إطار تبايني لانتباه تكيفي مبني على الباقي في حلول المعادلات التفاضلية الجزئية بالشبكات العصبية وتعلّم المؤثرات

ذكاء اصطناعي أذكى لمعادلات صعبة

تعتمد العديد من الاكتشافات العلمية الحالية — من نمذجة المناخ إلى تصميم مواد جديدة — على حل معادلات معقدة تصف كيف يتدفق السائل أو تنتقل الموجات أو تتحرك الجبهات الكيميائية. أصبحت الشبكات العصبية في الآونة الأخيرة أدوات قوية للتعامل مع هذه المعادلات، لكنها غالبًا ما تواجه صعوبات عندما تصبح الفيزياء معقدة: الصدمات الحادة، البنى الدقيقة، والتنبؤات زمنياً الطويلة قد تؤدي إلى فشلها. يقدم هذا البحث طريقة منهجية لجعل هذه المحللات تعمل بتركيز أكبر في الأماكن التي تكافح فيها أكثر، بحيث تصبح أسرع وأكثر دقة.

لماذا تحتاج الشبكات العصبية إلى التوجيه

في التعلّم الآلي العلمي، تُدرَّب الشبكات العصبية إما لاستنساخ حل معادلة واحدة (كما في الشبكات العصبية الموجهة بالفيزياء أو PINNs) أو لتتعلم تحويلًا كاملاً من المدخلات إلى الحلول (المعروف بتعلّم المؤثرات). في كلتا الحالتين يُقيَّم أداء الشبكة بواسطة "الباقي"، وهو مقياس لمدى مخالفتها للمعادلة الأساسية عند كل نقطة في الفضاء والزمان. يعامل التدريب التقليدي كل النقاط على قدم المساواة، ويقلل الخطأ المتوسط. هذا ينجح في المشاكل البسيطة، لكن في المعادلات ذات الانحدارات الحادة أو الجبهات المتحركة أو البنى المتمركزة محليًا، يمكن أن يخفي متوسط منخفض أخطاء جسيمة في مناطق حرجة. استجاب الباحثون بقواعد مخصّصة تضع مزيدًا من نقاط التدريب حيث يكون الباقي كبيرًا، لكن حتى الآن بقيت هذه القواعد وصفية ومبرراتها ضعيفة.

وصفة موحّدة للانتباه التكيفي

يطوّر المؤلفون إطارًا تباينيًا يحوّل هذه القواعد الوصفية إلى وصفة مبدئية. الفكرة الأساسية هي رؤية اختيار العيّنة والتوزين كقرارات حول أي توزيع احتمالي على الفضاء (وعلى أمثلة التدريب) يجب أن تولي الشبكة اهتمامها الأكبر. يقدمون أسرة من دوال "الإمكان" التي تحوّل الباقي إلى هدف جديد. ترتبط اختيارات مختلفة من الإمكان بأولويات مختلفة: الإمكان الأسي يدفع الشبكة لتقليل أسوأ خطأ فردي، بينما يركّز الإمكان التربيعي على تقليل تباين الخطأ عبر المجال. رياضيًا، يؤدي تحسين هذه الأهداف المحوّلة بطبيعة الحال إلى أخذ عينات أكثر تكرارًا في المناطق التي يكون فيها الباقي الحالي كبيرًا. تسمى الطريقة الناتجة انتباهًا تباينيًا مبنيًا على الباقي (vRBA)، وهي تضمّ تحت مظلتها العديد من الأساليب التكيفية الموجودة وتوفر طريقًا واضحًا لاختراع أساليب جديدة.

الامتداد لتعلّم خرائط فيزيائية كاملة

تهدف محولات الذكاء الاصطناعي الحديثة بشكل متزايد إلى تعلم ليس حلًا واحدًا فحسب بل مُؤَثِّرًا كاملًا: تحويلًا من مدخلات مثل الشروط الابتدائية أو القوة إلى حقول مكانيّة-زمانية كاملة. هذا هو هدف بنى المؤثرات العصبية مثل DeepONet وFourier Neural Operators (FNO) وU‑Nets بشرط الزمن. هنا يتضاعف التحدي: هناك تباين عبر دوال المدخلات المختلفة وتباين عبر الزمان والمكان داخل كل مثال. يعدّل المؤلفون إطارهم ليناسب هذا الإعداد المنتج عبر دمج مستويين من التكيف. أولاً، يعيدون وزن النقاط المكانية داخل كل مثال بحيث تهم المناطق ذات الباقي العالي أكثر. ثانيًا، يستخدمون البواقي المتراكمة لإعادة أخذ عينات تفضيلية للأمثلة التدريبية الكاملة التي يصعب تعلمها. يمكن إدخال هذا المخطط الهجين مباشرة في نماذج تعلّم المؤثرات الشائعة دون إعادة تصميم البنية المعمارية.

