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

بحثيالشبكات التوليدية

مطابقة التدفق (FM)

Flow Matching

تتعلم حقل سرعة لمعادلة تفاضلية عادية ينقل توزيع الضوضاء إلى توزيع البيانات، بالانحدار مباشرة على سرعات مسارات احتمالية بسيطة (مثل خطوط مستقيمة بين ضوضاء وبيانات)، دون محاكاة المعادلة أثناء التدريب.

نظرة عامة

الاسممطابقة التدفق – Flow Matching
سنة الظهور2023
الباحثونYaron Lipman، Ricky T. Q. Chen، Heli Ben-Hamu، Maximilian Nickel، Matt Le
الجهةMeta AI / Weizmann Institute
الورقة الأصليةFlow matching for generative modeling arXiv
نوع البياناتصور، بيانات جدولية، تسلسلات وسلاسل زمنية
المجالاتالحوسبة العلمية، الذكاء الاصطناعي التوليدي، الرؤية الحاسوبية، الصوت والكلام
الكلفة الحسابيةتمرير واحد للتدريب؛ عشرات التقييمات للتوليد.
حجم البياناتمثل الانتشار.

المشكلة التي تحلها

تدريب التدفقات الطبيعية المستمرة (CNF) بأقصى احتمال يتطلب محاكاة ODE مكلفة، ونماذج الانتشار تحتاج خطوات توليد كثيرة لأن مساراتها منحنية.

الخلفية والتطور

ما قبلها: نماذج الانتشار، النماذج التوليدية القائمة على الدرجة، المعادلات التفاضلية العصبية

  1. 2018

    Neural ODE والتدفقات المستمرة. [مرجع]

  2. 2023

    Flow Matching (ICLR 2023). [مرجع]

  3. 2023

    Rectified Flow: مسارات مستقيمة وإعادة "تقويم". [مرجع]

الفكرة الأساسية

نختار مساراً شرطياً بسيطاً بين عينة ضوضاء $x_0$ وعينة بيانات $x_1$، مثل $x_t=(1-t)x_0+tx_1$ وسرعته $x_1-x_0$. ندرّب $v_\theta(x_t,t)$ بانحدار MSE على هذه السرعة. أثبت المؤلفون أن تدرّج هذه الخسارة الشرطية يساوي تدرّج خسارة الحقل الهامشي غير المعروف. للتوليد نحل $dx/dt=v_\theta$ من $t=0$ إلى 1.

مثال: توليد صوت أو صور بعدد قليل من خطوات المحلّل لأن المسارات أقرب إلى الاستقامة.

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
Probability path p_tخطي/OT أو انتشاري
Conditional velocity u_tx₁ − x₀ للخطي
Velocity network v_θ(x, t)
ODE solverEuler/RK عند التوليد

المعادلات

1. خسارة مطابقة التدفق الشرطية

$$\mathcal{L}_{CFM}=\mathbb{E}_{t,x_0,x_1}\left\lVert v_\theta(x_t,t)-u_t(x_t\mid x_1)\right\rVert^2$$

الرموز
$u_t$السرعة الشرطية للمسار
الأبعاد
قيمة قياسية
مثال عددي
$x_0=(0,0)$، $x_1=(2,0)$، $t=0.5$ ⇒ $x_t=(1,0)$ والهدف $(2,0)$.
علاقتها بالمعمارية
تدرّجها يساوي تدرّج الخسارة الهامشية.

2. المسار الأمثل-النقل (OT) في الورقة

$$x_t=\big(1-(1-\sigma_{min})t\big)x_0+t\,x_1,\qquad u_t=x_1-(1-\sigma_{min})x_0$$

الرموز
$\sigma_{min}$انحراف صغير عند t=1
الأبعاد
نفس شكل x
مثال عددي
مع $\sigma_{min}=0$ يصبح المسار خطياً تماماً والسرعة $x_1-x_0$.
علاقتها بالمعمارية
مسارات مستقيمة تسهل الحل بخطوات قليلة.

3. التوليد بحل ODE

$$\frac{dx}{dt}=v_\theta(x,t),\quad x(0)\sim\mathcal N(0,I)\;\Rightarrow\;x(1)\approx\text{عينة}$$

الرموز
$v_\theta$حقل السرعة المتعلَّم
$t$الزمن من 0 (ضوضاء) إلى 1 (بيانات)
$x(t)$موضع العيّنة على المسار
الأبعاد
مسار
مثال عددي
أويلر بخطوة $h=0.1$: $x\leftarrow x+0.1\,v_\theta(x,t)$ عشر مرات.
علاقتها بالمعمارية
حتمي، ويمكن حساب الاحتمال بصيغة تغير المتغير.

