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 العصبية المستندة إلى الفيزياء

المؤثرات العصبية (NO)

Neural Operators

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-invariant). FNO وDeepONet (بمعنى واسع) حالات خاصة.

نظرة عامة

الاسمالمؤثرات العصبية – Neural Operators
سنة الظهور2023
الباحثونNikola Kovachki، Zongyi Li، Burigede Liu، Kamyar Azizzadenesheli، Kaushik Bhattacharya، Andrew Stuart، Anima Anandkumar
الجهةCaltech / NVIDIA
الورقة الأصليةNeural operator: Learning maps between function spaces with applications to PDEs arXiv الناشر
نوع البياناتحقول فيزيائية ودوال
المجالاتالحوسبة العلمية، تحليل الصور الطبية
الكلفة الحسابية$O(N^2)$ للنواة الكاملة؛ أقل مع الرسوم أو فورييه.
حجم البياناتمئات إلى آلاف الأزواج.

المشكلة التي تحلها

الشبكات العادية مرتبطة بأبعاد دخل ثابتة؛ وحلول المعادلات التفاضلية دوال يمكن تقطيعها بطرق مختلفة. المطلوب تعريف تعلم يحترم هذه الطبيعة الدالية.

الخلفية والتطور

ما قبلها: شبكة المؤثرات العميقة، المؤثر العصبي الفورييهي، الشبكة العصبية البيانية

  1. 1995

    التقريب الشامل للمؤثرات. [مرجع]

  2. 2021

    FNO كحالة فعالة. [مرجع]

  3. 2023

    الإطار العام مع نتائج التقريب الشامل في JMLR. [مرجع]

الفكرة الأساسية

كل طبقة: $v_{t+1}(x)=\sigma(Wv_t(x)+\int\kappa_\phi(x,y)v_t(y)\,d\mu(y))$. النواة $\kappa_\phi$ شبكة صغيرة تُقيّم على أزواج نقاط، والتكامل يُقرب بمجموع على نقاط التقطيع المتاحة. اختيارات تقريب التكامل تعطي أنواعاً: رسومية (GNO) على جيران، منخفضة الرتبة، متعددة الأقطاب، أو فورييه (FNO).

مثال: تعلم مؤثر غرين لمعادلة بواسون من أمثلة (مصدر، حل) على 32 نقطة، ثم استخدامه على 128 نقطة.

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.

في المثال طبقة تكاملية خطية واحدة تكفي لأن المؤثر خطي (دالة غرين).

المكونات

المكوّنالوظيفة
Lifting
Kernel integral operatorκ_φ(x, y) متعلَّمة
Pointwise linear W
Nonlinearity
Projection
Quadrature / graph / Fourier approximationلتقريب التكامل

المعادلات

1. الطبقة العامة

$$v_{t+1}(x)=\sigma\!\left(W\,v_t(x)+\int_D\kappa_\phi(x,y)\,v_t(y)\,d\mu(y)\right)$$

الرموز
$\kappa_\phi$نواة متعلَّمة
$\mu$قياس على المجال
الأبعاد
دالة إلى دالة
مثال عددي
بتقريب نقطة المنتصف على N نقطة: $\int\approx\frac1N\sum_j\kappa(x,y_j)v(y_j)$؛ مع $N=4$ و$\kappa v=(1,2,3,2)$ يكون التكامل $2$.
علاقتها بالمعمارية
تعريف مستقل عن التقطيع.

2. حل بواسون بدالة غرين

$$-u''=f,\;u(0)=u(1)=0\;\Rightarrow\;u(x)=\int_0^1G(x,y)f(y)\,dy,\quad G(x,y)=\begin{cases}x(1-y)&x\le y\\ y(1-x)&x>y\end{cases}$$

الرموز
$f$المصدر (دالة الدخل)
$u$الحل
$G(x,y)$دالة غرين للمؤثر
الأبعاد
مؤثر خطي
مثال عددي
$f\equiv1$ ⇒ $u(x)=x(1-x)/2$، و$u(0.5)=0.125$.
علاقتها بالمعمارية
الهدف الذي يجب أن تتعلمه النواة.

آلية العمل خطوة بخطوة

  1. اجمع أزواج دوال على تقطيعات قد تختلف.
  2. اختر تقريب التكامل.
  3. كدّس طبقات تكاملية ونقطية.
  4. درّب بخسارة L2 نسبية.
  5. قيّم على تقطيعات أخرى.

المزايا والقيود

المزايا

  • استقلال عن التقطيع.
  • نتائج تقريب شامل.
  • إطار يوحد عدة معماريات.

القيود

  • النواة العامة تكلف $O(N^2)$ ما لم تُقرّب.
  • تحتاج بيانات من محلّل.
  • النظرية لا تضمن تعلماً ببيانات قليلة.

متى تُستخدم؟ ومتى لا؟

تناسب

  • هندسات وتقطيعات غير منتظمة (GNO).
  • تعلم مؤثرات حل عامة.

