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

التعلم العميق المستنير بالفيزياء (PIML)

Physics-Informed Deep Learning

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 دالة الخسارة (انحياز تعلمي مثل PINN).

نظرة عامة

الاسمالتعلم العميق المستنير بالفيزياء – Physics-Informed Deep Learning
سنة الظهور2021
الباحثونمراجعة مرجعية: George Em Karniadakis، Ioannis G. Kevrekidis، Lu Lu، Paris Perdikaris، Sifan Wang، Liu Yang؛ ومثال المعمارية: Greydanus وزملاؤه (HNN 2019)
الورقة الأصليةPhysics-informed machine learning DOI
نوع البياناتحقول فيزيائية ودوال، تسلسلات وسلاسل زمنية
المجالاتالحوسبة العلمية، الروبوتات، تحليل الصور الطبية
الكلفة الحسابيةمثل الشبكة الأساسية مع تكلفة تدرجات إضافية.
حجم البياناتصغيرة إلى متوسطة.

المشكلة التي تحلها

النماذج القائمة على البيانات فقط قد تنتهك قوانين محفوظة (الطاقة، التناظر)، فتتدهور تنبؤاتها الطويلة وتعمم بشكل سيئ خارج بيانات التدريب.

الخلفية والتطور

ما قبلها: الإدراك متعدد الطبقات، الشبكات العصبية المستندة إلى الفيزياء، المعادلات التفاضلية العصبية

  1. 2019

    HNN: تعلم الهاملتونيان واشتقاق الديناميكا منه لحفظ الطاقة. [مرجع]

  2. 2020

    LNN: تعلم اللاغرانجيان بإحداثيات عامة. [مرجع]

  3. 2021

    صنّفت المراجعة في Nature Reviews Physics طرق إدخال الفيزياء إلى ثلاث. [مرجع]

الفكرة الأساسية

بدلاً من أن تتنبأ الشبكة بالمشتقات مباشرة، تتعلم كمية عددية $H_\theta(q,p)$ وتُحسب الديناميكا من معادلات هاملتون. لأن التدفق الناتج هاملتوني، تُحفظ $H_\theta$ على طول المسار (مع محلّل دقيق)، فلا تنجرف الطاقة. هذا مثال على "الانحياز الاستقرائي"؛ وPINN مثال على "الانحياز التعلمي".

مثال: نموذج لحركة ذراع روبوت يحافظ على الطاقة في المحاكاة الطويلة بدلاً من أن يكتسب طاقة وهمية مع الوقت.

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
Observational biasبيانات تحترم التناظرات أو زيادة بيانات
Inductive bias (architecture)HNN، LNN، شبكات متكافئة
Learning bias (loss)باقي المعادلات كما في PINN
Differentiable simulatorاختياري

المعادلات

1. معادلات هاملتون في HNN

$$\frac{dq}{dt}=\frac{\partial H_\theta}{\partial p},\qquad\frac{dp}{dt}=-\frac{\partial H_\theta}{\partial q}$$

الرموز
$q,p$الموضع والزخم
$H_\theta$الهاملتونيان المتعلَّم
الأبعاد
متجه بطول 2d
مثال عددي
$H=(q^2+p^2)/2$ عند $(q,p)=(1,0)$: $\dot q=0$ و$\dot p=-1$.
علاقتها بالمعمارية
الديناميكا تُشتق من كمية محفوظة.

2. حفظ الطاقة

$$\frac{dH}{dt}=\frac{\partial H}{\partial q}\dot q+\frac{\partial H}{\partial p}\dot p=\frac{\partial H}{\partial q}\frac{\partial H}{\partial p}-\frac{\partial H}{\partial p}\frac{\partial H}{\partial q}=0$$

الرموز
$H$دالة هاميلتون (الطاقة)
$q,p$الموضع والزخم
$\dot q,\dot p$مشتقتاهما الزمنيتان
الأبعاد
قيمة قياسية
مثال عددي
في المثال: بعد محاكاة حتى $t=100$ بقيت طاقة HNN قرب $0.5$ بينما تضاعفت تقريباً لدى الشبكة العادية.
علاقتها بالمعمارية
سبب الاستقرار في التنبؤ الطويل.