آلية العمل خطوة بخطوة

  1. اسحب ضوضاء وبيانات وt.
  2. احسب نقطة المسار وسرعته.
  3. انحدر $v_\theta$ على السرعة.
  4. ولّد بحل ODE.

المزايا والقيود

المزايا

  • تدريب بسيط بلا محاكاة.
  • خطوات توليد أقل غالباً من الانتشار.
  • إطار مرن لمسارات مختلفة.

القيود

  • المسارات الهامشية ليست مستقيمة تماماً حتى مع شرطية خطية.
  • إطار أحدث وممارساته تتطور.

متى تُستخدم؟ ومتى لا؟

تناسب

  • بديل للانتشار بتوليد أسرع.
  • نقل بين توزيعين عامين.

لا تناسب

  • حين تكون أدوات الانتشار الجاهزة كافية ومطلوبة.

التطبيقات

المجالالاستخدام
الذكاء الاصطناعي التوليديتوليد الصور والفيديو.
الصوت والكلامتوليد الكلام.
الحوسبة العلميةتوليد الجزيئات والبروتينات.
الرؤية الحاسوبيةترجمة التوزيعات.

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.

التقييم هنا بمقياسين بسيطين محسوبين داخل المثال: نسبة العينات القريبة من أحد الأنماط الثمانية، وعدد الأنماط المغطاة. لا يُستخدم FID لأنه خاص بالصور. يقارن المثال 5 و50 خطوة أويلر.

Python (PyTorch)
# Flow Matching بمسار خطي وحل ODE بأويلر
# 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 VelocityNet(nn.Module):
    """v_θ(x_t, t): حقل سرعة يحمل الضوضاء إلى البيانات على طول مسار مستقيم."""
    def __init__(self, h=128):
        super().__init__()
        self.net = nn.Sequential(nn.Linear(3, h), nn.SiLU(), nn.Linear(h, h), nn.SiLU(), nn.Linear(h, h), nn.SiLU(), nn.Linear(h, 2))
    def forward(self, x, t):
        return self.net(torch.cat([x, t[:, None]], 1))
model = VelocityNet()

# 3) إعداد البيانات
# التوزيع الهدف: خليط من 8 توزيعات غاوسية على دائرة نصف قطرها 2 (اختبار كلاسيكي لانهيار الأنماط)
CENTERS = torch.stack([torch.tensor([2 * torch.cos(torch.tensor(k * torch.pi / 4)), 2 * torch.sin(torch.tensor(k * torch.pi / 4))]) for k in range(8)])
def sample_ring(n, std=0.1):
    k = torch.randint(0, 8, (n,))
    return CENTERS[k] + std * torch.randn(n, 2), k

def ring_metrics(x):
    """جودة: نسبة العينات القريبة (<0.3) من أحد المراكز. تغطية: عدد الأنماط التي نالت ≥5% من العينات الجيدة."""
    d = torch.cdist(x, CENTERS)
    near, k = d.min(1)
    good = near < 0.3
    counts = torch.bincount(k[good], minlength=8).float()
    covered = int((counts >= 0.05 * max(1, good.sum().item())).sum())
    return good.float().mean().item(), covered

# 4) خسارة مطابقة التدفق الشرطية (مسار خطي، σ_min = 0): || v_θ(x_t, t) − (x_1 − x_0) ||²
opt = torch.optim.Adam(model.parameters(), lr=2e-3)

# 5) حلقة التدريب: لا محاكاة ODE أثناء التدريب، فقط انحدار على السرعة الهدف
STEPS, BATCH = 4000, 256
for step in range(STEPS):
    x1, _ = sample_ring(BATCH)                         # بيانات
    x0 = torch.randn_like(x1)                           # ضوضاء
    t = torch.rand(BATCH)
    xt = (1 - t[:, None]) * x0 + t[:, None] * x1        # نقطة على المسار المستقيم
    loss = F.mse_loss(model(xt, t), x1 - x0)            # Forward Pass
    opt.zero_grad(); loss.backward(); opt.step()
    if step % 1000 == 0 or step == STEPS - 1:
        print(f"step {step:4d}  loss={loss.item():.4f}")

# 6) التقييم: حل المعادلة dx/dt = v_θ(x, t) بطريقة أويلر من t=0 إلى 1
@torch.no_grad()
def sample(n, steps=50):
    x = torch.randn(n, 2)
    for k in range(steps):
        t = torch.full((n,), k / steps)
        x = x + model(x, t) / steps
    return x
for s in (5, 50):
    q, cov = ring_metrics(sample(4000, s))
    print(f"Euler steps={s:2d}: sample quality (near a mode) = {q:.3f} ; modes covered = {cov}/8")

# 7) الاستدلال
print("generated point:", [round(v, 3) for v in sample(1)[0].tolist()])

نُفّذ هذا الكود بتاريخ 2026-11-20 في 9.5 ثانية (PyTorch (CPU), Python 3 – local build machine).

