الانتقال من الجدول إلى الرسم البياني في الانحدار الرمزي الموجه بالفيزياء الزمكاني

تعليم الحواسيب كشف القواعد الخفية للطبيعة

تكمن الكثير من العلوم في إيجاد قواعد بسيطة تشرح كيف يتغير العالم مع الزمن، من بندول متأرجح إلى انتشار الحرارة عبر قضيب معدني. تستعرض هذه المقالة طريقة جديدة لمساعدة الحواسيب على إعادة اكتشاف مثل هذه القواعد مباشرة من البيانات عن طريق الانتباه ليس فقط للأرقام نفسها ولكن أيضاً لمكان وزمن قياسها. توضح الدراسة كيف أن الجمع بين وجهتي عرض للبيانات — عرض جدولي تقليدي وعرض شبكي — يمكن أن يجعل الاكتشاف التلقائي للمعادلات أكثر دقة، وأكثر صموداً أمام الضوضاء، وأكثر قرباً من الفيزياء الحقيقية.

من جداول الأرقام إلى شبكات الروابط

تتعامل معظم الأدوات الحالية لاكتشاف المعادلات تلقائياً مع البيانات كجدول عادي، حيث تمثل كل صفة قياساً مستقلاً. هذا الترتيب يعمل للمشكلات البسيطة لكنه يواجه صعوبة مع الأنظمة الفيزيائية الحقيقية التي تتطور في الفضاء والزمن معاً. قراءة درجة حرارة في نقطة تعتمد على جيرانها وعلى ما حدث قبل لحظة. تجاهل هذه الروابط قد يدفع الحواسيب إلى إنتاج صيغ توافق البيانات لكنها تغفل القانون الأساسي الفعلي. يجادل المؤلفون بأنه من أجل احترام طريقة عمل الطبيعة، نحتاج إلى تمثيل يتتبع أي القياسات هي جيران في الفضاء والزمن، وليس مجرد قيمها الخام.

تحويل القياسات إلى شبكة زمكانية

لإصلاح ذلك، تقدم الدراسة تمثيلًا مزدوجًا للبيانات. النظرة الأولى هي الجدول المألوف للأرقام. النظرة الثانية هي رسم بياني، شبكة تكون عقدها مقابلة لقياسات أخذت في مواقع وأزمنة محددة، بينما تربط الحواف القراءات القريبة مكانيًا أو زمنيًا. يعمل هذا الرسم البياني كخريطة للسببية المحلية، حيث تعكس الفروقات على الحواف المكانية التغيرات المكانية وتقلّد الفروقات على الحواف الزمنية معدلات التغير عبر الزمن. ثم تعالج شبكة عصبية مبنية على الرسم البياني هذا التركيب لتتعلم ميزات مدمجة مُطّلعة بالفيزياء تبرز أنماطًا ناعمة ومتسقة وتقلل من أثر الضوضاء العشوائية.

تعليم آليات اكتشاف المعادلات الاستماع للفيزياء

بمجرد توفر هذه الميزات المتعلمة، تُدخل في أدوات الانحدار الرمزي التي تبحث عن معادلات قابلة للقراءة البشرية تصف البيانات. الابتكار الرئيسي هو هدف تدريب جديد يقيم المعادلات المرشحة بطريقتين في آن واحد. أولاً، يفحص مدى مطابقة البيانات المحاكاة من المعادلة المرشحة مع القياسات الأصلية. ثانياً، يتحقق مما إذا كانت البيانات المحاكاة، بعد مرورها عبر الشبكة العصبية الرسومية، تقع في نفس الفضاء «الباطن» مثل البيانات الحقيقية. هذا الفحص الثاني يجبر المعادلات المكتشفة على احترام العلاقات المكانية والزمنية التي يلتقطها الرسم البياني، موجهًا البحث بعيدًا عن صيغ توافق الأرقام لكنها تنكسر عن البنية الفيزيائية المعروفة.

اختبار الطريقة

لاستقصاء فعالية الفكرة، تولَّد المؤلفون بيانات اصطناعية من عشر معادلات كلاسيكية مأخوذة من الفيزياء والهندسة، بما في ذلك قوانين للبِكرات، وانتشار الحرارة، والحركة الشبيهة بالسائل، وأنظمة ذات استجابات متأخرة. في كل حالة أضافوا إشارات مشتتة إضافية وكميات مسيطرة من الضوضاء، ثم شغّلوا عشر طرق مختلفة لاكتشاف المعادلات مع التمثيل القائم على الرسم البياني وبدونه. على نطاق واسع، أدى اعتماد العرض المزدوج إلى مكاسب متواضعة ولكن ثابتة في الدقة، وتحسن في استعادة الشكل الرمزي الصحيح، وتقارب أكبر مع القيود الفيزيائية. كانت الفوائد أوضح عندما كانت البيانات ضوضائية أو شحيحة، وهي ظروف شائعة في التجارب الحقيقية.

ما الذي يعنيه هذا لاكتشاف العلوم مستقبلًا

ببساطة، تُظهر المقالة أن تزويد الحواسيب ليس فقط بالأرقام بل أيضاً بمخطط يوضح كيف ترتبط تلك الأرقام في الفضاء والزمن يساعدها على تخمين المعادلات الصحيحة بمزيد من الاعتمادية. عبر نَسج وجهة نظر شبكية ضمن أدوات اكتشاف المعادلات التقليدية، تحسّن الطريقة الصلابة دون تغيير البنى الداخلية لتلك الأدوات. وعلى الرغم من أن الاختبارات هنا تستخدم بيانات محاكاة مُتحكمًا فيها بعناية، فإن النهج يلمّح إلى مسار عملي نحو نماذج أكثر موثوقية ومتوافقة مع الفيزياء من قياسات محدودة، مقرّبًا اكتشاف المعادلات الآلي خطوة أقرب للاستخدام اليومي في المختبرات والممارسة الهندسية.

الاستشهاد: Lazebnik, T., Liberzon, A. Moving from table to graph in physics-informed spatio-temporal symbolic regression. Sci Rep 16, 16016 (2026). https://doi.org/10.1038/s41598-026-53882-w

الكلمات المفتاحية: الانحدار الرمزي, شبكات عصبية رسومية, البيانات الزمكانية, اكتشاف المعادلات, التعلم الموجه بالفيزياء