3. خسارة HNN

$$\mathcal{L}=\left\lVert\frac{\partial H_\theta}{\partial p}-\dot q\right\rVert^2+\left\lVert\frac{\partial H_\theta}{\partial q}+\dot p\right\rVert^2$$

الرموز
$H_\theta$الطاقة التي تتنبأ بها الشبكة
$\dot q,\dot p$المشتقات المقاسة من البيانات
الأبعاد
قيمة قياسية
مثال عددي
إذا كان $\partial H/\partial p=0.9$ و$\dot q=1$: الحد الأول $0.01$.
علاقتها بالمعمارية
نفس هدف مطابقة المشتقات لكن عبر بنية مقيّدة.

آلية العمل خطوة بخطوة

  1. حدد الكميات أو التناظرات المعروفة.
  2. اختر طريقة الإدخال: بيانات، معمارية، خسارة.
  3. صمم النموذج (مثل HNN).
  4. درّب على البيانات.
  5. اختبر الحفظ والتعميم في محاكاة طويلة.

المزايا والقيود

المزايا

  • تعميم أفضل ببيانات أقل.
  • احترام القوانين المحفوظة.
  • تنبؤات طويلة المدى أكثر استقراراً.

القيود

  • يحتاج معرفة فيزيائية صحيحة؛ افتراض خاطئ يضر.
  • الأنظمة المبددة لا تناسب HNN الصرفة.
  • تكلفة اشتقاق إضافية.

متى تُستخدم؟ ومتى لا؟

تناسب

  • أنظمة فيزيائية بقوانين حفظ أو تناظرات معروفة.

لا تناسب

  • أنظمة بلا فيزياء معروفة أو مبددة بقوة دون تعديل.

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)
# Hamiltonian Neural Network مقابل شبكة عادية: انجراف الطاقة
# 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
def mlp(i, o, h=64):
    return nn.Sequential(nn.Linear(i, h), nn.Tanh(), nn.Linear(h, h), nn.Tanh(), nn.Linear(h, o))

class HNN(nn.Module):
    """شبكة هاملتونية: تتعلم H_θ(q, p) العددية، والديناميكا تُشتق منها: dq/dt = ∂H/∂p ، dp/dt = −∂H/∂q."""
    def __init__(self):
        super().__init__(); self.H = mlp(2, 1)
    def forward(self, x):                       # x = (q, p)
        with torch.enable_grad():
            x = x if x.requires_grad else x.requires_grad_(True)
            dH = torch.autograd.grad(self.H(x).sum(), x, create_graph=True)[0]
        return torch.stack([dH[:, 1], -dH[:, 0]], 1)

class Baseline(nn.Module):                      # شبكة عادية تتنبأ بالمشتقات مباشرة دون بنية فيزيائية
    def __init__(self):
        super().__init__(); self.f = mlp(2, 2)
    def forward(self, x):
        return self.f(x)

# 3) إعداد البيانات
# نابض مثالي (k = m = 1): H = (q² + p²)/2 ، والطاقة محفوظة. البيانات: حالات ومشتقاتها مع ضوضاء قياس.
def make(n):
    r = torch.rand(n) * 0.9 + 0.1; th = torch.rand(n) * 2 * torch.pi
    x = torch.stack([r * th.cos(), r * th.sin()], 1)
    dx = torch.stack([x[:, 1], -x[:, 0]], 1) + 0.05 * torch.randn(n, 2)
    return x, dx
X_train, dX_train = make(1500)
X_test, dX_test = make(300)
models = {'baseline': Baseline(), 'hnn': HNN()}

