كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيعبقري الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةموسوعة شبكات التعلم العميق الحديثةمختبر الشبكات العصبية البيانيةمختبر تحليل الصور الطبيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجةمختبر الذكاء الاصطناعي الكمّي

متقدمالشبكات العصبية المستندة إلى الفيزياء

شبكة المؤثرات العميقة (DeepONet)

Deep Operator Network

شبكة تتعلم مؤثراً يحوّل دالة إلى دالة (مثل: الشرط → الحل)، عبر شبكة "فرع" ترمّز دالة الدخل من قيمها عند حساسات ثابتة، وشبكة "جذع" ترمّز موضع التقييم، ويُجمع الناتجان بضرب نقطي.

نظرة عامة

الاسمشبكة المؤثرات العميقة – Deep Operator Network
سنة الظهور2021
الباحثونLu Lu، Pengzhan Jin، Guofei Pang، Zhongqiang Zhang، George Em Karniadakis
الجهةBrown University
الورقة الأصليةLearning nonlinear operators via DeepONet based on the universal approximation theorem of operators DOI arXiv
نوع البياناتحقول فيزيائية ودوال
المجالاتالحوسبة العلمية، الروبوتات، تحليل الصور الطبية
الكلفة الحسابيةتمرير أمامي واحد لكل تقييم.
حجم البياناتمئات إلى آلاف أزواج الدوال.

المشكلة التي تحلها

PINN وغيرها تحل مسألة واحدة؛ تغيير الشرط أو المصدر يتطلب إعادة الحل. المطلوب تعلم "المحلّل" نفسه لتقييم فوري لحالات جديدة.

الخلفية والتطور

ما قبلها: الإدراك متعدد الطبقات، الشبكات العصبية المستندة إلى الفيزياء

  1. 1995

    أثبت Chen وChen نظرية التقريب الشامل للمؤثرات غير الخطية. [مرجع]

  2. 2021

    قدم Lu وزملاؤه DeepONet في Nature Machine Intelligence (arXiv 2019). [مرجع]

  3. 2023

    إطار المؤثرات العصبية العام. [مرجع]

الفكرة الأساسية

$G(u)(y)\approx\sum_{k=1}^{p}b_k(u(x_1),\dots,u(x_m))\,t_k(y)+b_0$. الفرع يرى الدالة كاملة من خلال $m$ حساساً، والجذع يرى موضعاً واحداً $y$. الضرب النقطي يشبه توسيع الحل بقاعدة دوال $t_k$ بمعاملات تعتمد على الدخل $b_k$.

مثال: تعلم المؤثر من شكل نبضة الضغط القلبي إلى توزيع الإجهاد على جدار الشريان، ثم تقييم مرضى جدد في أجزاء من الثانية.

المخطط التفاعلي

مخطط توضيحي مبسّط بأبعاد مثال صغير، وليس رسماً مطابقاً لكل تفاصيل التنفيذ الأصلي. اضغط أي طبقة لترى وظيفتها وأبعادها والعملية الرياضية.

اختر طبقة من المخطط.

المكونات

المكوّنالوظيفة
Sensors x_1..x_mمواقع ثابتة لقراءة الدالة
Branch netu(x_1..x_m) → b ∈ ℝᵖ
Trunk nety → t ∈ ℝᵖ
Dot product + biasG(u)(y)

المعادلات

1. تمثيل DeepONet

$$G_\theta(u)(y)=\sum_{k=1}^{p}\underbrace{b_k\big(u(x_1),\dots,u(x_m)\big)}_{\text{branch}}\;\underbrace{t_k(y)}_{\text{trunk}}+b_0$$

الرموز
$m$عدد الحساسات
$p$عدد الدوال القاعدية
الأبعاد
$b,t\in\mathbb{R}^{p}$
مثال عددي
$p=2$، $b=(0.5,-1)$، $t(y)=(0.2,0.1)$، $b_0=0$: $0.1-0.1=0$.
علاقتها بالمعمارية
فصل بين ترميز الدالة وموضع التقييم.

2. المؤثر في المثال: التكامل

$$G(u)(y)=\int_0^{y}u(s)\,ds$$

الرموز
$u$دالة الدخل
$G(u)$دالة الخرج التي يتعلمها المؤثر
$y$نقطة تقييم الخرج
الأبعاد
دالة إلى دالة
مثال عددي
$u(s)=\cos(2\pi s)$ ⇒ $G(u)(y)=\sin(2\pi y)/(2\pi)$؛ عند $y=0.125$: $\approx0.1125$.
علاقتها بالمعمارية
مؤثر خطي بسيط معروف الحل للاختبار.

آلية العمل خطوة بخطوة

  1. ولّد أزواج (دالة دخل، حل) من محلّل أو تجارب.
  2. اقرأ دالة الدخل عند حساسات ثابتة.
  3. اختر مواضع تقييم.
  4. درّب الفرع والجذع بخسارة MSE.
  5. قيّم على دوال جديدة فوراً.

