معماريات تعلم الآلة العلمي (SciML)
Scientific Machine Learning Architectures
منظومة معماريات تمزج النماذج الآلية (المعادلات المعروفة) مع شبكات عصبية تتعلم الأجزاء المجهولة، وتُدرَّب عبر محلّلات تفاضلية قابلة للاشتقاق. أبرز أمثلتها المعادلات التفاضلية الشاملة (UDE) وNeural ODE والمحاكيات القابلة للاشتقاق.
نظرة عامة
| الاسم | معماريات تعلم الآلة العلمي – Scientific Machine Learning Architectures |
|---|---|
| سنة الظهور | 2020 |
| الباحثون | مثال مرجعي: Christopher Rackauckas وزملاؤه (Universal Differential Equations) |
| الجهة | MIT |
| الورقة الأصلية | Universal differential equations for scientific machine learning arXiv |
| نوع البيانات | تسلسلات وسلاسل زمنية، حقول فيزيائية ودوال |
| المجالات | التنبؤ بالسلاسل الزمنية، الحوسبة العلمية، تحليل الصور الطبية |
| الكلفة الحسابية | تتناسب مع عدد خطوات المحلّل. |
| حجم البيانات | صغيرة إلى متوسطة (مسارات زمنية). |
المشكلة التي تحلها
النماذج الآلية تفوت ظواهر غير مفهومة، والنماذج العصبية الخالصة تحتاج بيانات كثيرة ولا تقبل التفسير. العالِم يريد الاحتفاظ بما يعرفه وتعلم ما ينقصه فقط.
الخلفية والتطور
ما قبلها: المعادلات التفاضلية العصبية، الشبكات العصبية المستندة إلى الفيزياء، الإدراك متعدد الطبقات
الفكرة الأساسية
$\dot z=f_{known}(z;p)+NN_\theta(z)$. يُحاكى النظام بمحلّل ODE، وتُقارن المسارات بالقياسات، ويُشتق الخطأ عبر خطوات المحلّل لتحديث $\theta$. بعد التدريب يمكن فحص ما تعلمته الشبكة ومحاولة استخراج صيغة رمزية له (انحدار رمزي)، فيصبح النموذج قابلاً للتفسير.
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 |
|---|---|
| Known mechanistic terms | معادلات معروفة |
| Neural correction | شبكة للحدود المجهولة |
| Differentiable ODE solver | RK4 أو adjoint |
| Trajectory loss | |
| Symbolic recovery (اختياري) | استخراج صيغة |
المعادلات
1. المعادلة التفاضلية الشاملة
| $p$ | معاملات معروفة |
| $NN_\theta$ | الجزء المتعلَّم |
2. خسارة المسار
| $\mathrm{ODESolve}$ | محلّل قابل للاشتقاق |
آلية العمل خطوة بخطوة
- اكتب ما تعرفه من المعادلات.
- أضف شبكة للحدود المجهولة.
- حاكِ بمحلّل قابل للاشتقاق.
- درّب على المسارات (قصيرة ثم أطول).
- افحص الحد المتعلَّم واستخرج صيغة إن أمكن.
المزايا والقيود
المزايا
- بيانات أقل بفضل المعرفة المسبقة.
- قابلية تفسير أعلى.
- تعميم أفضل لظروف جديدة.
القيود
- الاشتقاق عبر المحلّل مكلف وقد يكون غير مستقر للمسارات الطويلة.
- قابلية التعرف (identifiability) غير مضمونة.
متى تُستخدم؟ ومتى لا؟
تناسب
- أنظمة بنماذج آلية جزئية: بيولوجيا، أوبئة، هندسة.
لا تناسب
- غياب أي معرفة آلية موثوقة.
التطبيقات
| المجال | الاستخدام |
|---|---|
| الحوسبة العلمية | نمذجة أنظمة حيوية وكيميائية. |
| تحليل الصور الطبية | نماذج دوائية (PK/PD) هجينة. |
| التنبؤ بالسلاسل الزمنية | تنبؤ بأنظمة ديناميكية. |
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.
# Universal Differential Equation: تعلم حدود التفاعل المجهولة في لوتكا–فولتيرا
# 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 UDE(nn.Module):
"""معادلة تفاضلية شاملة: الأجزاء المعروفة من النموذج الفيزيائي + شبكة تتعلم الحدود المجهولة.