# 4) و 5) الخسارة نفسها للنموذجين: مطابقة المشتقات الزمنية المقاسة، ثم التدريب
for name, model in models.items():
    opt = torch.optim.Adam(model.parameters(), lr=1e-3)
    for epoch in range(1500):
        loss = F.mse_loss(model(X_train), dX_train)                         # Forward Pass
        opt.zero_grad(); loss.backward(); opt.step()
    print(f"{name:8s} train loss = {loss.item():.5f}")

# 6) التقييم: خطأ المشتقات، ثم انجراف الطاقة في محاكاة طويلة (RK4، 2000 خطوة)
def rk4(f, x, dt):
    a = f(x); b = f(x + dt / 2 * a); c = f(x + dt / 2 * b); d = f(x + dt * c)
    return (x + dt / 6 * (a + 2 * b + 2 * c + d)).detach()
energy = lambda x: 0.5 * (x ** 2).sum(1)
for name, model in models.items():
    test_mse = F.mse_loss(model(X_test).detach(), dX_test).item()
    x = torch.tensor([[1.0, 0.0]])
    for _ in range(2000):
        x = rk4(model, x, 0.05)
    print(f"{name:8s} test derivative MSE = {test_mse:.5f} ; energy after t=100: {energy(x).item():.3f} (true 0.500)")

# 7) الاستدلال: قيمة الهاملتونيان المتعلَّم (تُعرّف حتى ثابت جمعي)
with torch.no_grad():
    H = models['hnn'].H
    print("learned H(1,0) − H(0,0) =", round((H(torch.tensor([[1.0, 0.0]])) - H(torch.zeros(1, 2))).item(), 3), "(true 0.5)")

نُفّذ هذا الكود بتاريخ 2026-11-20 في 8.9 ثانية (PyTorch (CPU), Python 3 – local build machine).

من مخرجاته:

baseline test derivative MSE = 0.00255 ; energy after t=100: 1.048 (true 0.500)
hnn      test derivative MSE = 0.00254 ; energy after t=100: 0.502 (true 0.500)

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

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

جرّب وتعمّق

معماريات مرتبطة

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

بحثي2016

الشبكات العصبية المتكافئة

Equivariant Neural Networks (ENN)

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.

المعماريات المتخصصة

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

متقدم2021

الشبكات العصبية السائلة

Liquid Neural Networks (LNN)

شبكات متكررة زمنية مستمرة يتغير فيها ثابت الزمن لكل عصبون حسب الدخل (Liquid Time-Constant)، فتتكيف ديناميكيتها مع البيانات مع عدد عصبونات صغير.

الشبكات الزمنية والمتسلسلةالمعماريات العصبية المتقدمة

أفكار بحثية

  • شبكات هاملتونية مع تبديد متعلَّم لنمذجة حركة الأطراف الاصطناعية.

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

اختبر فهمك

  1. مفهوم

    ما الطرق الثلاث لإدخال الفيزياء وفق مراجعة Karniadakis وزملائه؟

  2. مفهوم

    لماذا تحفظ HNN الطاقة المتعلَّمة؟

  3. رياضي

    مع $H=(q^2+p^2)/2$ عند $(q,p)=(0,2)$، ما $\dot q$؟

المراجع

  1. 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

  2. Greydanus, S., Dzamba, M., & Yosinski, J. (2019). Hamiltonian neural networks. Advances in Neural Information Processing Systems (NeurIPS) 32. https://arxiv.org/abs/1906.01563

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

  3. Cranmer, M., Greydanus, S., Hoyer, S., Battaglia, P., Spergel, D., & Ho, S. (2020). Lagrangian neural networks. ICLR 2020 Workshop on Integration of Deep Neural Models and Differential Equations. https://arxiv.org/abs/2003.04630

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

  4. Raissi, M., Perdikaris, P., & Karniadakis, G. E. (2019). Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics, 378, 686–707. https://doi.org/10.1016/j.jcp.2018.10.045

    DOIتحقق آلي عبر Crossref – 2026-11-20