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

بحثيالمعماريات المتخصصة

الشبكات العصبية المتكافئة (ENN)

Equivariant Neural Networks

شبكات تُبنى بحيث يتحول خرجها بطريقة محددة عندما يتحول الدخل بتناظر ما (دوران، إزاحة، انعكاس، تبديل)، فلا تحتاج إلى تعلم هذا التناظر من البيانات، وتعمم إلى وضعيات لم ترها.

نظرة عامة

الاسمالشبكات العصبية المتكافئة – Equivariant Neural Networks
سنة الظهور2016
الباحثونTaco Cohen، Max Welling (G-CNN)؛ وVíctor Garcia Satorras، Emiel Hoogeboom، Max Welling (EGNN 2021)
الجهةUniversity of Amsterdam
الورقة الأصليةGroup equivariant convolutional networks arXiv
نوع البياناترسوم بيانية، صور، حقول فيزيائية ودوال
المجالاتالحوسبة العلمية، الرؤية الحاسوبية، الروبوتات، تحليل الصور الطبية، تعلم البيانات البيانية
الكلفة الحسابية$O(N^2)$ للرسائل الكاملة أو أقل مع جيران.
حجم البياناتصغيرة إلى متوسطة غالباً بفضل التناظر.

المشكلة التي تحلها

الشبكات العادية تحتاج زيادة بيانات كثيرة لتتعلم أن الجزيء المُدار هو الجزيء نفسه، وقد تفشل خارج الوضعيات المدربة عليها.

الخلفية والتطور

ما قبلها: الشبكة العصبية الالتفافية، الشبكة العصبية البيانية

  1. 2016

    G-CNN: التفاف على مجموعات التناظر (دوران 90° وانعكاس). [مرجع]

  2. 2021

    EGNN: تكافؤ مع E(n) عبر رسائل تعتمد على المسافات وتحديث الإحداثيات بالفروق. [مرجع]

  3. 2021

    إطار التعلم العميق الهندسي (Bronstein وزملاؤه). [مرجع]

الفكرة الأساسية

الالتفاف العادي متكافئ مع الإزاحة. نعمم: إذا كان $g$ تحويلاً من مجموعة، نريد $f(T_gx)=T'_gf(x)$. في EGNN، رسائل الحواف تعتمد على $\lVert x_i-x_j\rVert^2$ (ثابتة تحت الدوران)، والإحداثيات تُحدّث بمجموع موزون للفروق $x_i-x_j$ (تدور مع الدخل)، فتكون الطبقة متكافئة تماماً بالبناء.

مثال: التنبؤ بخصائص جزيء: النموذج يعطي الطاقة نفسها مهما كان اتجاه الجزيء في الفضاء، وقوى تدور مع الجزيء.

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
Invariant features hلا تتغير بالدوران
Equivariant coordinates xتدور مع الدخل
Distance-based messages
Coordinate update along differences
Invariant poolingللتنبؤات الثابتة

المعادلات

1. تعريف التكافؤ

$$f\big(T_g\,x\big)=T\'_g\,f(x)\quad\forall g\in G$$

الرموز
$G$مجموعة التناظر
$T_g,T'_g$تمثيل g على الدخل والخرج
الأبعاد
خاصية
مثال عددي
الثبات حالة خاصة $T\'_g=I$: تصنيف الشكل لا يتغير بالدوران.
علاقتها بالمعمارية
يحدد ما يجب أن يحترمه النموذج.

2. طبقة EGNN

$$m_{ij}=\phi_e\big(h_i,h_j,\lVert x_i-x_j\rVert^2\big),\quad x_i\'=x_i+C\sum_{j\neq i}(x_i-x_j)\,\phi_x(m_{ij}),\quad h_i\'=\phi_h\Big(h_i,\sum_{j\neq i}m_{ij}\Big)$$

الرموز
$C$ثابت تطبيع (مثل $1/(N-1)$)
الأبعاد
$x_i\in\mathbb{R}^{n}$، $h_i\in\mathbb{R}^{d}$
مثال عددي
دوران بزاوية θ: المسافات لا تتغير ⇒ $m_{ij}$ ثابت، و$(Rx_i-Rx_j)=R(x_i-x_j)$ ⇒ التحديث يدور بالمصفوفة نفسها.
علاقتها بالمعمارية
تكافؤ بالبناء دون زيادة بيانات.

آلية العمل خطوة بخطوة

  1. حدد التناظرات في المسألة.
  2. اختر معمارية تحترمها (G-CNN، EGNN، ...).
  3. درّب بشكل عادي.
  4. تحقق عددياً من التكافؤ.
  5. اختبر على وضعيات جديدة.

المزايا والقيود

المزايا

  • كفاءة بيانات أعلى.
  • تعميم مضمون عبر التناظرات.
  • تنبؤات متسقة فيزيائياً.

القيود

  • تعقيد رياضي وتنفيذي.
  • قيود قد تضر إن لم يكن التناظر صحيحاً تماماً.
  • تكلفة $O(N^2)$ للرسائل الكاملة.