المزايا والقيود

المزايا

  • تقييم سريع جداً بعد التدريب.
  • أساس نظري (نظرية Chen وChen).
  • مرونة في مواضع التقييم (أي y).

القيود

  • حساسات ثابتة للدخل.
  • تحتاج بيانات تدريب من محلّل.
  • التعميم خارج توزيع دوال التدريب ضعيف.

متى تُستخدم؟ ومتى لا؟

تناسب

  • تقييم متكرر لمسائل من العائلة نفسها.
  • نماذج بديلة (surrogates).

لا تناسب

  • حالة واحدة فقط (يكفي محلّل أو PINN).
  • دخل على شبكات متغيرة كثيراً دون تكييف.

التطبيقات

المجالالاستخدام
الحوسبة العلميةمحاكاة الموائع والحرارة والمرونة والمسائل العكسية.
تحليل الصور الطبيةنمذجة تدفق الدم وانتشار الأدوية في الأنسجة.
الروبوتاتنماذج ديناميكية للتحكم.

كود PyTorch

كود تعليمي مبسّط يعمل على بيانات اصطناعية صغيرة، يغطي: الاستيراد، وتعريف النموذج، والبيانات، والتمرير الأمامي، والخسارة، والمُحسِّن، وحلقة التدريب، والتقييم، والاستدلال. ليس التنفيذ الكامل للبحث الأصلي.

Python (PyTorch)
# DeepONet لتعلم مؤثر التكامل
# مثال تعليمي مبسّط بـ PyTorch (ليس التنفيذ الأصلي الكامل للبحث): بيانات اصطناعية صغيرة،
# يعمل على المعالج المركزي (CPU) خلال ثوانٍ. الأرقام التي يطبعها تخص هذا المثال فقط.
# 1) استيراد المكتبات
import torch
import torch.nn as nn
import torch.nn.functional as F

torch.manual_seed(0)

# 2) تعريف النموذج
class DeepONet(nn.Module):
    """G(u)(y) ≈ Σ_k b_k(u(x_1..x_m)) · t_k(y) + b0 : شبكة فرع للدالة وشبكة جذع لموضع التقييم."""
    def __init__(self, m=50, p=40, h=64):
        super().__init__()
        self.branch = nn.Sequential(nn.Linear(m, h), nn.Tanh(), nn.Linear(h, h), nn.Tanh(), nn.Linear(h, p))
        self.trunk = nn.Sequential(nn.Linear(1, h), nn.Tanh(), nn.Linear(h, h), nn.Tanh(), nn.Linear(h, p), nn.Tanh())
        self.b0 = nn.Parameter(torch.zeros(1))
    def forward(self, u_sensors, y):            # u: B×m ، y: B×Q×1 → B×Q
        return torch.einsum('bp,bqp->bq', self.branch(u_sensors), self.trunk(y)) + self.b0

# 3) إعداد البيانات
# المؤثر المطلوب تعلمه: التكامل G(u)(y) = ∫₀ʸ u(s) ds (المثال الأول في ورقة DeepONet)
# دوال الدخل: متسلسلات فورييه عشوائية؛ التكامل الدقيق معروف تحليلياً فلا نحتاج محلّلاً عددياً
m, Q, K = 50, 20, 5
sensors = torch.linspace(0, 1, m)
def make(n):
    a, b = torch.randn(n, K) / torch.arange(1, K + 1), torch.randn(n, K) / torch.arange(1, K + 1)
    k = torch.arange(1, K + 1).float() * 2 * torch.pi
    u = lambda s: (a[:, None] * torch.cos(k * s[..., None]) + b[:, None] * torch.sin(k * s[..., None])).sum(-1)
    Gu = lambda y: (a[:, None] * torch.sin(k * y[..., None]) / k + b[:, None] * (1 - torch.cos(k * y[..., None])) / k).sum(-1)
    y = torch.rand(n, Q)
    return u(sensors.expand(n, m)), y[..., None], Gu(y)
U_train, Y_train, G_train = make(2000)
U_test, Y_test, G_test = make(300)
model = DeepONet(m)

# 4) الخسارة والمحسّن
opt = torch.optim.Adam(model.parameters(), lr=2e-3)
sched = torch.optim.lr_scheduler.StepLR(opt, 50, 0.4)

# 5) حلقة التدريب
EPOCHS, BATCH = 150, 100
for epoch in range(EPOCHS):
    perm, tot = torch.randperm(len(U_train)), 0.0
    for i in range(0, len(U_train), BATCH):
        idx = perm[i:i + BATCH]
        pred = model(U_train[idx], Y_train[idx])                               # Forward Pass
        loss = F.mse_loss(pred, G_train[idx])
        opt.zero_grad(); loss.backward(); opt.step()
        tot += loss.item() * len(idx)
    sched.step()
    if epoch % 30 == 0 or epoch == EPOCHS - 1:
        print(f"epoch {epoch:3d}  loss={tot / len(U_train):.2e}")

# 6) التقييم على دوال لم يرها النموذج
with torch.no_grad():
    pred = model(U_test, Y_test)
    rel = (torch.norm(pred - G_test, dim=1) / torch.norm(G_test, dim=1)).mean().item()
print(f"mean relative L2 error on unseen functions = {rel:.4f}")