لوتكا–فولتيرا: dx/dt = a x − [?] ، dy/dt = −d y + [?] (حدود التفاعل مجهولة)."""
def __init__(self, a=1.3, d=1.8):
super().__init__()
self.a, self.d = a, d
self.nn = nn.Sequential(nn.Linear(2, 32), nn.Tanh(), nn.Linear(32, 32), nn.Tanh(), nn.Linear(32, 2))
def forward(self, z):
x, y = z[:, :1], z[:, 1:]
known = torch.cat([self.a * x, -self.d * y], 1)
return known + self.nn(z)
def rk4_rollout(f, z0, dt, steps):
zs, z = [z0], z0
for _ in range(steps):
a = f(z); b = f(z + dt / 2 * a); c = f(z + dt / 2 * b); d = f(z + dt * c)
z = z + dt / 6 * (a + 2 * b + 2 * c + d); zs.append(z)
return torch.stack(zs, 1) # B×(steps+1)×2
# 3) إعداد البيانات
# النظام الحقيقي (مجهول جزئياً للنموذج): الحدود −β x y و +γ x y
A_, B_, G_, D_ = 1.3, 0.9, 0.8, 1.8
true_f = lambda z: torch.stack([A_ * z[:, 0] - B_ * z[:, 0] * z[:, 1], -D_ * z[:, 1] + G_ * z[:, 0] * z[:, 1]], 1)
dt, STEPS = 0.05, 60
with torch.no_grad():
Z0 = torch.rand(64, 2) * 2 + 0.5
traj = rk4_rollout(true_f, Z0, dt, STEPS)
traj_obs = traj * (1 + 0.01 * torch.randn_like(traj)) # ضوضاء قياس 1%
model = UDE()
# 4) الخسارة: الفرق بين المسار المحاكى بالنموذج والمسار المقاس (اشتقاق عبر المحلّل نفسه)
opt = torch.optim.Adam(model.parameters(), lr=5e-3)
# 5) حلقة التدريب: مسارات قصيرة أولاً ثم أطول (multiple shooting مبسّط)
for epoch in range(600):
H = 10 if epoch < 200 else 30
start = torch.randint(0, STEPS - H, (1,)).item()
pred = rk4_rollout(model, traj_obs[:, start], dt, H) # Forward Pass عبر المحلّل
loss = F.mse_loss(pred, traj_obs[:, start:start + H + 1])
opt.zero_grad(); loss.backward(); opt.step()
if epoch % 150 == 0 or epoch == 599:
print(f"epoch {epoch:3d} trajectory MSE={loss.item():.5f}")
# 6) التقييم: هل استعادت الشبكة حدود التفاعل −βxy و +γxy؟ وتنبؤ لشروط ابتدائية جديدة
with torch.no_grad():
zz = torch.rand(500, 2) * 2 + 0.5
learned = model.nn(zz)
true_missing = torch.stack([-B_ * zz[:, 0] * zz[:, 1], G_ * zz[:, 0] * zz[:, 1]], 1)
print(f"relative error of recovered interaction terms = {(torch.norm(learned - true_missing) / torch.norm(true_missing)).item():.4f}")
z0 = torch.rand(16, 2) * 2 + 0.5
err = (rk4_rollout(model, z0, dt, STEPS) - rk4_rollout(true_f, z0, dt, STEPS)).abs().mean().item()
print(f"mean abs trajectory error on new initial conditions = {err:.4f}")
# 7) الاستدلال: تقدير معامل β من الشبكة (الحد الأول ≈ −β x y)
with torch.no_grad():
x, y = 1.5, 1.0
print(f"estimated beta ≈ {(-model.nn(torch.tensor([[x, y]]))[0, 0] / (x * y)).item():.3f} (true {B_})")
نُفّذ هذا الكود بتاريخ 2026-11-20 في 15.3 ثانية (PyTorch (CPU), Python 3 – local build machine).
من مخرجاته:
relative error of recovered interaction terms = 0.0343 mean abs trajectory error on new initial conditions = 0.0431
عدد المعاملات القابلة للتدريب في المثال: model = 1٬218.
هذه النتائج لبيانات اصطناعية صغيرة وعدد حقب قليل، وتُثبت أن الكود يعمل فقط؛ لا تقارنها بالنتائج المنشورة.
جرّب وتعمّق
- مختبر السلاسل الزمنية قسم آخر في الموقع
معماريات مرتبطة
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 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…
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…
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…
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
- UDE لنمذجة استجابة سكر الدم للإنسولين لدى مرضى السكري من النوع الأول.
اقتراحات للانطلاق وليست فجوات بحثية مؤكدة؛ راجع الأدبيات الحديثة قبل اعتمادها.
اختبر فهمك
ما الفكرة الأساسية في المعادلات التفاضلية الشاملة؟
لماذا؟ $\dot z=f_{known}+NN_\theta$.
كيف يمر التدرّج في تدريب UDE؟
لماذا؟ أو بطريقة adjoint.
ما فائدة استخراج صيغة رمزية للحد المتعلَّم؟
لماذا؟ يحول الشبكة إلى قانون صريح.
المراجع
Rackauckas, C., Ma, Y., Martensen, J., Warner, C., Zubov, K., Supekar, R., Skinner, D., Ramadhan, A., & Edelman, A. (2020). Universal differential equations for scientific machine learning. arXiv preprint. https://arxiv.org/abs/2001.04385
Chen, R. T. Q., Rubanova, Y., Bettencourt, J., & Duvenaud, D. (2018). Neural ordinary differential equations. Advances in Neural Information Processing Systems (NeurIPS) 31. https://arxiv.org/abs/1806.07366
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
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
