💻 computer science

Structure-Preserving Scientific Machine Learning for epidemic Forecasting : Neural ODEs vs. Universal Differential Equations for SIR Model

تُثبت هذه الورقة أن المعادلات التفاضلية الشاملة، التي تدمج هياكل نموذج (SIR) الميكانيكية المعروفة مع الشبكات العصبية لديناميكيات انتقال غير مؤكدة، تتفوق على المعادلات التفاضلية العصبية القائمة كلياً على البيانات من حيث دقة التنبؤ، والمتانة، وكفاءة البيانات، لا سيما في ظل ظروف البيانات المحدودة والضجيج العالي.

المؤلفون الأصليون: Taylan Demi̇r, Niaz Ali Shah

نُشر 2026-08-10

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Taylan Demi̇r, Niaz Ali Shah

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 تحاول التنبؤ بالطقس. لديك حاسوب فائق الذكاء يمكنه مراقبة الرياح، والسحب، ودرجة الحرارة، ويتعلم الأنماط من الماضي لتخمين المستقبل. هذا هو عالم تعلم الآلة العلمي (Scientific Machine Learning)، وهو مجال يمزج فيه العلماء بين قواعد الفيزياء التقليدية وأدمغة الحاسوب الحديثة المتعطشة للبيانات. وفي الزاوية المحددة من هذا العالم التي سنزورها اليوم، فإن "الطقس" هو وباء — مرض ينتشر عبر مجموعة سكانية.

لفهم القصة، عليك أن تعرف أداة كلاسيكية تسمى نموذج SIR. فكر في السكان كوعاء ضخم من الكرات الزجاجية (الماربلز). بعض الكرات "عرضة للإصابة" (أصحاء ولكن يمكن أن يمرضوا)، وبعضها "مصاب" (مرضى وينشرون الفيروس)، وبعضها "متعافٍ" (أصحاء مرة أخرى ولديهم مناعة). نموذج SIR هو مجموعة من القواعد الرياضية التي تصف كيف تتدحرج الكرات من كومة "العرضة للإصابة" إلى كومة "المصابين"، ثم إلى كومة "المتعافين". عادةً ما يعرف العلماء القواعد التي تحدد سرعة تعافي الناس، لكن القواعد التي تحدد سرعة إصابتهم قد تكون فوضوية وتتغير بناءً على السلوك البشري.

الآن، تخيل أن لديك ذكاءً اصطناعيًا جديدًا وفائق القوة، لا يعرف أيًا من هذه القواعد. هو فقط يراقب حركة الكرات ويحاول تخمين الحركة التالية. هذا هو التحدي: هل يمكن لذكاء اصطناعي "صفحة بيضاء" أن يتعلم قواعد المرض بمجرد النظر إلى البيانات، أم أنه يحتاج إلى القليل من المساعدة من القواعد الرياضية القديمة ليبقى على المسار الصحيح؟ هذا السؤال مهم لأنه عندما يضرب مرض حقيقي، غالبًا ما لا نملك بيانات مثالية. قد تكون لدينا فجوات، أو أخطاء، أو تقارير لأيام قليلة فقط. إذا أخطأ ذكاؤنا الاصطناعي في التخمين بسبب نقص المعلومات، فقد تكون توقعاتنا للمستقبل بعيدة تمامًا عن الواقع، مما يؤدي إلى قرارات سيئة.

المواجهة الكبرى للذكاء الاصطناعي: الصفحة البيضاء مقابل الجولة الإرشادية

في هذه الدراسة، قام باحثان، تايلان ديمير ونياز علي شاه، بإعداد حلبة رقمية لمشاهدة نوعين مختلفين من نماذج الذكاء الاصطناعي وهما يتنافسان في التنبؤ بوباء. أرادا معرفة أيهما سيكون المحقق الأفضل عندما تكون الأدلة شحيحة أو فوضوية.