متى تُستخدم؟ ومتى لا؟

تناسب

  • جزيئات، بروتينات، سحب نقاط، فيزياء.
  • صور طبية بلا اتجاه مفضل (مثل الشرائح النسيجية).

لا تناسب

  • بيانات لها اتجاه ذو معنى (مثل الأرقام 6 و9).

التطبيقات

المجالالاستخدام
الحوسبة العلميةخصائص الجزيئات والمواد ومحاكاة الجسيمات.
تحليل الصور الطبيةتحليل الشرائح النسيجية المستقل عن الدوران.
الروبوتاتإدراك ثلاثي الأبعاد.
تعلم البيانات البيانيةرسوم بيانية هندسية.
الرؤية الحاسوبيةسحب النقاط.

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)
# EGNN مقابل MLP: تصنيف أشكال تحت الدوران مع تحقق عددي من التكافؤ
# 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 EGNNLayer(nn.Module):
    """طبقة EGNN (Satorras وآخرون 2021): الرسائل تعتمد على المسافات فقط ⇒ السمات ثابتة (invariant)
    والإحداثيات متكافئة (equivariant) مع الدوران والإزاحة والانعكاس."""
    def __init__(self, h=32):
        super().__init__()
        self.phi_e = nn.Sequential(nn.Linear(2 * h + 1, h), nn.SiLU(), nn.Linear(h, h), nn.SiLU())
        self.phi_x = nn.Sequential(nn.Linear(h, h), nn.SiLU(), nn.Linear(h, 1))
        self.phi_h = nn.Sequential(nn.Linear(2 * h, h), nn.SiLU(), nn.Linear(h, h))
    def forward(self, h, x):                                   # h: B×N×h ، x: B×N×2
        B, N, _ = h.shape
        diff = x[:, :, None] - x[:, None]                      # B×N×N×2
        d2 = (diff ** 2).sum(-1, keepdim=True)
        m = self.phi_e(torch.cat([h[:, :, None].expand(-1, -1, N, -1), h[:, None].expand(-1, N, -1, -1), d2], -1))
        mask = 1 - torch.eye(N)[None, :, :, None]
        x = x + (diff * self.phi_x(m) * mask).sum(2) / (N - 1)       # تحديث الإحداثيات على طول الفروق
        h = h + self.phi_h(torch.cat([h, (m * mask).sum(2)], -1))
        return h, x

class EGNNClassifier(nn.Module):
    def __init__(self, h=32, n_classes=3, L=2):
        super().__init__()
        self.emb = nn.Parameter(torch.randn(1, 1, h) * 0.1)        # كل النقاط بنفس السمة الابتدائية
        self.layers = nn.ModuleList([EGNNLayer(h) for _ in range(L)])
        self.out = nn.Linear(h, n_classes)
    def forward(self, x):
        h = self.emb.expand(x.shape[0], x.shape[1], -1)
        for l in self.layers:
            h, x = l(h, x)
        self.x_out = x
        return self.out(h.mean(1))                                 # تجميع ثابت ⇒ تنبؤ ثابت تحت الدوران

class MLPBaseline(nn.Module):                                   # يرى الإحداثيات الخام مسطحة: لا ضمانات تناظر
    def __init__(self, N=6, n_classes=3):
        super().__init__(); self.net = nn.Sequential(nn.Linear(2 * N, 64), nn.ReLU(), nn.Linear(64, 64), nn.ReLU(), nn.Linear(64, n_classes))
    def forward(self, x): return self.net(x.flatten(1))

# 3) إعداد البيانات
# 6 نقاط لكل شكل: على خط (0)، على مثلث متساوي الأضلاع (1)، أو على سداسي منتظم (2).
# التدريب بوضعية قياسية فقط، والاختبار بدوران وإزاحة عشوائيين.
def shapes(n, rotate):
    y = torch.randint(0, 3, (n,)); X = torch.zeros(n, 6, 2)
    line = torch.stack([torch.linspace(-1, 1, 6), torch.zeros(6)], 1)
    a = torch.arange(3) * 2 * torch.pi / 3; v = torch.stack([a.cos(), a.sin()], 1)
    tri = torch.cat([v, (v + v.roll(-1, 0)) / 2], 0)
    a6 = torch.arange(6) * torch.pi / 3; hexa = torch.stack([a6.cos(), a6.sin()], 1)
    for i in range(n):
        P = [line, tri, hexa][y[i]][torch.randperm(6)] * (0.8 + 0.4 * torch.rand(1))
        if rotate:
            t = torch.rand(1) * 2 * torch.pi
            R = torch.tensor([[t.cos(), -t.sin()], [t.sin(), t.cos()]]).squeeze()
            P = P @ R.T + torch.randn(1, 2)
        X[i] = P + 0.02 * torch.randn(6, 2)
    return X, y
X_train, y_train = shapes(900, rotate=False)
X_test, y_test = shapes(300, rotate=True)

