FPINN: A proper orthogonal decomposition-assisted fourier-gradient physics-informed neural network for navier-stokes equations and flow reconstruction

تخيل محاولة التنبؤ بكيفية تدفق نهر حول صخرة، أو كيف تلتف الرياح حول ناطحة سحاب. لعقود من الزمن، استخدم العلماء أجهزة كمبيوتر قوية لحل "معادلات نافيير-ستوكس"، وهي مجموعة من القواعد الرياضية المعقدة التي تصف كيفية تحرك السوائل مثل الماء والهواء. فكر في هذه المعادلات كأنها كتاب القواعد النهائي لحركة السوائل. ومع ذلك، فإن حلها يشبه محاولة عد كل حبة رمل على الشاطئ بينما يتقدم المد؛ إنه أمر بطيء للغاية، ومكلف، ويتطلب قدرات حاسوبية هائلة.

دخل الآن أداة أحدث وأكثر جاذبية تسمى الشبكات العصبية المستوحاة من الفيزياء (PINNs). إذا كانت الحواسيب التقليدية تشبه محاسبًا دقيقًا يدقق في كل رقم، فإن الـ PINNs تشبه طالبًا ذكيًا جدًا يتعلم قواعد اللعبة جيدًا بحيث يمكنه تخمين الإجابة دون التحقق من كل خطوة. ولكن حتى هذا الطالب الذكي يواجه صعوبة. فهم أحيانًا يعانون من "التحيز الطيفي"، وهو طريقة معقدة تعني أنهم بارعون في رؤية الأمواج الكبيرة والبطيئة، لكنهم سيئون جدًا في رصد التموجات الصغيرة والسريعة والمنعطفات الحادة في التدفق. كما أنهم "يسربون" الكتلة أحيانًا، مما يعني أنهم قد يتنبأون بأن الماء يظهر من العدم أو يختفي، وهذا يكسر قوانين الفيزياء.

يقدم هذا البحث طالبًا مطورًا وأكثر ذكاءً يُدعى FPINN. إنه "شبكة عصبية مستوحاة من الفيزياء ذات تدرج فوريه" (Fourier-gradient Physics-Informed Neural Network)، وقد تم تزويده بنظارات خاصة ووسيلة مساعدة للذاكرة. هذه النظارات هي "ميزات فوريه" (Fourier features)، التي تساعد الطالب على رؤية تلك التموجات الصغيرة والسريعة بوضيد. أما وسيلة المساعدة للذاكرة فهي "تفكيك المكونات المتعامدة المناسبة" (Proper Orthogonal Decomposition - POD)، وهي تقنية تساعد الطالب على تجاهل الأجزاء المملة والمتكررة من التدفق والتركيز فقط على أنماط الطاقة الأكثر أهمية. اختبر الباحثون هذه الطريقة الجديدة في بعض ألغاز السوائل الكلاسيكية، مثل تدفق الماء حول أسطوانة دوارة وهواء يلتف في صندوق بغطاء متحرك. ووجدوا أن FPINN أفضل بكثير في التنبؤ بهذه التدفقات، خاصة عندما يتحرك الماء بسرعة وفوضوية، مع الحفاظ على قواعد الفيزياء صارمة والتنبؤات دقيقة.

المشكلة: "النظارات الضبابية" و"الدلو المسرب"

لفترة طويلة، اعتمد العلماء على طرق تقليدية لمحاكاة تدفق السوائل. هذه الطرق تشبه بناء شبكة ضخمة من الصناديق الصغيرة فوق نهر وحساب سرعة الماء في كل صندوق من هذه الصناديق. ورغم دقتها، إلا أنها تستغرق وقتًا طويلاً وتتطلب حواسيب فائقة. وفي السنوات الأخيرة، ظهر نهج جديد يسمى الشبكات العصبية المستوحاة من الفيزياء (PINNs). بدلاً من استخدام الشبكة، تستخدم الـ PINNs شبكة عصبية — نوع من الذكاء الاصطيعي — لتعلم التدفق. الأمر يشبه تعليم روبوت فهم النهر من خلال إظهار قواعد الفيزياء له بدلاً من إجباره على عد كل قطرة.

ومع ذلك، تعاني الـ PINNs القياسية من عيبين كبيرين. أولاً، تعاني من "التحيز الطيفي". تخيل أنك تحاول رسم صورة لعاصفة؛ قد ترسم الـ PINN السحب الداكنة الكبيرة بشكل مثالي، لكنها قد تفقد قطرات المطر الصغيرة والسريعة والحواف الحادة للبرق. إنها تواجه صعوبة في التفاصيل عالية التردد. ثانيًا، هي أحيانًا تنتهك قانون حفظ الكتلة. في نهر حقيقي، لا يختفي الماء أو يظهر من العدم؛ بل يتدفق من مكان إلى آخر. والـ PINs القياسية "تسرب" أحيانًا، حيث تتنبأ بأن الماء يختفي في مكان ما ويظهر في مكان آخر، مما يجعل المحاكاة مستحيلة فيزيائيًا.