المتنافسون:

الشبكة العصبية للمعادلات التفاضلية العادية (Neural ODE) (الـ "صفحة البيضاء"): هذا النموذج يشبه طالبًا لم يفتح قط كتابًا مدرسيًا عن علم الأوبئة. يُعطى فيديو لحركة الكرات ويقال له: "استنتج القواعد بنفسك". إنه يحاول تعلم النظام بأككامل من الصفر، ويخمن كيف يتفاعل المصابون والعرضة للإصابة والمتعافون، دون أن يعرف أن "المتعافين" عادة ما يبقون متعافين. إنه نهج "يعتمد كليًا على البيانات"، مما يعني أنه يعتمد بنسبة 100% على البيانات التي يراها.
المعادلة التفاضلية الشاملة (Universal Differential Equation) (الـ "جولة الإرشادية"): هذا النموذج يشبه طالبًا قرأ الكتاب المدرسي، لكنه يعلم أن الفصل الخاص بـ "مدى سرعة إصابة الناس" مفقود. يُقال له: "نحن نعلم يقينًا أن الناس يتعافون بمعدل ثابت (قاعدة الكتاب المدرسي)، لكننا لا نعرف بالضبط كيف تنتشر العدوى. أنت اكتشف ذلك الجزء". هذا نهج "يحافظ على البنية". فهو يحتفظ بالرياضيات الموثوقة والمعروفة لعملية التعافي، ويستخدم عقله الاصطناعي فقط لتعلم الجزء الفوضوي وغير المعروف، وهو عملية انتقال العدوى.

التجربة:

لم يستخدم الباحثون بيانات مرض حقيقي (التي قد تكون فوضوية وغير مكتملة). بدلاً من ذلك، صنعوا وباءً وهميًا مثاليًا باستخدام قواعد SIR الكلاسيكية. لقد أنشأوا مسارًا "نظيفًا" لكيفية انتشار المرض، ثم اختبروا كلا النموذجين في سيناريوهين صعبين:

اختبار "الذاكرة القصيرة": أعطوا نماذج الذكاء الاصطناعي جزءًا صغيرًا جدًا من البيانات (مثل عرض أول 20% فقط من الفيلم) وطلبوا منهم التنبؤ ببقية الفيلم.
اختبار "الضجيج الساكن": أضافوا "ضجيجًا" عشوائيًا (noise) إلى البيانات، مما جعل الأرقام تبدو ضبابية وغير موثوقة، مثل إشارة تلفزيون سيئة.

النتائج:

عندما امتلكت النماذج الكثير من البيانات النظيفة للدراسة، أدى كلاهما عملًا رائعًا. استطاع كلاهما إعادة إنشاء الفيلم بشكل مثالي. ومع ذلك، تعقدت الحبكة عندما أصبحت البيانات شحيحة أو مشوشة.

تعثرت "الصفحة البيضاء" (Neural ODE): عندما قلل الباحثون بيانات التدريب إلى أقل من نصف الجدول الزمني الإجمالي، بدأ نموذج Neural ODE في "الهلوسة". لقد نسي قواعد اللعبة. أصبحت توقعاته للمستقبل غير مستقرة وغير واقعية. كان الأمر أشبه بطالب، عندما يُطلب منه إنهاء قصة بعد قراءة الصفحة الأولى فقط، يخترع حبكة لا علاقة لها بالشخصيات. تشير الورقة إلى أن هذا النموذج يحتاج إلى الكثير من البيانات ليعمل؛ وإذا لم يمتلك ما يكفي، فإنه ينهار.
حافظت "الجولة الإرشادية" (UDE-SIR) على هدوئها: حتى عندما قلل الباحثون البيانات إلى 30% فقط، أو عندما كانت البيانات مليئة بالضجيج، حافظ هذا النموذج على استقرار توقعاته. ولأن هذا النموذج كان "مرتكزًا" بالقواعد المعروفة للتعافي، فإنه لم يرتبك. لقد عرف أن كومة "المتعافين" يجب أن تستمر في النمو، لذا ركز طاقته الذهنية فقط على تخمين جزء العدوى. جعل هذا النموذج أكثر قوة وثباتًا.

"نقطة الانهيار":

قدم الباحثون مفهومًا ممتعًا يسمى نقطة انهيار التنبؤ (forecast breakdown point). وهي الحد الأدنى من البيانات التي تحتاجها قبل أن يبدأ ذكاؤك الاصطناعي في تقديم تنبؤات غير منطقية.