من مخرجاته:

Euler steps= 5: sample quality (near a mode) = 0.754 ; modes covered = 8/8
Euler steps=50: sample quality (near a mode) = 0.936 ; modes covered = 8/8

عدد المعاملات القابلة للتدريب في المثال: model = 33٬794.

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

جرّب وتعمّق

معماريات مرتبطة

متقدم2020

نماذج الانتشار

Diffusion Models (DDPM)

تفسد البيانات تدريجياً بإضافة ضوضاء غاوسية عبر T خطوة، ثم تتعلم شبكة عكس هذه العملية بالتنبؤ بالضوضاء المضافة، فيُولَّد مثال جديد بإزالة الضوضاء خطوة بخطوة بدءاً من ضوضا…

الشبكات التوليدية

بحثي2019

النماذج التوليدية القائمة على الدرجة

Score-Based Generative Models (SGM)

تتعلم شبكة "الدرجة" _x p(x) عند مستويات ضوضاء متعددة، ثم تولّد العينات بديناميكا لانجفان تتبع الدرجة من الضوضاء نحو مناطق الكثافة العالية؛ وتُعمم إلى معادلات تفاضلية عشو…

الشبكات التوليدية

متقدم2018

المعادلات التفاضلية العصبية

Neural Ordinary Differential Equations (Neural ODE)

تُعرّف الحالة المخفية بمعادلة تفاضلية مستمرة تُعطى مشتقتها بشبكة عصبية، ويُحسب الخرج بحلّال عددي، فتصبح الشبكة "مستمرة العمق".

الشبكات الزمنية والمتسلسلةالشبكات العصبية المستندة إلى الفيزياء

متقدم2022

نماذج الانتشار الكامنة

Latent Diffusion Models (LDM)

تطبق الانتشار في فضاء كامن مضغوط من مشفّر تلقائي مدرّب مسبقاً بدلاً من فضاء البكسلات، مع آلية انتباه متقاطع لإدخال الشروط (نص، تجزئة...)، فتقل الحسابات كثيراً مع الحفاظ…

الشبكات التوليديةالمعماريات الهجينة

أفكار بحثية

  • مطابقة التدفق لتوليد سلاسل زمنية طبية اصطناعية مع تقييم الخصوصية والفائدة.

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

اختبر فهمك

  1. مفهوم

    ما الهدف الذي تنحدر عليه الشبكة في مطابقة التدفق بالمسار الخطي؟

  2. مفهوم

    هل يتطلب التدريب محاكاة المعادلة التفاضلية؟

  3. رياضي

    مع $x_0=(1,1)$ و$x_1=(3,1)$ و$t=0.25$، ما $x_t$؟

المراجع

  1. Lipman, Y., Chen, R. T. Q., Ben-Hamu, H., Nickel, M., & Le, M. (2023). Flow matching for generative modeling. International Conference on Learning Representations (ICLR). https://arxiv.org/abs/2210.02747

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

  2. Liu, X., Gong, C., & Liu, Q. (2023). Flow straight and fast: Learning to generate and transfer data with rectified flow. International Conference on Learning Representations (ICLR). https://arxiv.org/abs/2209.03003

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

  3. Chen, R. T. Q., Rubanova, Y., Bettencourt, J., & Duvenaud, D. (2018). Neural ordinary differential equations. Advances in Neural Information Processing Systems (NeurIPS) 31. https://arxiv.org/abs/1806.07366

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

  4. Song, Y., Sohl-Dickstein, J., Kingma, D. P., Kumar, A., Ermon, S., & Poole, B. (2021). Score-based generative modeling through stochastic differential equations. International Conference on Learning Representations (ICLR). https://arxiv.org/abs/2011.13456

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

  5. Ho, J., Jain, A., & Abbeel, P. (2020). Denoising diffusion probabilistic models. Advances in Neural Information Processing Systems (NeurIPS) 33. https://arxiv.org/abs/2006.11239

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