الحل: فريق من المتخصصين

قرر مؤلفو هذا البحث، كيان تشان وفريقه، بناء نسخة أفضل من هذا الذكاء الاصطناعي. لقد أنشأوا إطار عمل يسمى FPINN، لكنهم لم يتوقفوا عند هذا الحد، بل منحوه مساعدًا قويًا يسمى POD (تفكيك المكونات المتعامدة المناسبة).

تخيل تدفق السوائل كحفلة رقص فوضوية. هناك آلاف الأشخاص (جزيئات السائل) يتحركون في أنماط معقدة.

• POD هو مثل مدرب الرقص الذي يراقب الحفلة ويقول: "انسوا الحركات الفردية لكل شخص، دعونا نركز فقط على الحركات الثلاث الرئيسية التي يقوم بها الجميع". إنه يجرد الضجيج ويبقي فقط على "أنماط الطاقة المهيمنة" — الأنماط الأكثر أهمية للحركة. وهذا يجعل المشكلة أبسط للذكاء الاصطناعي ليحلها.
• رسم ميزات فوريه (Fourier Feature Mapping) هو مثل منح الذكاء الاصطناعي "نظارات عالية الدقة". غالبًا ما يرى الذكاء الاصطناعي القياسي العالم بدقة منخفضة، مما يجعله يفقد التفاصيل الحادة. ومن خلال تمرير البيانات عبر مرشح رياضي خاص (ميزات فوريه)، يمكنه فجأة رؤية التموجات الصغيرة والسريعة والمنحدرات الحادة التي كان يفتقدها سابقًا.
• عقوبات التدرج (Gradient Penalties) تعمل كحكم صارم. إذا بدأ الذكاء الاصطناعي في التنبؤ بأن الماء يتسرب أو يظهر من العدم، يطلق الحكم صافرته ويجبر الذكاء الاصطناعي على تصحيح خطئه فورًا، مما يضمن عدم كسر قوانين الفيزياء أبدًا.

التدريب: التعلم من الأخطاء

لم يكن تدريب هذا الذكاء الاصطناعي الجديد مجرد تغذيته بالبيانات، بل كان يتعلق بتعليمه كيفية التعلم. استخدم الباحثون استراتيجية ذكية تسمى SoftAdapt. تخيل أنك تدرس لاختبار ما؛ لديك ثلاثة مواضيع: الرياضيات، التاريخ، والعلوم. إذا كنت تحصل على درجات سيئة جدًا في الرياضيات ولكن درجات رائعة في التاريخ، فيجب على معلمك (نظام تدريب الذكاء الاصطناعي) التركيز لفترة أطول على الرياضيات.

في نظام FPINN، "الخسارة" (loss) هي درجة مدى خطأ الذكاء الاصطناعي. إذا ارتكب الذكاء الاصطناعي خطأً كبيرًا في التنبؤ بالضغط، يلاحظ نظام SoftAdapt أن "درجة الرياضيات" منخفضة. فيقوم تلقائيًا بزيادة وزن قواعد الضغط، ويخبر الذكاء الاصطناعي: "مهلًا، انتبه أكثر لهذا الجزء!". هذا التوازن الديناميكي يمنع الذكاء الاصطناعي من التعثر أو تجاهل الأجزاء الصعبة من المشكلة.

استخدموا أيضًا استراتيجية أخذ عينات تسمى Latin Hypercube Sampling مع لمسة إضافية. فبدلاً من مجرد اختيار نقاط عشوائية في السائل للتحقق منها، تأكدوا من اختيار نقاط إضافية بالقرب من الجدران والحدود حيث تتغير حركة التدفق بشكل جذري. إنه مثل محقق يعرف أن الأدلة الأكثر أهمية توجد عادة بالقرب من مسرح الجريمة، لذا يفحص تلك المنطقة بعناية فائقة.

النتائج: من البرك الهادئة إلى العواصف المضطربة

اختبر الفريق نموذج FPINN الجديد على ثلاث مشكلات سوائل شهيرة لمعرفة ما إذا كان يعمل حقًا.

