تعد المعادلات التفاضلية الجزئية (Partial Differential Equations - PDEs) من العوائق الكبيرة أمام المهندسين والباحثين، ومع ظهور الشبكات العصبية العميقة (Deep Neural Networks - DNNs)، أصبح هناك أمل جديد لحل هذه المشكلات المعقدة. لكن مع تعقيد الهياكل العميقة، تأتي تحديات جديدة تتعلق بالتحسين غير المحدب على نطاق واسع.

تعتبر معادلة بورغرز (Burgers' Equation) نموذجًا غير خطي يتطلب تقنيات متقدمة خاصة لمعالجة التدرجات الحادة والحلول الشبيهة بالصدمة. هنا يأتي دور منهج التعلم العميق متعدد الدرجات (Two-Stage Multi-Grade Deep Learning - TS-MGDL)، الذي يهدف إلى تسهيل عملية التعلم وتعزيز الدقة.

تتضمن المرحلة الأولى تدريب شبكات سطحية بشكل تدريجي، حيث يتم التركيز على تحسين كل درجة بالتتابع من المكونات ذات التردد المنخفض إلى العالي. مع تجميد الدرجات السابقة، يتم تدريب كل كتلة متبقية بشكل منفصل لتقليل خطأ التقدير المتبقي. في المرحلة الثانية، يتم فك تجميد وإعادة تدريب طبقات مختارة باستخدام شبكة المرحلة الأولى كنقطة انطلاق، مما يحقق تحسينًا هرميًا مستقرًا ويسهم في تقليل تعقيد التحسين.

أثبتت النتائج العددية على معادلات بورغرز ذات الأبعاد 1D و2D و3D أن منهج TS-MGDL يتفوق بشكل كبير على أساليب التعلم الاحادي الدرجة (Single-Grade Learning - SGL)، حيث تم تقليل أخطاء التنبؤ بنسبة تصل إلى 60%. هذه النتائج ليست مجرد أرقام، بل تعكس الإمكانيات المستقبلية لهذه التقنية في تطبيقات عملية قد تحدث ثورة في العديد من المجالات.