# 7) الاستدلال: u(s) = cos(2πs) ⇒ الحل الدقيق sin(2πy)/(2π)؛ نقيّمه عند y = 0.125
with torch.no_grad():
    u = torch.cos(2 * torch.pi * sensors)[None]
    y = torch.tensor([[[0.125]]])
    print(f"G(u)(0.125): DeepONet = {model(u, y).item():.4f} ; exact = {(torch.sin(torch.tensor(2 * torch.pi * 0.125)) / (2 * torch.pi)).item():.4f}")

نُفّذ هذا الكود بتاريخ 2026-11-20 في 8.7 ثانية (PyTorch (CPU), Python 3 – local build machine).

من مخرجاته:

mean relative L2 error on unseen functions = 0.1325

عدد المعاملات القابلة للتدريب في المثال: model = 16٬913.

هذه النتائج لبيانات اصطناعية صغيرة وعدد حقب قليل، وتُثبت أن الكود يعمل فقط؛ لا تقارنها بالنتائج المنشورة.

جرّب وتعمّق

معماريات مرتبطة

متقدم2021

المؤثر العصبي الفورييهي

Fourier Neural Operator (FNO)

مؤثر عصبي يطبق في كل طبقة "التفافاً طيفياً": تحويل فورييه للسمات، ثم ضرب عدد محدود من الترددات المنخفضة بأوزان مركبة متعلَّمة، ثم التحويل العكسي، مع مسار خطي محلي، فيتعل…

الشبكات العصبية المستندة إلى الفيزياء

بحثي2023

المؤثرات العصبية

Neural Operators (NO)

عائلة معماريات تتعلم مؤثرات بين فضاءات دوال لا بين متجهات بأبعاد ثابتة، بتكديس طبقات خطية نقطية مع مؤثرات تكاملية بنوى متعلَّمة، فتكون مستقلة عن التقطيع (discretization-…

الشبكات العصبية المستندة إلى الفيزياء

متوسط2019

الشبكات العصبية المستندة إلى الفيزياء

Physics-Informed Neural Networks (PINN)

شبكة تقرّب حل معادلة تفاضلية جزئية u_θ(x,t)، وتُدرَّب بخسارة تجمع باقي المعادلة (محسوباً بالاشتقاق التلقائي) مع الشروط الابتدائية والحدية وأي قياسات متاحة، فتحل مسائل أم…

الشبكات العصبية المستندة إلى الفيزياء

متقدم2020

معماريات تعلم الآلة العلمي

Scientific Machine Learning Architectures (SciML)

منظومة معماريات تمزج النماذج الآلية (المعادلات المعروفة) مع شبكات عصبية تتعلم الأجزاء المجهولة، وتُدرَّب عبر محلّلات تفاضلية قابلة للاشتقاق. أبرز أمثلتها المعادلات التفا…

الشبكات العصبية المستندة إلى الفيزياءالمعماريات الهجينة

أفكار بحثية

  • DeepONet بديلاً لمحاكاة تدفق الدم في الشرايين التاجية مع بيانات مرضى محدودة.

اقتراحات للانطلاق وليست فجوات بحثية مؤكدة؛ راجع الأدبيات الحديثة قبل اعتمادها.

اختبر فهمك

  1. مفهوم

    ما وظيفة شبكة الفرع في DeepONet؟

  2. مفهوم

    ما الأساس النظري لـ DeepONet؟

  3. مفهوم

    كيف يُجمع ناتجا الفرع والجذع؟

المراجع

  1. Lu, L., Jin, P., Pang, G., Zhang, Z., & Karniadakis, G. E. (2021). Learning nonlinear operators via DeepONet based on the universal approximation theorem of operators. Nature Machine Intelligence, 3(3), 218–229. https://doi.org/10.1038/s42256-021-00302-5

    DOIarXivتحقق آلي عبر Crossref – 2026-11-20

  2. Chen, T., & Chen, H. (1995). Universal approximation to nonlinear operators by neural networks with arbitrary activation functions and its application to dynamical systems. IEEE Transactions on Neural Networks, 6(4), 911–917. https://doi.org/10.1109/72.392253

    DOIتحقق آلي عبر Crossref – 2026-11-20

  3. Kovachki, N., Li, Z., Liu, B., Azizzadenesheli, K., Bhattacharya, K., Stuart, A., & Anandkumar, A. (2023). Neural operator: Learning maps between function spaces with applications to PDEs. Journal of Machine Learning Research, 24(89), 1–97. https://arxiv.org/abs/2108.08481

    arXivالناشرتحقق آلي عبر OpenAlex/arXiv – 2026-11-20

  4. Karniadakis, G. E., Kevrekidis, I. G., Lu, L., Perdikaris, P., Wang, S., & Yang, L. (2021). Physics-informed machine learning. Nature Reviews Physics, 3(6), 422–440. https://doi.org/10.1038/s42254-021-00314-5

    DOIتحقق آلي عبر Crossref – 2026-11-20