الوصف
تمثل الشبكات العصبية المستنيرة بالفيزياء (PINNs) نهجًا ثوريًا لحل مشاكل التعلم المراقب، لا سيما تلك التي تحكمها المعادلات التفاضلية الجزئية (PDEs) غير الخطية. يدمج هذا الإطار القوانين الفيزيائية مباشرة في عملية تدريب الشبكة العصبية، مما يتيح حلولاً قائمة على البيانات واكتشاف المعادلات التفاضلية الجزئية الأساسية.
تعمل شبكات PINNs عن طريق تقريب حل المعادلة التفاضلية الجزئية باستخدام شبكة عصبية عميقة. يكمن الابتكار الرئيسي في تحديد دالة خسارة لا تشمل فقط التباين بين تنبؤات الشبكة والبيانات المرصودة (إذا كانت متاحة) ولكن أيضًا حدًا يعاقب انتهاك المعادلة التفاضلية الجزئية نفسها. يتم تحقيق ذلك من خلال التمايز التلقائي، حيث يتم تمييز مخرجات الشبكة بالنسبة لمدخلاتها (مثل الوقت والإحداثيات المكانية) لحساب حدود المعادلة التفاضلية الجزئية. من خلال تقليل هذه الخسارة المجمعة، يتم تدريب الشبكة لتلبية كل من البيانات والقيود الفيزيائية.
يدعم الإطار فئتين رئيسيتين من المشاكل: الحل القائم على البيانات واكتشاف المعادلات التفاضلية الجزئية القائم على البيانات. لحل المعادلات التفاضلية الجزئية، يمكن لشبكات PINNs استنتاج الحلول حتى مع البيانات المتفرقة من خلال الاستفادة من بنية المعادلة التفاضلية الجزئية. للاكتشاف، يمكنها تحديد معلمات المعادلات التفاضلية الجزئية غير المعروفة من البيانات المرصودة. يتم تقديم منهجين خوارزميين متميزين: نماذج الوقت المستمر، التي تستخدم نقاط التجميع في جميع أنحاء المجال المكاني الزماني لفرض قيود المعادلات التفاضلية الجزئية، ونماذج الوقت المنفصل، التي تستفيد من مخططات الخطوات الزمنية الكلاسيكية مثل طرق رونج-كوتا لبناء تمثيلات شبكات عصبية أكثر تنظيمًا، مما قد يقلل من الحاجة إلى نقاط تجميع واسعة في الأبعاد الأعلى.
تشمل الأمثلة المقدمة حل واكتشاف المعلمات لمعادلة بورجرز، ومعادلة شرودنجر، ومعادلات نافييه-ستوكس، ومعادلة ألين-كاهن، ومعادلة كورتويج-دي فريس (KdV). توضح هذه الأمثلة تعدد استخدامات شبكات PINNs في التعامل مع أنواع مختلفة من اللاخطيات، والشروط الحدودية (بما في ذلك الحلول الدورية والمعقدة القيمة)، والمشتقات ذات الرتب الأعلى. تعد القدرة على استعادة المعلمات غير المعروفة للمعادلات التفاضلية الجزئية من البيانات المحدودة تقدمًا كبيرًا للاكتشاف العلمي والتطبيقات الهندسية.
يشمل الجمهور المستهدف لشبكات PINNs الباحثين والمهندسين وعلماء البيانات الذين يعملون مع الأنظمة الفيزيائية وديناميكا الموائع وعلوم المواد وأي مجال تلعب فيه المعادلات التفاضلية دورًا حاسمًا. تكمن القيمة المقترحة في قدرتها على توفير حلول دقيقة ببيانات أقل، واكتشاف المعادلات الحاكمة، وإنشاء نماذج بديلة قابلة للتفاضل يمكن تحليلها وتحسينها بشكل أكبر.
أبرز ملامح التعلم العميق المستنير بالفيزياء
شبكات عصبية مستنيرة بالفيزياء لحلول المعادلات التفاضلية الجزئية
اكتشاف المعادلات التفاضلية الجزئية القائم على البيانات
نماذج الوقت المستمر لفرض قيود المعادلات التفاضلية الجزئية
نماذج الوقت المنفصل تستفيد من مخططات رونج-كوتا
التفاضل التلقائي لتحقيق قيود المعادلات التفاضلية الجزئية
تعالج المعادلات التفاضلية الجزئية غير الخطية
تدعم الشروط الحدودية المختلفة (ديريتشليه، دورية)
يمكنها استنتاج المعلمات غير المعروفة للمعادلات التفاضلية الجزئية
نماذج بديلة قابلة للتفاضل
قابلة للتطبيق على ديناميكا الموائع، ظواهر الموجات، وأنظمة الانتشار التفاعلي
الكود ومجموعات البيانات متاحة للجمهور
تم التدريب على وحدات معالجة الرسوميات (GPUs) للكفاءة
البدء مع التعلم العميق المستنير بالفيزياء
تحديد المعادلة التفاضلية الجزئية: صياغة المعادلة التفاضلية الجزئية التي تحكم النظام.
تقريب الحل: تمثيل الحل المجهول باستخدام شبكة عصبية عميقة.
بناء دالة الخسارة: الجمع بين خسارة دقة البيانات وخسارة بقايا المعادلة التفاضلية الجزئية.
تدريب الشبكة: تقليل دالة الخسارة باستخدام خوارزميات التحسين (مثل الانتشار الخلفي).
التحقق من النتائج: مقارنة تنبؤات الشبكة بالحلول المعروفة أو البيانات التجريبية.
التطبيق للاكتشاف: استخدام البيانات المرصودة لاستنتاج المعلمات غير المعروفة للمعادلة التفاضلية الجزئية.
حالات استخدام التعلم العميق المستنير بالفيزياء
- حل المعادلات التفاضلية الجزئية
- اكتشاف المعادلات التفاضلية الجزئية
- نمذجة ديناميكا الموائع
- تحليل انتشار الموجات
- محاكاة علوم المواد
- نمذجة ميكانيكا الكم
- نماذج بديلة قابلة للتفاضل
- المشاكل العكسية