بالنسبة لـ Neural ODE، كانت نقطة الانهيار مرتفعة. لقد احتاج إلى الكثير من البيانات (حوالي 40% أو أكثر من الجدول الزمني) ليبقى موثوقًا.
بالنسبة لـ UDE-SIR، كانت نقطة الانهيار أقل بكثير. فقد استطاع الاستمرار في تقديم تنبؤات جيدة حتى مع وجود كمية قليلة جدًا من البيانات (حوالي 30% أو أقل).

لماذا هذا مهم:

تشير الورقة البحثية إلى أنه في العالم الحقيقي، حيث غالبًا ما تكون البيانات فوضوية أو غير مكتملة أو مشوشة، فإن نهج "الجولة الإرشادية" (UDE) هو الخيار الأذكى. إنها تثبت أنك لست بحاجة للتخلي عن كل معرفتك العلمية لاستخدام الذكاء الاصطناعي. في الواقع، من خلال الاحتفاظ بالأجزاء التي تعرف أنها حقيقية (مثل كيفية تعافي الناس) والسماح للذكاء الاصطناعي فقط بتعلم الأجزاء التي لا تعرفها (مثل كيفية انتشار الفيروس في حشد معين)، فإنك تحصل على نموذج أكثر دقة، وأكثر استقرارًا، ويتطلب بيانات أقل للعمل.

خلص المؤلفون إلى أنه بينما يمكن للذكاء الاصطناعي فائق القوة أن يتعلم الكثير من البيانات، إلا أنه لا يمكنه خلق تنبؤات موثوقة بالسحر إذا كانت البيانات ضئيلة للغاية. ومن خلال مزج المعرفة العلمية البشرية مع تعلم الآلة، يمكننا بناء أدوات أفضل للتنبؤ بالأوبئة، مما يضمن أنه حتى عندما تكون البيانات ضبابية، تظل توقعاتنا راسخة في أرض الواقع.

ملخص تقني: التعلم الآلي العلمي الحافظ للبنية للتنبؤ بالأوبئة

1. بيان المشكلة

تتناول الورقة البحثية تحدي التنبؤ بديناميكيات الأوبئة، وتحديداً ضمن إطار نموذج (Susceptible-Infected-Recovered - SIR)، عندما تكون البيانات شحيحة، أو مشوبة بالضجيج، أو غير مكتملة. وبينما توفر النماذج الميكانيكية التقليدية (مثل نموذج SIR القياسي) قابلية للتفسير وضمانات هيكلية، إلا أنها غالباً ما تفشل في التقاط الديناميكيات المعقدة وغير المتجانسة للانتشار والمدفوعة بالتغيرات السلوكية أو التدخلات. ومن ناحتی آخر، توفر النهج القائمة على البيانات فقط، مثل المعادلات التفاضلية العصبية (Neural ODEs)، مرونة عالية ولكنها تفتقر إلى القيود الهيكلية اللازمة لضمان المعقولية الوبائية (مثل حفظ الكتلة، وعدم السالبية) عند تدريبها باستخدام مجموعات بيانات محدودة.

المشكلة الجوهرية هي تحديد أي نموذج معرفي — سواء كانت المعادلات التفاضلية العصبية (Neural ODEs) القائمة كلياً على البيانات، أم المعادلات التفاضلية العالمية (Universal Differential Equations - UDEs) الحافظة للبنية — يوفر تنبؤات طويلة المدى أكثر قوة ودقة وكفاءة في البيانات لأنظمة الأوبئة تحت ظروف ضجيج الملاحظة وتقليص حجم مجموعة التدريب.

2. المنهجية

تقارن الدراسة بين نهجين مختلفين يتم تطبيقهما على نموذج SIR:

أ. المعادلات التفاضلية العصبية (الاعتماد الكلي على البيانات)

في هذه الصيغة، يتم استبدال الطرف الأيمن بالكامل لنظام SIR بشبكة عصبية. تتعلم الشبكة الحقل المتجه الكامل من بيانات المسار دون دمج معرفة مسبقة بهيكل الوباء.
$\frac{d}{dt} \begin{pmatrix} S \\ I \\ R \end{pmatrix} = f_\theta(S, I, R, t)$
هنا، $f_\theta$ هي شبكة عصبية ذات معاملات قابلة للتدريب $\theta$ تقرب المشتقات لجميع الأقسام الثلاثة في آن واحد. يعامل هذا النهج النظام كـ "صندوق أسود"، مما يتطلب من الشبكة تعلم كل من ديناميكيات التعافي المعروفة وديناميكيات الانتقال غير المؤكدة من الصفر.

