Operator Learning for Robust Discovery of Fractional-Order Dynamical Systems from Noisy Data
تقترح هذه الورقة إطار عمل قوياً لاكتشاف المعادلات الحاكمة للأنظمة الديناميكية ذات الرتب الكسرية من بيانات مشوشة، وذلك عبر دمج شبكة عاملة عميقة (DeepONet) لتقدير المشتقات الكسرية بدقة مع طريقة التحديد المتناثر للديناميكيات غير الخطية بالتعاقب (ensemble SINDy) للانحدار المتناثر، مما يظهر دقة وقدرة على التعميم تتفوق على طرق الفروق المحدودة الكلاسيكية والشبكات العصبية القياسية.
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
غالباً ما يسعى العلم إلى كتابة كتاب القواعد الذي يصف كيفية حركة العالم، من تدفق الدم في الوريد إلى اهتزاز الجسر. بالنسبة للعديد من الأنظمة، تُكتب هذه القواعد في شكل معادلات تصف كيف تتغير الأشياء بمرور الوقت. ومع ذلك، فإن بعض الأنظمة تمتلك ذاكرة؛ حيث تعتمد حالتها الراهنة ليس فقط على ما يحدث الآن، بل على كل ما حدث من قبل. ولوصف هذا النوع من السلوك، يستخدم العلماء نوعاً خاصاً من الرياضيات يسمى "حساب التفاضل والتكامل الكسري". وبخلاف المعادلات القياسية التي تنظر إلى التغيرات اللحظية، تنظر هذه المعادلات الكسرية إلى التاريخ الكامل للنظام. وهذا ما يجعلها قوية للغاية في نمذجة الظواهر الواقعية، مثل الطريقة التي تتمدد وتسترخي بها المواد، أو كيفية انتشار الأمراض بين السكان. لكن هذه القوة تأتي بتكلفة: فبسبب اعتماد هذه المعادلات على الماضي بأكمله، فإن حلها يعد أمراً صعباً للغاية عندما تكون البيانات غير دقيقة. وفي العالم الحقيقي، لا تكون القياسات مثالية أبداً؛ فهي دائماً ما تكون مشوبة بأخطاء صغيرة وضجيج. وعندما يحاول العلماء استخدام أدوات رياضية قياسية لاستنباط قواعد هذه الأنظمة القائمة على الذاكرة من بيانات مشوبة بالضجيج، فإن الأخطاء الصغيرة تتضخم، مما يؤدي غالباً إلى استنتاجات خاطئة تماماً.
لقد طور فريق من الباحثين في جامعة تبریز طريقة جديدة لحل هذه المشكلة، مما يسمح باكتشاف القواعد الخفية لهذه الأنظمة المعقدة حتى عندما تكون البيانات غير مثالية. يعتمد نهجهم، الموصوف في دراسة حديثة، على الجمع بين فكرتين متمايزتين: نوع من الذكاء الاصطناعي المصمم لفهم الأنماط في البيانات، وطريقة إحصائية تجد أبسط المعادلات الممكنة التي تناسب تلك البيانات. أدرك الباحثون أن العقبة الرئيسية لم تكن في إيجاد المعادلة نفسها، بل في الحساب الدقيق لـ "جزء الذاكرة" من المعادلة من أرقام مشوبة بالضجيج. ولحل هذه المشكلة، قاموا بتدريب شبكة عصبية لتعمل كمترجم متخصص. تعلمت هذه الشبكة، من خلال ملايين الأمثلة المحاكات، كيفية النظر إلى تاريخ نظام مشوش ومشوب بالضجيج وإنتاج تقدير نظيف ودقيق لمعدل تغيره الكسري بشكل فوري. وبمجرد تدريب هذا المترجم، يمكن استخدامه على قياسات حقيقية مشوبة بالضجيج لتوفير البيانات النظيفة اللازمة للخطوة الثانية: تحديد المعادلة الحاكمة.
