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

المؤثر العصبي الفورييهي (FNO)

Fourier Neural Operator

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، فيتعلم حلول عائلات معادلات تفاضلية ويعمل على دقات مختلفة.

نظرة عامة

الاسمالمؤثر العصبي الفورييهي – Fourier Neural Operator
سنة الظهور2021
الباحثونZongyi Li، Nikola Kovachki، Kamyar Azizzadenesheli، Burigede Liu، Kaushik Bhattacharya، Andrew Stuart، Anima Anandkumar
الجهةCaltech / Purdue University
الورقة الأصليةFourier neural operator for parametric partial differential equations arXiv
نوع البياناتحقول فيزيائية ودوال
المجالاتالحوسبة العلمية، تحليل الصور الطبية
الكلفة الحسابية$O(N\log N\cdot w)+O(N w^2)$ لكل طبقة.
حجم البياناتمئات إلى آلاف الحلول.

المشكلة التي تحلها

تعلم مؤثرات الحل بشبكات التفافية عادية مرتبط بدقة الشبكة، والتكلفة الحسابية للمحلّلات التقليدية عالية عند تكرار الحل لمعاملات كثيرة.

الخلفية والتطور

ما قبلها: شبكة المؤثرات العميقة، الشبكة العصبية الالتفافية

  1. 2021

    قدم Li وزملاؤه FNO (ICLR 2021، arXiv 2020). [مرجع]

  2. 2023

    وضع Kovachki وزملاؤه الإطار العام للمؤثرات العصبية في JMLR. [مرجع]

الفكرة الأساسية

المؤثر التكاملي بنواة تعتمد على الفرق $\kappa(x-y)$ هو التفاف، والالتفاف في فضاء فورييه ضرب. لذلك تُرفع الدالة إلى قنوات كثيرة، ثم في كل طبقة: FFT → اقتطاع أول $k_{max}$ تردداً → ضربها بمصفوفة متعلَّمة → IFFT، ويُضاف تحويل خطي نقطي $W$ ثم تنشيط. لأن الأوزان معرّفة على الترددات لا على البكسلات، يمكن تقييم النموذج على تقطيع أدق.

مثال: تدريب FNO على حلول معادلة برغرز بدقة 64 نقطة ثم تقييمه على 128 نقطة دون إعادة تدريب.

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
Lifting Pرفع إلى قنوات
Spectral convolution Rأوزان مركبة على k_max تردد
Local linear Wالتفاف 1×1
Nonlinearity σGELU
Projection Qإلى قيمة الحل

المعادلات

1. طبقة فورييه

$$v_{t+1}(x)=\sigma\Big(W\,v_t(x)+\mathcal{F}^{-1}\big(R_\phi\cdot(\mathcal{F}v_t)\big)(x)\Big)$$

الرموز
$\mathcal{F}$تحويل فورييه
$R_\phi$أوزان مركبة لكل تردد مُبقى
$W$تحويل خطي محلي
الأبعاد
$R_\phi\in\mathbb{C}^{k_{max}\times w\times w}$
مثال عددي
$w=32$، $k_{max}=12$ في بعد واحد: $12\times32\times32=12{,}288$ معاملاً مركباً لكل طبقة، بغض النظر عن الدقة N.
علاقتها بالمعمارية
عدد المعاملات مستقل عن التقطيع.

2. المؤثر التكاملي كالتفاف

$$(\mathcal{K}v)(x)=\int\kappa(x-y)\,v(y)\,dy=\mathcal{F}^{-1}\big(\mathcal{F}\kappa\cdot\mathcal{F}v\big)(x)$$

الرموز
$\kappa$نواة التكامل
$v$الدالة الداخلة إلى الطبقة
$\mathcal F,\mathcal F^{-1}$تحويل فورييه ومعكوسه
الأبعاد
دالة إلى دالة
مثال عددي
تكلفة FFT $O(N\log N)$ مقابل $O(N^2)$ للتكامل المباشر؛ عند $N=1024$: نحو $10^4$ مقابل $10^6$ عملية.
علاقتها بالمعمارية
يبرر العمل في فضاء الترددات.

آلية العمل خطوة بخطوة

  1. ولّد أزواج (شرط، حل) بمحلّل عددي.
  2. ارفع الدخل مع الإحداثيات إلى قنوات.
  3. طبّق طبقات فورييه.
  4. أسقط إلى الحل.
  5. درّب بخسارة L2 نسبية.
  6. قيّم على دقات أخرى.