ب. المعادلات التفاضلية العالمية (الحافظة للبنية)

يدمج نهج UDE القوانين الميكانيكية المعروفة مع المكونات القابلة للتعلم. وتحديداً، يحتفظ المؤلفون بمصطلح التعافي القياسي ( $\gamma I$ ) كمكون ميكانيكي ثابت، ويستبدلون فقط مصطلح العدوى غير المؤكد ( $\beta SI$ ) بشبكة عصبية.
$\frac{dS}{dt} = -N_\theta(S, I)$
$\frac{dI}{dt} = N_\theta(S, I) - \gamma I$
$\frac{dR}{dt} = \gamma I$
لضمان الصلاحية الوبائية، يتم تقييد مخرجات الشبكة العصبية لتكون غير سالبة (على سبيل المثال، عبر دالة التنشيط softplus). تفرض هذه البنية الهجينة حفظ الكتلة ( $S+I+R=1$ ) ورتابة (monotonicity) عدد السكان المتعافين بحكم التصميم.

التصميم التجريبي

توليد البيانات: تم إنشاء مسارات اصطناعية باستخدام نموذج SIR الكلاسيكي بمعاملات $\beta=0.4$ و $\gamma=0.1$ .
حقن الضجيج: تمت إضافة ضجيج غاوسي ( $\sigma \in \{0.01, 0.05, 0.20\}$ ) لمحاكاة عدم اليقين في الملاحظة.
بروتوكول التدريب: تم تدريب النماذج على أجزاء متفاوتة ( $p \in \{0.20, \dots, 0.90\}$ ) من المسار، وتم تقييمها على الفترة المستقبلية المتبقية لتقييم قدرات التنبؤ طويلة المدى.
المقاييس: تم تقييم الأداء باستخدام متوسط مربع الخطأ (MSE) لإعادة البناء والتنبؤ، وخطأ ذروة الإصابة، وخطأ وقت الذروة، وخطأ حفظ الكتلة، ومقياس مبتكر يسمى نقطة انهيار التنبؤ ( $p^*$ )، والتي تُعرف بأنها الحد الأدنى لكسر بيانات التدريب المطلوب للحفاظ على خطأ تنبؤ أقل من حد معين.

3. المساهمات الرئيسية

تقدم الورقة المساهمات المحددة التالية:

التحليل المقارن: مقارنة مباشرة بين المعادلات التفاضلية العصبية (Neural ODEs) القائمة كلياً على البيانات، وبين المعادلات التفاضلية العالمية (UDEs) الحافظة للبنية المطبقة على نموذج SIR.
استقصاء كفاءة البيانات: تقييم كيفية تأثير أحجام بيانات التدريب الصغيرة على دقة التنبؤ بالأوبية طويلة المدى.
تقييم المتانة: تقييم قدرة كلا النموذجين على الصمود أمام ضجيج الملاحظة الغاوسي.
نقطة انهيار التنبؤ: تقديم عتبة كمية ( $p^*$ ) لتحديد الحد الأدنى لمتطلبات البيانات من أجل تنبؤ موثوق، مما يوفر مقياساً عملياً لموثوقية النموذج.
التحقق الهيكلي: إثبات أن الاحتفاظ بهيكل الوباء المعروف (تحديداً قانون التعافي) يؤدي إلى كفاءة أعلى في البيانات، وقابلية أكبر للتفسير، ومتانة أكبر في التنبؤ.

