الشبكات العصبية المستندة إلى الفيزياء (PINN)
Physics-Informed Neural Networks
شبكة تقرّب حل معادلة تفاضلية جزئية $u_\theta(x,t)$، وتُدرَّب بخسارة تجمع باقي المعادلة (محسوباً بالاشتقاق التلقائي) مع الشروط الابتدائية والحدية وأي قياسات متاحة، فتحل مسائل أمامية وعكسية ببيانات قليلة.
نظرة عامة
| الاسم | الشبكات العصبية المستندة إلى الفيزياء – Physics-Informed Neural Networks |
|---|---|
| سنة الظهور | 2019 |
| الباحثون | Maziar Raissi، Paris Perdikaris، George Em Karniadakis |
| الجهة | Brown University / University of Pennsylvania |
| الورقة الأصلية | Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations DOI |
| نوع البيانات | حقول فيزيائية ودوال، بيانات جدولية |
| المجالات | الحوسبة العلمية، الروبوتات، تحليل الصور الطبية |
| الكلفة الحسابية | تكلفة المشتقات العليا مرتفعة؛ تعتمد على عدد نقاط التجميع. |
| حجم البيانات | بيانات قليلة أو معدومة (الفيزياء تقوم مقامها). |
المشكلة التي تحلها
الطرق العددية التقليدية تحتاج شبكات تقطيع دقيقة ويصعب فيها دمج قياسات متفرقة أو تقدير معاملات مجهولة؛ والشبكات العادية تحتاج بيانات كثيرة ولا تحترم القوانين الفيزيائية.
الخلفية والتطور
ما قبلها: الإدراك متعدد الطبقات
- 2019
نشر Raissi وزملاؤه إطار PINN في Journal of Computational Physics (بعد مسودتين على arXiv عام 2017). [مرجع]
- 2021
حلل Wang وزملاؤه اختلال تدرّجات حدود الخسارة واقترحوا أوزاناً تكيفية. [مرجع]
- 2021
وصف Krishnapriyan وزملاؤه أنماط فشل PINN في المسائل الصعبة. [مرجع]
- 2021
مراجعة "Physics-informed machine learning" في Nature Reviews Physics. [مرجع]
الفكرة الأساسية
الشبكة دالة ناعمة في $(x,t)$، فيمكن حساب $u_t$ و$u_{xx}$ بالاشتقاق التلقائي عند أي نقطة. نختار نقاط "تجميع" عشوائية في المجال ونطلب أن يكون باقي المعادلة صفراً عندها، ونطلب مطابقة الشروط الحدية والابتدائية. في المسائل العكسية تصبح معاملات المعادلة (مثل معامل الانتشار) متغيرات تُتعلم مع الشبكة.
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 |
|---|---|
| Solution network u_θ(x, t) | MLP بتنشيط ناعم (tanh) |
| Automatic differentiation | لحساب المشتقات |
| Collocation points | نقاط داخل المجال |
| PDE residual loss | |
| IC/BC losses | |
| Optional data loss / unknown parameters | للمسائل العكسية |
المعادلات
1. خسارة PINN
| $\mathcal{N}[u]$ | مؤثر المعادلة (يساوي صفراً للحل) |
| $\lambda_b,\lambda_d$ | أوزان الحدود والبيانات |
2. باقي معادلة الحرارة
| $\alpha$ | معامل الانتشار |
آلية العمل خطوة بخطوة
- حدد المعادلة والمجال والشروط.
- اختر نقاط تجميع.
- احسب المشتقات بالاشتقاق التلقائي.
- اجمع الخسائر بأوزان مناسبة.
- درّب (Adam ثم L-BFGS غالباً).
- قارن بحل مرجعي أو قياسات.
المزايا والقيود
المزايا
- لا يحتاج شبكة تقطيع.
- يدمج البيانات والفيزياء.
- مناسب للمسائل العكسية.
- حل مستمر قابل للاشتقاق.
القيود
- تدريب صعب: موازنة حدود الخسارة واختلال التدرّجات.
- ضعيف في الحلول متعددة المقاييس أو الحادة.
- غالباً أبطأ وأقل دقة من المحللات العددية في المسائل الأمامية القياسية.
- يُعاد تدريبه لكل مسألة جديدة.
متى تُستخدم؟ ومتى لا؟
تناسب
- مسائل عكسية وتقدير معاملات.
- بيانات متفرقة مع فيزياء معروفة.
لا تناسب
- حلول متكررة لمعاملات كثيرة (استخدم مؤثرات عصبية).
- مسائل أمامية قياسية تحلها المحللات العددية بكفاءة.
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. |
| التنبؤ بالسلاسل الزمنية | نمذجة أنظمة ديناميكية من قياسات زمنية. |
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.