المزايا والقيود

المزايا

  • سريع جداً بعد التدريب (وفق المؤلفين: أسرع بمراتب من المحللات التقليدية في تجاربهم).
  • مستقل عن الدقة.
  • فعال مع مسائل دورية وسلسة.

القيود

  • يفترض مجالاً منتظماً (FFT)؛ الأشكال المعقدة تحتاج تعديلات.
  • اقتطاع الترددات يحد من التقاط التفاصيل الحادة جداً.
  • يحتاج بيانات من محلّل.

متى تُستخدم؟ ومتى لا؟

تناسب

  • محاكاة متكررة لعائلة معادلات على شبكة منتظمة.
  • التنبؤ بالطقس والموائع.

لا تناسب

  • هندسات غير منتظمة دون تكييف.
  • بيانات قليلة جداً.

التطبيقات

المجالالاستخدام
الحوسبة العلميةمحاكاة الموائع والحرارة والمرونة والمسائل العكسية.
تحليل الصور الطبيةنمذجة تدفق الدم وانتشار الأدوية في الأنسجة.
الروبوتاتنماذج ديناميكية للتحكم.
التنبؤ بالسلاسل الزمنيةالتنبؤ بحقول مكانية-زمنية مثل الطقس.

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.

بيانات التدريب تُولد داخل المثال بمحلّل طيفي (RK4) تحققنا من تقاربه بتقليص الخطوة؛ خط الأساس "الهوية" كبير لأن اللزوجة والصدمات تبدد الطاقة بقوة.

Python (PyTorch)
# FNO أحادي البعد لمعادلة برغرز مع اختبار على دقة أعلى
# 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 SpectralConv1d(nn.Module):
    """التفاف طيفي: FFT → ضرب أول `modes` ترددات بأوزان مركبة متعلَّمة → IFFT."""
    def __init__(self, cin, cout, modes):
        super().__init__()
        self.modes = modes
        self.w = nn.Parameter(torch.randn(cin, cout, modes, dtype=torch.cfloat) / (cin * cout))
    def forward(self, x):                                   # x: B×C×N
        xf = torch.fft.rfft(x)
        out = torch.zeros(x.shape[0], self.w.shape[1], xf.shape[-1], dtype=torch.cfloat)
        out[..., :self.modes] = torch.einsum('bin,ion->bon', xf[..., :self.modes], self.w)
        return torch.fft.irfft(out, n=x.shape[-1])

class FNO1d(nn.Module):
    def __init__(self, modes=12, width=32, layers=3):
        super().__init__()
        self.lift = nn.Linear(2, width)                     # (u0(x), x) → قنوات
        self.spec = nn.ModuleList([SpectralConv1d(width, width, modes) for _ in range(layers)])
        self.w = nn.ModuleList([nn.Conv1d(width, width, 1) for _ in range(layers)])   # المسار المحلي W
        self.proj = nn.Sequential(nn.Linear(width, 64), nn.GELU(), nn.Linear(64, 1))
    def forward(self, u0):                                  # u0: B×N (أي دقة N)
        N = u0.shape[-1]
        grid = torch.linspace(0, 1, N + 1)[:-1].expand_as(u0)
        v = self.lift(torch.stack([u0, grid], -1)).transpose(1, 2)        # B×width×N
        for k, (s, w) in enumerate(zip(self.spec, self.w)):
            v = s(v) + w(v)
            if k < len(self.spec) - 1: v = F.gelu(v)
        return self.proj(v.transpose(1, 2)).squeeze(-1)

