في خطوة جديدة من خطوات التقدم في الذكاء الاصطناعي والتعلم الآلي، تم الكشف عن أبحاث مثيرة تُظهر كيفية استخدام شبكات عصبية مدعومة بالفيزياء (PINN) في حل المعادلات التفاضلية الجبرية المعقدة. في هذه الدراسة، تم اقتراح عدة أشكال لبناء هذه الشبكات الجديدة باستخدام نموذج عمود كيرشوف غير الخطي لعرض المنهجية.

تعتبر مكتبة DeepXDE مفتوحة المصدر من بين الأكثر توثيقًا، حيث تحتوي على العديد من الأمثلة التي تعزّز الفهم العملي لأساليب الحل. ومع ذلك، واجه الباحثون بعض المشاكل المرضية المقترحة، ما أدى إلى ابتكار طرق جديدة للتغلب عليها.

تشمل هذه الأساليب المبتكرة أشكال المعادلات التفاضلية التي تتطور من صيغ أقل تعقيدًا، مما يقلل عدد المتغيرات المجهولة، إلى أشكال ذات مستويات أعلى مع مزيد من المتغيرات المعتمدة. تقليديًا، كانت العملية تبدأ من الشكل الأكثر تعقيدًا، وهو شكل توازن الزخم، وتستمر إلى عملية طويلة قد تعرض الباحثين للأخطاء.

الآن، مع الاقتراح بتطبيق شبكات PINN مباشرةً على الأشكال الأكثر تعقيدًا، أصبح بالإمكان تجاوز هذا التعب، مما يفتح آفاقًا جديدة في مجال النمذجة الرياضية. كما طورت الدراسة نصًا باستخدام JAX، والذي قدم نتائج أسرع وأسهل بالرغم من أن أداؤه كان أبطأ من نموذج DDE-T الذي يعتمد على TensorFlow.

تسعى هذه الأبحاث إلى إثبات أن العمل بشكل مباشر مع الأشكال الأكثر تعقيدًا قد يكون أكثر كفاءة، مما يعزز التحسينات المذكورة أعلاه. تتطلب عملية تنظيم سرعة التعلم لضمان الحصول على نتائج دقيقة مزيجًا من الفن والعلم، وقد وثق الباحثون بخبراتهم بشكل مفصل ليسهل على الآخرين إعادة إنتاج النتائج.

هل تعتبر هذه الأساليب الجديدة ستحل مشاكل المعادلات التفاضلية الجبرية بشكل فعّال في المستقبل؟ شاركونا آرائكم في التعليقات!