اختبر الباحثون هذه العملية المكونة من خطوتين على عدة أنظمة مختلفة، بما في ذلك النماذج الخطية البسيطة والنماذج الأكثر تعقيداً وغير الخطية التي تسلك سلوكاً فوضوياً. وقارنوا طريقتهم الجديدة بالأدوات الرياضية التقليدية المستخدمة لعقود، وبنوع قياسي من الشبكات العصبية. كانت النتائج مذهلة؛ ففي الاختبارات المتعلقة بالأنظمة الخطية، فشلت الطريقة التقليدية فشلاً شبه تام، حيث أنتجت أخطاءً كبيرة لدرجة جعلت المعادلات الناتجة عديمة الفائدة. وأظهرت الشبكة العصبية القياسية أداءً أفضل، لكنها ظلت تعاني عندما تتغير البيانات قليلاً عما رأته من قبل. أما الطريقة الجديدة، فقد ظلت قوية وصامدة؛ حيث نجحت في تحديد المعادلات الصحيحة بدقة عالية، حتى عندما كانت البيانات المدخلة تحتوي على ضجيج كبير. ووجد الباحثون أنه بالنسبة للأنظمة الأبسط، كان تقدير المشتقة هو المفتاح؛ فبمجرد تنظيف البيانات باستخدام مترجمهم الجديد، عملت خطوة إيجاد المعادلة بشكل مثالي.
ومع ذلك، أصبحت القصة أكثر دقة عندما انتقلوا إلى الأنظمة غير الخطية الأكثر تعقيداً. هنا، حتى عندما قدم الباحثون بيانات المشتقة المثالية والخالية من الضجيج، لا تزال خطوة إيجاد المعادلة تواجه صعوبة في الوصول إلى الإجابة الصحيحة. وقد كشف هذا عن رؤية نقدية: فبالنسبة لهذه الأنظمة الأكثر تعقيداً، يتغير جوهر المشكلة. لم يعد الأمر يتعلق فقط بتنظيف البيانات، بل تكمن الصعوبة في التحدي الرياضي المتمثل في اختيار المعادلة الصحيحة من بين مكتبة هائلة من الاحتمالات عندما تكون البيانات مشوبة بالضجيج. ويشير الباحثون إلى أنه بينما يحل نهجهم الجديد مشكلة تنظيف البيانات بفعالية، فإن الاختراقات المستقبلية ستأتي على الأرجح من تحسين أدوات إيجاد المعادلات نفسها، وليس فقط من صنع أدوات أفضل لتنظيف البيانات.
كما استكشفت الدراسة مدى فعالية هذه الطريقة عند مواجهة مواقف لم ترها من قبل، مثل نظام يبدأ من حالة مختلفة تماماً أو يعمل لفترة زمنية أطول من بيانات التدريب. وفي هذه الاختبارات، صمدت الطريقة الجديدة بشكل أفضل بكثير من الشبكة العصبية القياسية، التي تميل إلى الفشل عندما تتغير الظروف. ويشير هذا إلى أن النهج الجديد يتعلم البنية الأساسية لسلوك النظام بدلاً من مجرد حفظ نقاط بيانات محددة. ويلاحظ الباحثون أن هذه الطريقة مفيدة بشكل خاص في الهندسة وعلم الأحياء، حيث يعرف العلماء غالباً العائلة العامة للمعادلات التي تصف نوعاً معيناً من الأنظمة، لكنهم يحتاجون إلى إيجاد القواعد المحددة لتجربة فردية جديدة. ومن خلال تدريب المترجم مرة واحدة على بيانات محاكاة، يمكن إعادة استخدامه في العديد من التجارب الواقعية المختلفة دون الحاجة إلى إعادة تدريبه، مما يوفر الوقت والقدرة الحسابية.
في الختام، يوضح هذا العمل أن العقبة الكبرى في فهم الأنظمة القائمة على الذاكرة ليست في تعقيد المعادلات نفسها، بل في موثوقية البيانات المستخدمة لإيجادها. ومن خلال استخدام ذكاء اصطناعي متخصص لتنظيف البيانات قبل بدء العمليات الرياضية، أظهر الباحثون مساراً واضحاً نحو اكتشاف أكثر دقة. وبينما لا تزال الط méthode تواجه تحديات مع الأنظمة الأكثر تعقيداً وفوضوية، إلا أنها تمثل خطوة كبيرة للأمام. إنها تشير إلى أنه من خلال فصل مهمة تنظيف البيانات عن مهمة إيجاد القواعد، يمكن للعلماء بناء نماذج أكثر موثوقية للعالم، وتحويل الملاحظات المشوشة وغير المثالية إلى قوانين واضحة ومفهومة للطبيعة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.