تفاصيل أكثر حدة، ونمو أبطأ للخطأ

على مجموعة واسعة من المعايير القياسية، يتفوّق نهج vRBA باستمرار على التدريب التقليدي. بالنسبة لـ PINNs، يختبر الفريق معادلات غير خطية كلاسيكية مثل معادلة ألين–كاين وبيوغرز ومعادلة كورتفاغ‑ديفريز. بعض هذه المشاكل معروفة بأنها تهزم PINNs التقليدية، إما بسبب طبقات داخلية حادة أو تداخل نبضات الموجة. مع vRBA، تتقارب نفس الشبكات أسرع وتصل إلى خطأ أقل بكثير، وفي الحالات الصعبة التي يفشل فيها الأساس عمليًا، تستعيد الطرق التكيفية حلولًا دقيقة. أما في تعلّم المؤثرات، فيطبقون vRBA على نمو الفقاعات في السوائل، تدفقات أنابيب الصدمة عالية الضغط، الاضطراب ثنائي الأبعاد، وانتشار الموجات. هنا، ليست الميزة الرئيسة مجرد خطأ نهائي أفضل، بل تباطؤ أكبر في تراكم الأخطاء مع الزمن، وهو أمر حاسم عندما يُعاد إدخال مخرجات النموذج مرارًا كمُدخلات له.

تنقية الضوضاء في إشارة التعلم

يعزو المؤلفون هذه المكاسب إلى تأثيرين رئيسيين. أولًا، من خلال تغيير كيفية أخذ عينات أو وزن نقاط التدريب، يقلل vRBA الضوضاء الإحصائية في الخسارة المقدّرة: تعطي دفعات عشوائية من النقاط صورة أكثر موثوقية عن مدى أداء الشبكة بشكل عام. هذا يقلل مباشرة خطأ التقطيع، الفجوة بين الهدف المثالي المستمر ومجموعة النقاط المنتهية المستخدمة في الممارسة. ثانيًا، يحسّن الأسلوب نسبة الإشارة إلى الضوضاء في التدرجات التي تقود التعلم، بحيث "تتوافق" مناطق مختلفة من المجال أكثر حول اتجاه تحريك المعاملات. ونتيجة لذلك، تهرب الشبكات من مراحل التدريب البطيئة والمترددة في وقت أقصر وتدخل نظامًا ينخفض فيه الخطأ بسرعة. كما يوضح الإطار متى يمكن أن تساعد الاستراتيجيات العدوانية — تلك التي تعاقب أكبر البواقي بشدة — ومتى قد تزعزع استقرار التدريب.

ماذا يعني هذا لمستقبل الذكاء العلمي

للغير متخصصين، الرسالة هي أن الانتباه الأذكى إلى أماكن خطأ محلل الذكاء الاصطناعي يمكن أن يجعله أداة أكثر موثوقية للعلم والهندسة. بدلاً من الاعتماد على قواعد تجربة وخطأ، يقدم هذا العمل مخططًا رياضيًا لتوجيه الشبكات العصبية نحو أكثر أجزاء المسألة معلوماتية، سواء كانت جبهات صدمة أو تذبذبات دقيقة أو سلوكًا على مدى زمني طويل. مع نمو النماذج العلمية واستخدامها في سياقات حرجة للسلامة، ستكون مثل هذه الاستراتيجيات المبدئية لتقليل الخطأ واستقرار التعلم ضرورية لتحويل الشبكات العصبية القوية إلى أدوات علمية موثوقة.

الاستشهاد: Toscano, J.D., Chen, D.T., Ooomen, V. et al. A variational framework for residual-based adaptivity in neural PDE solvers and operator learning. npj Artif. Intell. 2, 32 (2026). https://doi.org/10.1038/s44387-026-00084-4

الكلمات المفتاحية: الشبكات العصبية الموجهة بالفيزياء, تعلّم المؤثرات, التحجيم التكيفي للعينة, التعلّم الآلي العلمي, المعادلات التفاضلية الجزئية