# PINN لمعادلة الحرارة أحادية البعد مقارنة بالحل التحليلي
# 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 PINN(nn.Module):
"""u_θ(x, t): شبكة ناعمة (tanh) لأن الخسارة تحتاج مشتقات ثانية."""
def __init__(self, h=32, L=3):
super().__init__()
layers, d = [], 2
for _ in range(L):
layers += [nn.Linear(d, h), nn.Tanh()]; d = h
self.net = nn.Sequential(*layers, nn.Linear(h, 1))
def forward(self, x, t):
return self.net(torch.cat([x, t], 1))
def pde_residual(model, x, t, alpha):
"""باقي معادلة الحرارة u_t − α u_xx عبر الاشتقاق التلقائي."""
x.requires_grad_(True); t.requires_grad_(True)
u = model(x, t)
u_t, u_x = torch.autograd.grad(u.sum(), (t, x), create_graph=True)
u_xx = torch.autograd.grad(u_x.sum(), x, create_graph=True)[0]
return u_t - alpha * u_xx
# 3) إعداد البيانات
# معادلة الحرارة: u_t = α u_xx على x∈[0,1], t∈[0,1]، u(x,0)=sin(πx)، u(0,t)=u(1,t)=0
# الحل الدقيق (للمقارنة فقط، لا يُستخدم في التدريب): u = exp(−απ² t) sin(πx)
ALPHA = 0.1
exact = lambda x, t: torch.exp(-ALPHA * torch.pi ** 2 * t) * torch.sin(torch.pi * x)
x_f, t_f = torch.rand(2000, 1), torch.rand(2000, 1) # نقاط التجميع (collocation) داخل المجال
x_0 = torch.rand(200, 1); t_0 = torch.zeros(200, 1); u_0 = torch.sin(torch.pi * x_0) # الشرط الابتدائي
t_b = torch.rand(200, 1); x_b = torch.randint(0, 2, (200, 1)).float() # الشروط الحدية
xs, ts = torch.meshgrid(torch.linspace(0, 1, 101), torch.linspace(0, 1, 101), indexing='ij')
X_test, T_test = xs.reshape(-1, 1), ts.reshape(-1, 1)
model = PINN()
# 4) الخسارة: باقي المعادلة + الشرط الابتدائي + الحدود، والمحسّن
opt = torch.optim.Adam(model.parameters(), lr=3e-3)
sched = torch.optim.lr_scheduler.StepLR(opt, 1500, 0.3)
# 5) حلقة التدريب (لا توجد أي قيم للحل داخل المجال: الفيزياء وحدها تقود التعلم)
STEPS = 4000
for step in range(STEPS):
r = pde_residual(model, x_f.clone(), t_f.clone(), ALPHA) # Forward Pass + مشتقات
loss_pde = (r ** 2).mean()
loss_ic = ((model(x_0, t_0) - u_0) ** 2).mean()
loss_bc = (model(x_b, t_b) ** 2).mean()
loss = loss_pde + 10 * loss_ic + 10 * loss_bc
opt.zero_grad(); loss.backward(); opt.step(); sched.step()
if step % 1000 == 0 or step == STEPS - 1:
print(f"step {step:4d} pde={loss_pde.item():.2e} ic={loss_ic.item():.2e} bc={loss_bc.item():.2e}")
# 6) التقييم مقابل الحل التحليلي على شبكة 101×101
with torch.no_grad():
u_pred, u_true = model(X_test, T_test), exact(X_test, T_test)
rel = (torch.norm(u_pred - u_true) / torch.norm(u_true)).item()
print(f"relative L2 error vs exact solution = {rel:.4f}")
# 7) الاستدلال: قيمة الحل عند نقطة جديدة
with torch.no_grad():
x, t = torch.tensor([[0.5]]), torch.tensor([[0.5]])
print(f"u(0.5, 0.5): PINN = {model(x, t).item():.4f} ; exact = {exact(x, t).item():.4f}")
نُفّذ هذا الكود بتاريخ 2026-11-20 في 24.0 ثانية (PyTorch (CPU), Python 3 – local build machine).
من مخرجاته:
relative L2 error vs exact solution = 0.0014
عدد المعاملات القابلة للتدريب في المثال: model = 2٬241.
هذه النتائج لبيانات اصطناعية صغيرة وعدد حقب قليل، وتُثبت أن الكود يعمل فقط؛ لا تقارنها بالنتائج المنشورة.
جرّب وتعمّق
معماريات مرتبطة
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…
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…
التعلم العميق المستنير بالفيزياء
Physics-Informed Deep Learning (PIML)
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 دا…
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…
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".
شبكات كولموغوروف–أرنولد
Kolmogorov–Arnold Networks (KAN)
شبكات تضع دوال تنشيط قابلة للتعلم (منحنيات B-spline) على الحواف بدلاً من أوزان ثابتة، بينما تجمع العقد مدخلاتها بالجمع فقط، استلهاماً من نظرية تمثيل كولموغوروف–أرنولد.
لا توجد نتائج مطابقة للمرشحات.
أفكار بحثية
- PINN لتقدير معاملات انتشار دواء في نسيج من صور MRI ديناميكية مع تقدير عدم اليقين.
اقتراحات للانطلاق وليست فجوات بحثية مؤكدة؛ راجع الأدبيات الحديثة قبل اعتمادها.
اختبر فهمك
كيف تُحسب مشتقات الحل في PINN؟
لماذا؟ الشبكة دالة قابلة للاشتقاق في (x, t).
ما الذي يجعل PINN مناسبة للمسائل العكسية؟
لماذا؟ مع خسارة بيانات من القياسات.
ما مشكلة معروفة في تدريب PINN؟
لماذا؟ درسها Wang وزملاؤه 2021.
المراجع
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
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
Wang, S., Teng, Y., & Perdikaris, P. (2021). Understanding and mitigating gradient flow pathologies in physics-informed neural networks. SIAM Journal on Scientific Computing, 43(5), A3055–A3081. https://doi.org/10.1137/20M1318043
Krishnapriyan, A. S., Gholami, A., Zhe, S., Kirby, R. M., & Mahoney, M. W. (2021). Characterizing possible failure modes in physics-informed neural networks. Advances in Neural Information Processing Systems (NeurIPS) 34. https://arxiv.org/abs/2109.01050
