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
| الاسم | شبكة المؤثرات العميقة – Deep Operator Network |
|---|---|
| سنة الظهور | 2021 |
| الباحثون | Lu Lu، Pengzhan Jin، Guofei Pang، Zhongqiang Zhang، George Em Karniadakis |
| الجهة | Brown University |
| الورقة الأصلية | Learning nonlinear operators via DeepONet based on the universal approximation theorem of operators DOI arXiv |
| نوع البيانات | حقول فيزيائية ودوال |
| المجالات | الحوسبة العلمية، الروبوتات، تحليل الصور الطبية |
| الكلفة الحسابية | تمرير أمامي واحد لكل تقييم. |
| حجم البيانات | مئات 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
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 $b_k$.
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
| المكوّن | الوظيفة |
|---|---|
| Sensors x_1..x_m | مواقع ثابتة لقراءة الدالة |
| Branch net | u(x_1..x_m) → b ∈ ℝᵖ |
| Trunk net | y → t ∈ ℝᵖ |
| Dot product + bias | G(u)(y) |
المعادلات
1. تمثيل DeepONet
| $m$ | عدد الحساسات |
| $p$ | عدد الدوال القاعدية |
2. المؤثر في المثال: التكامل
| $u$ | دالة الدخل |
| $G(u)$ | دالة الخرج التي يتعلمها المؤثر |
| $y$ | نقطة تقييم الخرج |
آلية العمل خطوة بخطوة
- ولّد أزواج (دالة دخل، حل) من محلّل أو تجارب.
- اقرأ دالة الدخل عند حساسات ثابتة.
- اختر مواضع تقييم.
- درّب الفرع والجذع بخسارة MSE.
- 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
| المجال | الاستخدام |
|---|---|
| الحوسبة العلمية | محاكاة الموائع والحرارة والمرونة والمسائل العكسية. |
| تحليل الصور الطبية | نمذجة تدفق الدم وانتشار الأدوية في الأنسجة. |
| الروبوتات | نماذج 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.
# 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
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…
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
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…
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…
لا توجد نتائج مطابقة للمرشحات.
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
ما وظيفة شبكة الفرع في DeepONet؟
لماذا؟ الجذع يرمّز الموضع.
ما الأساس النظري لـ DeepONet؟
لماذا؟ تثبت إمكان تقريب المؤثرات المستمرة.
كيف يُجمع ناتجا الفرع والجذع؟
لماذا؟ $\sum_k b_kt_k+b_0$.
المراجع
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
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
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
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
