تحكم ديناميكي في دقة القياس: ثورة في الشبكات العصبية الموجهة للفيزياء

تعتبر الشبكات العصبية الموجهة للفيزياء (Physics-informed Neural Networks - PINNs) من التطورات الهامة في محاكاة المعادلات التفاضلية الجزئية (Partial Differential Equations - PDEs)، حيث تدمج القوانين الفيزيائية مباشرةً في تدريب الشبكات العصبية. إلا أن الدراسات الأخيرة كشفت أن تحسين أداء PINNs يعتمد بشكل كبير على دقة الأرقام المستخدمة، مما يشكل تحدياً في المجال.

معظم العمليات الحالية تستخدم دقة بسيطة (Single Precision - FP32) لفعاليتها من ناحية الحساب، لكنها عرضة لمشكلات معينة تؤثر على النتائج. بينما توفر دقة مزدوجة (Double Precision - FP64) استقراراً أكبر، إلا أنها تتطلب طاقة حسابية أعلى مما يزيد من تكاليف التدريب.

لذا، قمنا بتطوير نظام تحكم في دقة القياس يعتمد على انحناء البيانات، حيث يقوم بتعديل دقة الأرقام المستخدمة أثناء عملية التدريب بدلاً من اعتبارها خياراً ثابتاً. يتم استغلال معلومات الانحناء المستمدة من خوارزمية BFGS ذات الذاكرة المحدودة (Limited-memory BFGS - L-BFGS) لإنشاء وحدة تحكم دقة، مما يتيح استخدام FP32 عندما تكون الدقة المنخفضة كافية، والترقية إلى FP64 عندما تدل الديناميات على حساسية عددية.

لقد قمنا بتقييم الأسلوب الجديد على أربعة معايير اختبارية لأنماط فشل PINN، بالإضافة إلى معادلة تفاضلية عادية مدفوعة بالضوء. كانت النتائج مثيرة للإعجاب، حيث أثبتت الطريقة توافقها مع دقة السمات الكاملة لـ FP64 مع تقليل زمن التدريب مقارنةً بالطرق التقليدية. هذه النتائج تشير إلى أن حساسية الدقة في تحسين PINN تعتمد على المرحلة، مما يسمح بتطبيق دقة أعلى فقط خلال المراحل الحرجة رقمياً وبالتالي تقليل التكلفة الحسابية دون compromise في دقة التنبؤ.

كيف ترون هذه التطورات الجديدة في تقنية الشبكات العصبية الموجهة للفيزياء؟ شاركونا آرائكم!