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
| الاسم | التعلم العميق المستنير بالفيزياء – Physics-Informed Deep Learning |
|---|---|
| سنة الظهور | 2021 |
| الباحثون | مراجعة مرجعية: George Em Karniadakis، Ioannis G. Kevrekidis، Lu Lu، Paris Perdikaris، Sifan Wang، Liu Yang؛ ومثال المعمارية: Greydanus وزملاؤه (HNN 2019) |
| الورقة الأصلية | Physics-informed machine learning DOI |
| نوع البيانات | حقول فيزيائية ودوال، تسلسلات وسلاسل زمنية |
| المجالات | الحوسبة العلمية، الروبوتات، تحليل الصور الطبية |
| الكلفة الحسابية | مثل الشبكة الأساسية مع تكلفة تدرجات إضافية. |
| حجم البيانات | صغيرة 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
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".
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
| المكوّن | الوظيفة |
|---|---|
| Observational bias | بيانات تحترم التناظرات أو زيادة بيانات |
| Inductive bias (architecture) | HNN، LNN، شبكات متكافئة |
| Learning bias (loss) | باقي المعادلات كما في PINN |
| Differentiable simulator | اختياري |
المعادلات
1. معادلات هاملتون في HNN
| $q,p$ | الموضع والزخم |
| $H_\theta$ | الهاملتونيان المتعلَّم |
2. حفظ الطاقة
| $H$ | دالة هاميلتون (الطاقة) |
| $q,p$ | الموضع والزخم |
| $\dot q,\dot p$ | مشتقتاهما الزمنيتان |
3. خسارة HNN
| $H_\theta$ | الطاقة التي تتنبأ بها الشبكة |
| $\dot q,\dot p$ | المشتقات المقاسة من البيانات |
آلية العمل خطوة بخطوة
- حدد الكميات أو التناظرات المعروفة.
- اختر طريقة الإدخال: بيانات، معمارية، خسارة.
- صمم النموذج (مثل HNN).
- درّب على البيانات.
- 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
| المجال | الاستخدام |
|---|---|
| الحوسبة العلمية | محاكاة الموائع والحرارة والمرونة والمسائل العكسية. |
| تحليل الصور الطبية | نمذجة تدفق الدم وانتشار الأدوية في الأنسجة. |
| الروبوتات | نماذج 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.
# 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
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…
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 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.
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 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.
لا توجد نتائج مطابقة للمرشحات.
أفكار بحثية
- شبكات هاملتونية مع تبديد متعلَّم لنمذجة حركة الأطراف الاصطناعية.
اقتراحات للانطلاق وليست فجوات بحثية مؤكدة؛ راجع الأدبيات الحديثة قبل اعتمادها.
اختبر فهمك
ما الطرق الثلاث لإدخال الفيزياء وفق مراجعة Karniadakis وزملائه؟
لماذا؟ انحياز رصدي واستقرائي وتعلمي.
لماذا تحفظ HNN الطاقة المتعلَّمة؟
لماذا؟ الاشتقاق يعطي صفراً تماماً.
مع $H=(q^2+p^2)/2$ عند $(q,p)=(0,2)$، ما $\dot q$؟
لماذا؟ $\partial H/\partial p=p=2$.
المراجع
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
Greydanus, S., Dzamba, M., & Yosinski, J. (2019). Hamiltonian neural networks. Advances in Neural Information Processing Systems (NeurIPS) 32. https://arxiv.org/abs/1906.01563
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
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