4. النتائج

أسفرت المحاكاة العددية عن النتائج التالية:

إعادة بناء البيانات النظيفة: نجح كلا النموذجين في إعادة بناء مسارات SIR النظيفة عند توفر بيانات تدريب كافية (مثلاً 90% من المسار).
الأداء مع البيانات الشحيحة: مع انخفاض نسبة التدريب، ارتفع خطأ التنبؤ في نموذج Neural ODE بشكل حاد. أظهر نموذج Neural ODE "انهياراً" (تنبؤات غير موثوقة) عندما انخفضت بيانات التدريب إلى حوالي 40%. في المقابل، حافظ نموذج UDE-SIR على تنبؤات مستقرة ودقيقة حتى عند 30% من بيانات التدريب وظل صامداً حتى عند 20%.
المتانة تجاه الضجيج: تحت مستويات عالية من الضجيج الغاوسي، تدهور أداء Neural ODE بشكل كبير، وغالباً ما أنتج مسارات غير مستقرة أو غير واقعية فيزيائياً. أظهر نموذج UDE-SIR، المقيد بديناميكيات التعافي الثابتة، متانة فائقة، محافظاً على تنبؤات متسقة وبائياً.
نقطة انهيار التنبؤ: أثبتت الدراسة أن $p^*_{UDE} < p^*_{NODE}$ . تطلب نموذج UDE كسرًا أصغر من إجمالي المسار لتحقيق تنبؤات موثوقة مقارنة بنموذج Neural ODE.
مصطلحات الانتقال المتعلمة: نجح نهج UDE في تعلم مصطلح عدوى $N_\theta(S, I)$ يقارب صيغة الفعل الكتلي الكلاسيكية ( $\beta SI$ ) مع السماح بانحرافات مدفوعة بالبيانات، مما يثبت أن النموذج يمكنه التقاط الديناميكيات المعقدة دون فقدان التفسير الهيكلي.

5. الأهمية والادعاءات

يزعم المؤلفون أن الدراسة تثبت تفوق التعلم الآلي العلمي الحافظ للبنية على النهج القائمة كلياً على البيانات في التنبؤ بالأوبئة، خاصة في السيناريوهات الواقعية التي تتسم بندرة البيانات والضجيج.

كفاءة البيانات: من خلال نقل تعلم الديناميكيات المعروفة (التعافي) إلى النموذج الميكانيكي، يقلل UDE من عبء التعلم على الشبكة العصبية، مما يسمح للنموذج بالتعميم بشكل أفضل من ملاحظات أقل.
التنظيم عبر البنية: تفترض الورقة أن دمج المعرفة العلمية (هيكل ODE) يعمل كنوع من التنظيم الهيكلي (Structural Regularization). وهذا يمنع النموذج من الإفراط في التخصيص (Overfitting) للضجيج أو تعلم ديناميكيات غير واقعية بيولوجياً (مثل أعداد سكان سالبة أو كتلة غير محفوظة) والتي غالباً ما تعاني منها نماذج Neural ODE غير المقيدة.
قابلية التفسير: على عكس Neural ODE الذي يتعلم حقلاً متجهياً عاماً، يتعلم نموذج UDE-SIR مكوناً محدداً وقابلاً للتفسير (معدل العدوى الفعال)، مما يسمما العلماء للتحقق مما إذا كانت الديناميكيات المتعلمة تتماشى مع التوقعات الوبائية.
الآثار العملية: تشير النتائج إلى أنه بالنسبة للتنبؤ بالأوبئة، حيث تكون البيانات غالباً متأخرة، غير مكتملة، ومشوبة بالضوضاء، يجب ألا تعامل النماذج جميع الديناميكيات كمعلومات مجهولة. بد بدلاً من ذلك، فإن دمج القوانين الفيزيائية الراسخة مع المكونات القابلة للتعلم للعمليات غير المؤكدة يؤدي إلى تنبؤات أكثر موثوقية وقابلية للتنفيذ.

تختتم الورقة بتواضع، مشيرة إلى أنه بينما كانت النتائج قوية على البيانات الاصطناعية، فإن العمل المستقبلي مطلوب للتحقق من هذه النتائج على مجموعات بيانات الأوبئة من العالم الحقيقي ولتوسيع الإطار ليشمل نماذج أكثر تعقيداً (مثل SEIR، SEIRD) وصيغ ستوكاستيكية (عشوائية).