מעבר מטבלה לגרף ברגרסיה סמבולית מרוכבת במרחב-זמן המודעת לפיזיקה

להדריך מחשבים לגלות חוקים נסתרי הטבע

הרבה מדע מתמצה במציאת כללים פשוטים שמסבירים כיצד העולם משתנה עם הזמן, מתנודדות של מטוטלת ועד פיזור חום במוט מתכתי. במאמר זה נבחן דרך חדשה לסייע למחשבים לגלות מחדש חוקים כאלה ישירות מהנתונים על ידי התמקדות לא רק בערכים עצמם אלא גם במקום ובזמן בהם נמדדו. העבודה מראה כיצד שילוב שתי תצוגות של הנתונים — תצוגת גליון נתונים מסורתית ותצוגת רשת — יכול להפוך את גילוי המשוואות האוטומטי ליותר מדויק, עמיד לרעש ותואם יותר לפיזיקה הממשית.

מגליונות נתונים של מספרים לרשתות של קשרים

רוב הכלים הנוכחיים לגילוי משוואות מתייחסים לנתונים כאל טבלה פשוטה, שבה כל שורה היא מדידה עצמאית. ארגון כזה מתאים לבעיות פשוטות אך מתקשה מול מערכות פיזיקליות אמיתיות, שמתפתחות הן במרחב והן בזמן. קריאת טמפרטורה בנקודה אחת תלויה בשכנים שלה ובמה שקרה רגע קודם. התעלמות מקישורים אלה עלולה להוביל את המחשבים ליצור נוסחאות שמתאימות לנתונים אך מפספסות את החוק הבסיסי. המחברים טוענים שעל מנת לכבד את אופן פעולת הטבע, אנו זקוקים לייצוג ששומר על מי מהמדידות הן שכנות במרחב ובזמן, ולא רק על הערכים הגולמיים.

הפיכת מדידות לרשת מרחב-זמן

כדי לתקן זאת, המחקר מציג ייצוג כפול של הנתונים. התצוגה הראשונה היא הגליון המוכר של מספרים. התצוגה השנייה היא גרף — רשת שבה הצמתים מציבים מדידות שנלקחות במיקומים ובזמנים מסוימים, והקשתות מקשרות קריאות שהן קרובות במרחב או בזמן. גרף זה משמש כמפת סיבה ותוצאה מקומית, שבה הבדלים לאורך קשתות מרחב משקפים שינויים מרחביים והבדלים לאורך קשתות זמן מחקים שיעורי שינוי לאורך זמן. רשת עצבית מבוססת גרף מעבדת את המבנה הזה כדי ללמוד תכונות דחוסות, מודעות לפיזיקה, שמבליטות דפוסים חלקים ועקביים ומדכאות רעש אקראי.

להדריך מוצאי משוואות להקשיב לפיזיקה

ברגע שהתכונות הלמדיות זמינות, הן מוזנות לכלי רגרסיה סמבולית, שמחפשים משוואות קריאות לבני אדם שמתארות את הנתונים. החדשנות המרכזית היא מטרת אימון חדשה שמשפיטה מועמדי משוואות בשתי דרכים במקביל. ראשית, היא בודקת עד כמה נתונים מדומים שנוצרו על ידי מועמד תואמים את המדידות המקוריות. שנית, היא בודקת האם הנתונים המדומים, לאחר שעברו דרך רשת העצבים הגרפית, נופלים לאותו מרחב חבוי («לטנטי») כמו הנתונים האמיתיים. הבדיקה השנייה מאלצת את המשוואות המגולות לכבד את הקשרים המרחביים והזמניים שנתפסים על ידי הגרף, ומניעה את החיפוש הרחק מנוסחאות שמתאימות למספרים אך שוברות את המבנה הפיזיקלי המוכר.

בדיקת השיטה בשטח

כדי לבחון עד כמה הרעיון עובד, המחברים ייצרו נתונים סינתטיים מעשר משוואות קלאסיות הנשאבות מפיזיקה והנדסה, כולל חוקים עבור קפיצים, הובלת חום, תנועה דמוית נוזל ומערכות עם תגובות מושהות. בכל מקרה הוסיפו אותות מסיחים וסכומי רעש מבוקרים, ואז הריצו עשר שיטות שונות למציאת משוואות עם הייצוג החדש המבוסס גרף וללאו. בכל המקרים, שימוש בתצוגה הכפולה הביא לשיפורים צנועים אך עקביים בדיוק, בהחלמה טובה יותר של הצורה הסימבולית הנכונה ובהיצמדות רבה יותר למגבלות הפיזיקליות. היתרונות בלטו במיוחד כאשר הנתונים היו רועשים או מעטים — תנאים שנפוצים בניסויים אמיתיים.

מה משמעות הדבר לגילוי מדעי עתידי

במונחים פשוטים, המאמר מראה שלהעניק למחשבים לא רק את המספרים אלא גם שרטוט של האופן שבו המספרים קשורים במרחב ובזמן עוזר להם לנחש את המשוואות הנכונות באופן אמין יותר. על ידי אריגת תצוגת רשת לתוך כלי גילוי משוואות סטנדרטיים אחרת, השיטה משפרת את העמידות מבלי לשנות את המנגנון הפנימי של הכלים הללו. אמנם המבחנים כאן משתמשים בנתונים מדומים שנשלטו בקפידה, אך הגישה מציעה מסלול מעשי לעבר מודלים אמינים ועקביים פיזיקלית ממרידות מוגבלות, מה שמקרב את גילוי המשוואות האוטומטי לשימוש יומיומי במעבדות וביישומי הנדסה.

ציטוט: 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

מילות מפתח: רגרסיה סמבולית, רשתות עצביות גרפיות, נתוני מרחב-זמן, גילוי משוואות, למידה המודעת לפיזיקה