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

متوسطالشبكات العصبية المستندة إلى الفيزياء

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

الاسمالشبكات العصبية المستندة إلى الفيزياء – Physics-Informed Neural Networks
سنة الظهور2019
الباحثونMaziar Raissi، Paris Perdikaris، George Em Karniadakis
الجهةBrown University / University of Pennsylvania
الورقة الأصليةPhysics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations DOI
نوع البياناتحقول فيزيائية ودوال، بيانات جدولية
المجالاتالحوسبة العلمية، الروبوتات، تحليل الصور الطبية
الكلفة الحسابيةتكلفة المشتقات العليا مرتفعة؛ تعتمد على عدد نقاط التجميع.
حجم البياناتبيانات 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

  1. 2019

    نشر Raissi وزملاؤه إطار PINN في Journal of Computational Physics (بعد مسودتين على arXiv عام 2017). [مرجع]

  2. 2021

    حلل Wang وزملاؤه اختلال تدرّجات حدود الخسارة واقترحوا أوزاناً تكيفية. [مرجع]

  3. 2021

    وصف Krishnapriyan وزملاؤه أنماط فشل PINN في المسائل الصعبة. [مرجع]

  4. 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.

مثال: تقدير معامل التوصيل الحراري لمادة من قياسات حرارة قليلة متفرقة مع معرفة أن الحرارة تتبع معادلة الانتشار.

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
Solution network u_θ(x, t)MLP بتنشيط ناعم (tanh)
Automatic differentiationلحساب المشتقات
Collocation pointsنقاط داخل المجال
PDE residual loss
IC/BC losses
Optional data loss / unknown parametersللمسائل العكسية

المعادلات

1. خسارة PINN

$$\mathcal{L}(\theta)=\frac{1}{N_f}\sum_{i}\big|\mathcal{N}[u_\theta](x_f^i,t_f^i)\big|^2+\frac{\lambda_b}{N_b}\sum_{j}\big|u_\theta(x_b^j,t_b^j)-g^j\big|^2+\frac{\lambda_d}{N_d}\sum_k\big|u_\theta(x_d^k,t_d^k)-u^k\big|^2$$

الرموز
$\mathcal{N}[u]$مؤثر المعادلة (يساوي صفراً للحل)
$\lambda_b,\lambda_d$أوزان الحدود والبيانات
الأبعاد
قيمة قياسية
مثال عددي
باقٍ متوسط مربعه $10^{-4}$، وخطأ حدي $2\times10^{-5}$ بوزن 10: $\mathcal{L}=10^{-4}+2\times10^{-4}=3\times10^{-4}$.
علاقتها بالمعمارية
تجعل الفيزياء جزءاً من دالة الهدف.

2. باقي معادلة الحرارة

$$\mathcal{N}[u]=\frac{\partial u}{\partial t}-\alpha\frac{\partial^2 u}{\partial x^2}$$

الرموز
$\alpha$معامل الانتشار
الأبعاد
قيمة لكل نقطة
مثال عددي
للحل $u=e^{-\alpha\pi^2t}\sin(\pi x)$: $u_t=-\alpha\pi^2u$ و$u_{xx}=-\pi^2u$ ⇒ الباقي $-\alpha\pi^2u+\alpha\pi^2u=0$.
علاقتها بالمعمارية
الحل الصحيح يعطي باقياً صفرياً في كل مكان.

آلية العمل خطوة بخطوة

  1. حدد المعادلة والمجال والشروط.
  2. اختر نقاط تجميع.
  3. احسب المشتقات بالاشتقاق التلقائي.
  4. اجمع الخسائر بأوزان مناسبة.
  5. درّب (Adam ثم L-BFGS غالباً).
  6. 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

المجالالاستخدام
الحوسبة العلميةمحاكاة الموائع والحرارة والمرونة والمسائل العكسية.
تحليل الصور الطبيةنمذجة تدفق الدم وانتشار الأدوية في الأنسجة.
الروبوتاتنماذج ديناميكية للتحكم.
التنبؤ بالسلاسل الزمنيةنمذجة 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.

Python (PyTorch)
# 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

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

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

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…

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

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

متقدم2024

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.

المعماريات العصبية المتقدمة

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

  1. مفهوم

    كيف تُحسب مشتقات الحل في PINN؟

  2. مفهوم

    ما الذي يجعل PINN مناسبة للمسائل العكسية؟

  3. مفهوم

    ما مشكلة معروفة في تدريب PINN؟

المراجع

  1. 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

  2. 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

  3. 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

    DOIarXivتحقق آلي عبر Crossref – 2026-11-20

  4. 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

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