لا تناسب

  • مسألة واحدة يحلها محلّل بسرعة.

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)
# Neural Operator: طبقة مؤثر تكاملي بنواة MLP تتعلم دالة غرين
# 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 KernelIntegralLayer(nn.Module):
    """(K f)(x) = ∫ κ_φ(x, y) f(y) dy ≈ Σ_j κ_φ(x, y_j) f(y_j) Δy : النواة شبكة MLP على أزواج النقاط،
    فالطبقة نفسها تعمل على أي تقطيع (discretization) للمجال."""
    def __init__(self, h=64):
        super().__init__()
        self.kappa = nn.Sequential(nn.Linear(2, h), nn.GELU(), nn.Linear(h, h), nn.GELU(), nn.Linear(h, 1))
    def kernel(self, x, y):
        X, Y = torch.meshgrid(x, y, indexing='ij')
        return self.kappa(torch.stack([X, Y], -1)).squeeze(-1)          # N×N
    def forward(self, f, x):                                          # f: B×N على النقاط x
        dy = 1.0 / len(x)
        return f @ self.kernel(x, x).T * dy
model = KernelIntegralLayer()

# 3) إعداد البيانات
# المؤثر: حل −u'' = f على [0,1] مع u(0)=u(1)=0، أي u(x) = ∫ G(x,y) f(y) dy بدالة غرين المعروفة:
# G(x,y) = x(1−y) إذا x≤y ، و y(1−x) إذا x>y. نستخدمها فقط لتوليد البيانات وللمقارنة النهائية.
def green(x, y):
    X, Y = torch.meshgrid(x, y, indexing='ij')
    return torch.where(X <= Y, X * (1 - Y), Y * (1 - X))
def make(n, N):
    x = (torch.arange(N) + 0.5) / N                                   # نقاط منتصف الخلايا
    k = torch.arange(1, 17).float()                                   # 16 نمطاً: تغطي فضاء الدوال على الشبكة الخشنة
    c = torch.randn(n, 16) / k.sqrt()
    f = (c[:, :, None] * torch.sin(torch.pi * k[None, :, None] * x)).sum(1)
    u = (c[:, :, None] * torch.sin(torch.pi * k[None, :, None] * x) / (torch.pi * k[None, :, None]) ** 2).sum(1)   # حل دقيق
    return x, f, u
x_tr, F_train, U_train = make(1000, 32)

# 4) الخسارة والمحسّن
opt = torch.optim.Adam(model.parameters(), lr=3e-3)

# 5) حلقة التدريب على تقطيع خشن (32 نقطة)
for epoch in range(1500):
    loss = F.mse_loss(model(F_train, x_tr), U_train) / U_train.pow(2).mean()   # Forward Pass + خسارة نسبية
    opt.zero_grad(); loss.backward(); opt.step()
    if epoch % 300 == 0 or epoch == 1499:
        print(f"epoch {epoch:3d}  relative MSE={loss.item():.2e}")

# 6) التقييم على تقطيعات مختلفة دون إعادة تدريب، ومقارنة النواة المتعلَّمة بدالة غرين الحقيقية
with torch.no_grad():
    for N in (32, 64, 128):
        x, f, u = make(200, N)
        p = model(f, x)
        print(f"N={N:3d}: relative L2 error = {(torch.norm(p - u) / torch.norm(u)).item():.4f}")
    xg = (torch.arange(64) + 0.5) / 64
    kerr = (torch.norm(model.kernel(xg, xg) - green(xg, xg)) / torch.norm(green(xg, xg))).item()
    print(f"learned kernel vs true Green's function: relative error = {kerr:.4f}")

# 7) الاستدلال: f = 1 (ثابت) ⇒ الحل الدقيق u = x(1−x)/2 ، نقيّمه عند x = 0.5
with torch.no_grad():
    x = (torch.arange(100) + 0.5) / 100
    print(f"u(0.5) for f=1: operator = {model(torch.ones(1, 100), x)[0, 49:51].mean().item():.4f} ; exact = 0.1250")

نُفّذ هذا الكود بتاريخ 2026-11-20 في 5.5 ثانية (PyTorch (CPU), Python 3 – local build machine).

من مخرجاته:

N= 32: relative L2 error = 0.0372
N= 64: relative L2 error = 0.0382
N=128: relative L2 error = 0.0377
learned kernel vs true Green's function: relative error = 0.0896

عدد المعاملات القابلة للتدريب في المثال: model = 4٬417.

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

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

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

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

أفكار بحثية

  • مؤثرات عصبية رسومية لتوقع الإجهاد في عظام مطبوعة ثلاثياً بهندسات متنوعة.

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

اختبر فهمك

  1. مفهوم

    ما المقصود بالاستقلال عن التقطيع؟

  2. مفهوم

    ما تكلفة تقريب التكامل بنواة كاملة على N نقطة؟

  3. رياضي

    مع $f\equiv1$ لمسألة بواسون أعلاه، ما $u(0.5)$؟

المراجع

  1. 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

  2. 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

  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. 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