# 3) إعداد البيانات
# المؤثر: حل معادلة برغرز اللزجة الدورية u_t + u u_x = ν u_xx من u(x,0) إلى u(x,T)
# البيانات تُولَّد بمحلّل طيفي بسيط (pseudo-spectral + RK4) على شبكة دقيقة ثم تُؤخذ عيّنات منها
NU, T_END = 0.02, 0.5
def burgers(u0, steps=1000):          # dt = 5e-4 يحقق شرط الاستقرار للحد اللزج على 128 نقطة
    N = u0.shape[-1]; k = torch.fft.rfftfreq(N, 1 / N) * 2 * torch.pi
    def rhs(u):
        uh = torch.fft.rfft(u)
        ux = torch.fft.irfft(1j * k * uh, n=N); uxx = torch.fft.irfft(-(k ** 2) * uh, n=N)
        return -u * ux + NU * uxx
    u, dt = u0.clone(), T_END / steps
    for _ in range(steps):
        a = rhs(u); b = rhs(u + dt / 2 * a); c = rhs(u + dt / 2 * b); d = rhs(u + dt * c)
        u = u + dt / 6 * (a + 2 * b + 2 * c + d)
    return u
def make(n, N=128):
    x = torch.linspace(0, 1, N + 1)[:-1]
    c = torch.randn(n, 4, 2) / torch.arange(1, 5)[None, :, None]
    u0 = sum(c[:, j, 0, None] * torch.sin(2 * torch.pi * (j + 1) * x) + c[:, j, 1, None] * torch.cos(2 * torch.pi * (j + 1) * x) for j in range(4))
    return u0, burgers(u0)
U0, UT = make(1000)
X_train, y_train = U0[:800, ::2], UT[:800, ::2]          # تدريب على دقة 64
X_test, y_test = U0[800:, ::2], UT[800:, ::2]
X_test_hi, y_test_hi = U0[800:], UT[800:]                # اختبار على دقة 128 لم يُدرَّب عليها
model = FNO1d()

# 4) الخسارة (L2 النسبية كما في ورقة FNO) والمحسّن
def rel_l2(p, y): return (torch.norm(p - y, dim=1) / torch.norm(y, dim=1)).mean()
opt = torch.optim.Adam(model.parameters(), lr=3e-3)
sched = torch.optim.lr_scheduler.StepLR(opt, 25, 0.5)

# 5) حلقة التدريب
EPOCHS, BATCH = 80, 20
for epoch in range(EPOCHS):
    perm, tot = torch.randperm(len(X_train)), 0.0
    for i in range(0, len(X_train), BATCH):
        idx = perm[i:i + BATCH]
        loss = rel_l2(model(X_train[idx]), y_train[idx])                     # Forward Pass
        opt.zero_grad(); loss.backward(); opt.step()
        tot += loss.item() * len(idx)
    sched.step()
    if epoch % 20 == 0 or epoch == EPOCHS - 1:
        print(f"epoch {epoch:3d}  rel L2={tot / len(X_train):.4f}")

# 6) التقييم: على الدقة نفسها ثم على دقة أعلى (zero-shot super-resolution)
with torch.no_grad():
    print(f"test relative L2 error @64  = {rel_l2(model(X_test), y_test).item():.4f}")
    print(f"test relative L2 error @128 = {rel_l2(model(X_test_hi), y_test_hi).item():.4f}  (no retraining)")
    print(f"identity baseline (u_T ≈ u_0) relative error = {rel_l2(X_test, y_test).item():.4f}")

# 7) الاستدلال على شرط ابتدائي جديد
with torch.no_grad():
    x = torch.linspace(0, 1, 65)[:-1]
    u0 = torch.sin(2 * torch.pi * x)[None]
    print("max |FNO − solver| for u0 = sin(2πx):", round((model(u0) - burgers(u0)).abs().max().item(), 4))

نُفّذ هذا الكود بتاريخ 2026-11-20 في 26.3 ثانية (PyTorch (CPU), Python 3 – local build machine).

من مخرجاته:

test relative L2 error @64  = 0.0059
test relative L2 error @128 = 0.0059  (no retraining)
identity baseline (u_T ≈ u_0) relative error = 2.8821

عدد المعاملات القابلة للتدريب في المثال: model = 42٬305.

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

جرّب وتعمّق

معماريات مرتبطة

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

متقدم2021

شبكة المؤثرات العميقة

Deep Operator Network (DeepONet)

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 بضر…

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

  • FNO للتنبؤ قصير المدى بحقول الحرارة في بيئات حضرية عربية مع بيانات أقمار صناعية.

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

اختبر فهمك

  1. مفهوم

    لماذا يمكن تقييم FNO على دقة لم يُدرَّب عليها؟

  2. رياضي

    ما الذي يحدث للترددات الأعلى من $k_{max}$ في المسار الطيفي؟

  3. مفهوم

    ما تكلفة FFT لطول N؟

المراجع

  1. Li, Z., Kovachki, N., Azizzadenesheli, K., Liu, B., Bhattacharya, K., Stuart, A., & Anandkumar, A. (2021). Fourier neural operator for parametric partial differential equations. International Conference on Learning Representations (ICLR). https://arxiv.org/abs/2010.08895

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

  2. 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

  3. 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

  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