# 4) و 5) تدريب النموذجين بالخسارة نفسها
results = {}
for name, model in [('egnn', EGNNClassifier()), ('mlp', MLPBaseline())]:
    opt = torch.optim.Adam(model.parameters(), lr=3e-3)
    for epoch in range(25):
        perm = torch.randperm(len(X_train))
        for i in range(0, len(X_train), 64):
            idx = perm[i:i + 64]
            loss = F.cross_entropy(model(X_train[idx]), y_train[idx])        # Forward Pass
            opt.zero_grad(); loss.backward(); opt.step()
    # 6) التقييم على أشكال مُدارة ومُزاحة لم يُدرَّب على مثلها
    with torch.no_grad():
        results[name] = model
        tr = (model(X_train).argmax(1) == y_train).float().mean().item()
        te = (model(X_test).argmax(1) == y_test).float().mean().item()
    print(f"{name:5s}: train accuracy = {tr:.3f} ; rotated test accuracy = {te:.3f}")

# 7) تحقق عددي من التكافؤ: f(Rx + t) = R f(x) + t للإحداثيات المخرجة
with torch.no_grad():
    m = results['egnn']; x = X_test[:4]
    t = torch.tensor(0.7); R = torch.tensor([[t.cos(), -t.sin()], [t.sin(), t.cos()]]); s = torch.tensor([0.3, -1.2])
    m(x); out1 = m.x_out @ R.T + s
    m(x @ R.T + s); out2 = m.x_out
    print(f"equivariance error max|f(Rx+t) - (R f(x)+t)| = {(out1 - out2).abs().max().item():.2e}")

نُفّذ هذا الكود بتاريخ 2026-11-20 في 4.8 ثانية (PyTorch (CPU), Python 3 – local build machine).

من مخرجاته:

egnn : train accuracy = 1.000 ; rotated test accuracy = 1.000
mlp  : train accuracy = 0.963 ; rotated test accuracy = 0.400
equivariance error max|f(Rx+t) - (R f(x)+t)| = 2.38e-07

عدد المعاملات القابلة للتدريب في المثال: model = 5٬187، m = 14٬917.

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

جرّب وتعمّق

معماريات مرتبطة

أساسي2009

الشبكة العصبية البيانية

Graph Neural Network (GNN)

عائلة نماذج تتعلم تمثيلاً لكل عقدة بتبادل الرسائل مع جيرانها عبر الحواف، فتدمج سمات العقدة مع بنية الرسم.

الشبكات العصبية البيانية

متقدم2020

محوّل الرسوم البيانية

Graph Transformer (GT)

تطبيق الانتباه الذاتي على عقد الرسم مع ترميزات موضعية أو بنيوية (مثل متجهات لابلاسيان الذاتية) كي يعرف النموذج بنية الرسم، فيتجاوز قيود الجوار المحلي.

الشبكات العصبية البيانيةالمعماريات المتخصصةمعماريات المحولات

متقدم2021

التعلم العميق المستنير بالفيزياء

Physics-Informed Deep Learning (PIML)

منهج عام لإدخال المعرفة الفيزيائية في التعلم العميق بثلاث طرق: عبر البيانات (انحياز رصدي)، أو عبر المعمارية (انحياز استقرائي مثل الشبكات الهاملتونية والتكافؤ)، أو عبر دا…

الشبكات العصبية المستندة إلى الفيزياء

مبتدئ1998

الشبكة العصبية الالتفافية

Convolutional Neural Network (CNN)

شبكة تستخدم مرشّحات التفاف صغيرة مشتركة الأوزان تنزلق على الصورة، فتلتقط الأنماط المحلية مع عدد معاملات أقل بكثير من MLP.

الأساسيات

أفكار بحثية

  • شبكات متكافئة مع الدوران لتصنيف الشرائح النسيجية بأقل زيادة بيانات وتحليل المعايرة.

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

اختبر فهمك

  1. مقارنة

    ما الفرق بين الثبات (invariance) والتكافؤ (equivariance)؟

  2. مفهوم

    لماذا رسائل EGNN ثابتة تحت الدوران؟

  3. مفهوم

    أي عملية متكافئة مع الإزاحة بطبيعتها؟

المراجع

  1. Cohen, T., & Welling, M. (2016). Group equivariant convolutional networks. International Conference on Machine Learning (ICML), PMLR 48, 2990–2999. https://arxiv.org/abs/1602.07576

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

  2. Satorras, V. G., Hoogeboom, E., & Welling, M. (2021). E(n) equivariant graph neural networks. International Conference on Machine Learning (ICML), PMLR 139, 9323–9332. https://arxiv.org/abs/2102.09844

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

  3. Bronstein, M. M., Bruna, J., Cohen, T., & Veličković, P. (2021). Geometric deep learning: Grids, groups, graphs, geodesics, and gauges. arXiv preprint. https://arxiv.org/abs/2104.13478

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

  4. Gilmer, J., Schoenholz, S. S., Riley, P. F., Vinyals, O., & Dahl, G. E. (2017). Neural message passing for quantum chemistry. International Conference on Machine Learning (ICML), PMLR 70, 1263–1272. https://arxiv.org/abs/1704.01212

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