في عالم العلوم والهندسة، تعتبر المعادلات التفاضلية الجزئية (Partial Differential Equations - PDE) أدوات أساسية لحل العديد من المشاكل المعقدة. رغم ذلك، فإن الأساليب العددية التقليدية غالبًا ما تعتمد بشكل كبير على تقنيات المصفوفات، بينما تواجه الأساليب المعتمدة على التعلم عوائق كبيرة مثل التكاليف الباهظة في التدريب والقدرة المحدودة على التعميم.

في هذا السياق، يقدم الباحثون إطار عمل مبتكر مدفوع بالطاقة لحل المعادلات التفاضلية الجزئية بشكل فعال وثابت، حيث يعالج هذا الإطار المعادلات من خلال تكرارات الانتشار المقيدة فيزيائيًا، دون الحاجة إلى تجميع العناصر المنتهية التقليدي أو التدريب على الشبكات العصبية.

يعتمد الأسلوب الجديد على تطوير مجالات عشوائية ابتدائية عن طريق تكرارات ضمنية مدفوعة بالطاقة، مترافقة مع تنعيم Gaussian، مما يضمن الحفاظ على الشروط الحدودية بصرامة في كل تكرار. وقد تم تطبيق هذا الإطار على معادلات ممثلة مثل معادلة بواسون (Poisson)، ومعادلة الحرارة (Heat)، ومعادلة برجرز اللزجة (Viscous Burgers)، مما يغطي مشاكل الحالة المستقرة والمتحولة.

أظهرت النتائج العددية تقاربًا مستقرًا نحو الحل الفريد الفيزيائي من عمليات ابتدائية عشوائية، مع دقة عالية في معالجة التدرجات الحادة والتحكم في متوسط مربع الخطأ (Mean Squared Error - MSE) عبر مجموعة واسعة من معلمات التقطيع. تشير المقارنات التفصيلية مع الحلول التحليلية إلى أن هذا الإطار يحقق دقة وثبات غير متوفرين في الأساليب التقليدية.

بصفة عامة، يقدم هذا الإطار الجديد بديلاً سريعًا ومرنًا ومتسقًا فيزيائيًا للحلول العددية التقليدية، مما يفتح آفاقًا جديدة لحلول المعادلات التفاضلية الجزئية في الأبحاث والتطبيقات الهندسية.