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 الفيزياءالمعماريات الهجينة

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

الاسممعماريات تعلم الآلة العلمي – Scientific Machine Learning Architectures
سنة الظهور2020
الباحثونمثال مرجعي: Christopher Rackauckas وزملاؤه (Universal Differential Equations)
الجهةMIT
الورقة الأصليةUniversal differential equations for scientific machine learning arXiv
نوع البياناتتسلسلات وسلاسل زمنية، حقول فيزيائية ودوال
المجالاتالتنبؤ بالسلاسل الزمنية، الحوسبة العلمية، تحليل الصور الطبية
الكلفة الحسابيةتتناسب مع عدد خطوات المحلّل.
حجم البياناتصغيرة 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

  1. 2018

    Neural ODE: الاشتقاق عبر المحلّلات. [مرجع]

  2. 2020

    UDE: إطار يضع شبكات داخل المعادلات المعروفة لتعلم الحدود المجهولة. [مرجع]

  3. 2021

    مراجعة تعلم الآلة المستنير بالفيزياء. [مرجع]

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.

مثال: نموذج انتشار وبائي: معادلات SIR معروفة، لكن معدل العدوى يتغير مع السلوك؛ شبكة صغيرة تتعلم هذا الحد من البيانات.

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
Known mechanistic termsمعادلات معروفة
Neural correctionشبكة للحدود المجهولة
Differentiable ODE solverRK4 أو adjoint
Trajectory loss
Symbolic recovery (اختياري)استخراج صيغة

المعادلات

1. المعادلة التفاضلية الشاملة

$$\frac{dz}{dt}=f_{known}(z,t;p)+NN_\theta(z,t)$$

الرموز
$p$معاملات معروفة
$NN_\theta$الجزء المتعلَّم
الأبعاد
$z\in\mathbb{R}^{d}$
مثال عددي
لوتكا–فولتيرا: $\dot x=1.3x+NN_1$، والحد الحقيقي المفقود $-0.9xy$؛ عند $x=1.5$، $y=1$: $-1.35$.
علاقتها بالمعمارية
تتعلم الشبكة ما ينقص النموذج فقط.

2. خسارة المسار

$$\mathcal{L}(\theta)=\frac{1}{T}\sum_{k=1}^{T}\big\lVert\mathrm{ODESolve}(f,z_0,t_k)-z^{obs}(t_k)\big\rVert^2$$

الرموز
$\mathrm{ODESolve}$محلّل قابل للاشتقاق
الأبعاد
قيمة قياسية
مثال عددي
خطأ $0.02$ في نقطتين من ثلاث وصفر في الثالثة: $\mathcal{L}=(0.0004+0.0004)/3\approx0.00027$.
علاقتها بالمعمارية
التدرج يمر عبر كل خطوة من خطوات المحلّل.

آلية العمل خطوة بخطوة

  1. اكتب ما تعرفه من المعادلات.
  2. أضف شبكة للحدود المجهولة.
  3. حاكِ بمحلّل قابل للاشتقاق.
  4. درّب على المسارات (قصيرة ثم أطول).
  5. 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

المجالالاستخدام
الحوسبة العلميةنمذجة أنظمة حيوية وكيميائية.
تحليل الصور الطبيةنماذج دوائية (PK/PD) هجينة.
التنبؤ بالسلاسل الزمنيةتنبؤ 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.

Python (PyTorch)
# 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

معماريات مرتبطة

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

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

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

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

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

  • 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

  1. مفهوم

    ما الفكرة الأساسية في المعادلات التفاضلية الشاملة؟

  2. مفهوم

    كيف يمر التدرّج في تدريب UDE؟

  3. مفهوم

    ما فائدة استخراج صيغة رمزية للحد المتعلَّم؟

المراجع

  1. 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

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

  2. 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

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

  3. 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

  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