1. تدفق كوفاسناي (اختبار الهدوء)
أولاً، اختبروا تدفقًا له حل دقيق معروف (مثل مسألة رياضية لها مفتاح إجابة). أجروا عمليات محاكاة عند سرعات مختلفة (أرقام رينولدز 20، 40، و100). كانت النتائج مبهرة. توقع نموذج FPINN التدفق بأخطاء صغيرة جدًا لدرجة أنها تكاد تكون غير مرئية (حوالي $10^{-7}$). وعند مقارنته بالـ PINN القياسي القديم، كان النموذج الجديد متفوقًا بشكل هائل، خاصة مع زيادة سرعة التدفق. لقد أثبت أن "النظارات عالية الدقة" (ميزات فوريه) ساعدته على رؤية التفاصيل بوضوح.

2. التدفق حول أسطوانة (اختبار الدوامات)
بعد ذلك، قاموا بمحاكاة تدفق الماء حول أسطوانة دوارة. هذا يخلق "أثرًا" خلف الأسطوانة، حيث يدور الماء في دوامات معقدة.

• عند السرعة المنخفضة (Re = 100): كان FPINN دقيقًا للغاية، حيث طابق البيانات المرجعية بشكل شبه مثالي بمرور الوقت.
• عند السرعة العالية (Re = 3900): هنا تصبح الأمور معقدة. يصبح التدفق مضطربًا وفوضويًا. تشير الورقة إلى أنه بينما بدأ FPINN بدقة عالية، بدأت الأخطاء في النمو مع مرور الوقت، خاصة في منطقة الأثر حيث تكون الدوامات في أقوى حالاتها. على سبيل المثال، قفز الخطأ في الضغط من رقم ضئيل ($4.848 \times 10^{-2}$) إلى رقم أكبر بكثير ($1.314 \times 10^{0}$) بعد بضع ثوانٍ. هذا يشير إلى أنه على الرغم من أن النموذج يمثل تحسنًا هائلاً، إلا أن التنبؤ بالتدفقات عالية السرعة والفوضوية لفترات طويلة لا يزال يمثل تحديًا. ومع ذلك، فقد كان أداؤه أفضل من الـ PINN التقليدي.

3. تجويف الغطاء (اختبار الصندوق)
أخيرًا، نظروا في صندوق من السائل حيث يتحرك الغطاء العلوي ذهابًا وإيابًا، مما يسحب السائل معه. اختبروا ذلك بسرعات تتراوح من الزحف البطيء (Re = 100) إلى الانزلاق السريع جدًا (Re = 5000).

• نجح FPINN في التنبؤ بأنماط التدفق عند كل هذه السرعات.
• حتى عند أعلى سرعة (Re = 5000)، حيث يكون التدفق مضطربًا جدًا، حافظ FPINN على أخطاء أقل بكثير من الـ PINN القياسي. على سبيل المثال، عند Re = 5000، كان الخطأ في السرعة الرأسية هو $1.018 \times 10^{-2}$ لـ FPINN، مقارنة بـ $1.883 \times 10^{-1}$ للـ PINN القديم. وهذا يوضح أن النموذج يمكنه التعامل مع التدفقات المعقدة وعالية السرعة بشكل أفضل بكثير من السابق.

الحكم النهائي: خطوة قوية للأمام

تخلص الورقة إلى أن الجمع بين POD (لتبسيط المشكلة) مع FPINN (لرؤية التفاصيل والالتزام بالفيزياء) يخلق أداة قوية لديناميكا السوائل. إنه أسرع في التدريب، وأكثر دقة، ومتسق فيزيائيًا.

ومع ذلك، فإن المؤلفين صريحون بشأن الحدود. فرغم أن النموذج ممتاز، إلا أنه ليس مثاليًا بعد. في السيناريوهات الأكثر فوضوية وعالية السرعة (مثل أثر الأسطوانة عند Re = 3900)، لا تزال الأخطاء الصغيرة تتراكم بمرور الوقت. كما يعتمد النموذج بشكل كبير على جودة البيانات الأولية المستخدمة لإنشاء "حركات الرقص" الخاصة بـ POD؛ فإذا كانت اللقطة الأولية سيئة، فإن التنبؤ بأكمله سيعاني.

رغم هذه القيود الطفيفة، يمثل إطار عمل FPINN قفزة نوعية كبيرة. فهو يقدم طريقة لمحاكاة تدفقات السوائل المعقدة دون الحاجة إلى شبكات ضخمة أو حواسيب فائقة، مما يجعله أداة واعدة لتطبيقات هندسية مستقبلية، من تصميم طائرات أفضل إلى فهم التيارات المحيطية. ويشير الباحثون إلى أن هذا النهج قد يكون المفتاح لفتح آفاق محاكاة السوائل عالية السرعة والفعالة التي كانت في السابق صعبة الحوسبة للغاية.