دقيقة.

لقد طور فريق من الباحثين من جامعة سون يات سين وجامعة لييج نهجًا جديدًا لحل هذه المشكلة، وهو نهج يمزج بين قوانين الفيزياء ونوع من تعلم الآلة يسمى "العملية الغاوسية". وبدلاً من حشر النظام في صندوق رياضي جامد، يعامل منهجهم، الذي يسمونه "العملية الغاوسية المستنيرة بالفيزياء"، القوانين الفيزيائية التي تحكم النظام كمجموعة من القرائن. تخيل محاولة تخمين شكل جسم مخفي عن طريق تحسس سطحه في نقاط محددة قلي تعداد؛ فكلما زادت النقاط التي تتحسسها، أصبح الشكل أكثر وضوحًا. في هذا المنهج الجديد، يستخدم الباحثون معادلات الحركة الفيزيائية كـ "أحاسيس" في لحظات زمنية محددة. يبدأون بتخمين تقريبي لكيفية حركة النظام، ثم يستخدمون عملية ذكية وتكرارية لتحسين هذا التخمين. يتعلم النظام من أخطائه، ويعدل فهمه للحركة حتى يتطابق تمامًا مع القواعد الفيزيائية.

ما يجعل هذا النهج قويًا بشكل خاص هو قدرته على التعلم أين يحتاج إلى البحث. فقد اكتشف الباحثون أن ليست كل اللحظات الزمنية متساوية في الأهمية لفهم الحركة. ففي الأنظمة التي تكون فيها الحركة سلسة، تتوزع المعلومات بشكل متساوٍ. أما في الأنظمة التي تكون فيها الحركة خشنة أو مفاجئة — مثل جزء يصطدم بحاجز أو مادة تتغير صلابتها فجأة — فإن المعلومات الأكثر أهمية تتركز في لحظات زمنية صغيرة ومحددة. يكتشف المنهج الجديد تلقائيًا هذه اللحظات الصعبة ويركز جهده الحوسبي هناك، حيث يضيف المزيد من "نقاط الاستشعار" بالضبط حيث تكون درجة عدم اليقين في أعلى مستوياتها. تسمح هذه الاستراتيجية التكيفية للحاسوب بإيجاد الحل باستخدام عدد أقل بكثير من نقاط البيانات مقارنة بالطرق التقليدية، مما يجعل العملية أسرع وأكثر كفاءة بشكل ملحوظ.

اختبر الباحثون منهجهم الجديد على أنواع مختلفة من الأنظمة، بدءًا من المذبذبات البسيطة ذات الكتلة الواحدة وصولًا إلى نماذج المباني المعقدة متعددة الطوابق. وقارنوا نتائجهم بتقنية قياسية مستخدمة على نطاق واسع تُعرف باسم "طريقة التوازن التوافقي"، والتي كانت الأداة الأساسية لعقود. وفي كل اختبار، أثبت المنهج الجديد دقة عالية، وقدرة على التعامل مع الحركات السلسة وتلك التغيرات المفاجئة والمتعرجة. ولعل الأمر الأكثر إثارة للإعجاب هو أنه عندما طلب الباحثون من كلا الطريقتين تحقيق نفس المستوى من الدقة، أتم المنهج المستنير بالفيزياء المهمة باستمرار في وقت أقل. وقد جاء هذا التفوق في السرعة من قدرة المنهج على التكيف؛ فهو لا يضيع الوقت في حساب التفاصيل حيث لا داعي لها، بل يوجه موارده إلى الأجزاء الأكثر صعوبة في الحل.

وبعيدًا عن السرعة والدقة، يقدم المنهج الجديد ميزة فريدة تفتقر إليها الأدوات التقليدية: وهي توفير مقياس داخلي للثقة. فعندما يحسب المنهج حلاً، فإنه ينتج أيضًا خريطة لعدم اليقين، توضح بدقة مدى تأكده من النتيجة في كل لحظة زمنية. هذا يشبه وجود توقعات جوية لا تخبرك بدرجة الحرارة فحسب، بل تعطيك أيضًا نطاقًا واضحًا لمدى تباين تلك الدرجة. وبالنسبة للمهندسين الذين يصممون بنية تحتية حيوية، فإن معرفة حدود حساباتهم لا تقل أهمية عن الحسابات نفسها. ووجد الباحثون أنه مع إضافة المزيد من نقاط الاستشعار إلى النظام، تتقلص خريطة عدم اليقين هذه، مما يؤكد أن الحل أصبح أكثر موثوقية.

بينما يظهر المنهج إمكانات كبيرة، فقد كان الباحثون حذرين في تحديد حدوده. فقد وجدوا أنه بالنسبة للأنظمة ذات التغيرات الحادة والمفاجئة للغاية، يمكن للحل أن يتذبذب أحيانًا قليلاً بالقرب من تلك النقاط الحادة، وهو تحدٍ يواجهه حتى المنهج التقليدي. ومع ذلك، من خلال إثبات أن نهجهم يمكنه التعامل مع مجموعة متنوعة من المشكلات الصعبة بكفاءة أكبر وموثوقية داخلية، فتح الفريق مسارًا جديدًا لتحليل الأنظمة الميكانيكية المعقدة. ويشير عملهم إلى أنه من خلال السماح لتعلم الآلة بالتعلم مباشرة من قوانين الفيزياء، وليس فقط من البيانات، يمكن للمهندسين حل بعض أكثر المشكلات استعصاءً في الديناميكا بوضوح وسرعة كانا بعيدي المنال في السابق.

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 →