تعتبر الشبكات العصبية المدعومة بالفيزياء (PINNs) أدوات فعالة للغاية، لكنها تتطلب خيارات دقيقة في تصميمها من حيث البنية، التفعيل، وزن الخسارة، وطرق التحسين. ومع ذلك، فإن نماذج اللغة الكبيرة (LLMs) قادرة على اقتراح هذه الخيارات، لكنها تواجه تحديات في دمج الخبرات المستفادة من النماذج المدربة مسبقًا.

في تطور مثير، نحن نقدم خوارزمية تطورية مغلقة تهدف إلى توجيه نماذج اللغة الكبيرة لتوليد تصميمات شاملة وقابلة للتنفيذ لشبكات PINNs عبر الأجيال المختلفة. تقوم هذه الخوارزمية برصد نتائج التدريب المستمدة من التصميمات السابقة، مما يسمح بتحديد خيارات البحث لاحقًا. تشمل ميزات الخوارزمية الحفاظ على عينة تقيم الخيارات المختلفة، تطبيق طفرات وتبادل مشروط بالوالدين، والأهم من ذلك، الحفاظ على حلول النخبة والمتنوعة، مما يساهم في تجاوز الحلول الفعّالة المُكررة.

تم تنفيذ كل تصميم مقترح مباشرة تحت ميزانية محددة من خطوات المحسن. وفي تجربة مثيرة على معادلة موجية متعددة المقاييس أحادية البعد، تم تدريب 60 شبكة PINN عبر مجموعتين مستقلتين، كل منهما تتألف من عشرة أجيال، مع أداء تحسين يصل إلى 600,000 خطوة.

نتائج التجربة أظهرت أن أفضل تصميم ظهر في الجيل النهائي، حيث تم تقليل متوسط الخطأ التربيعي بنسبة 2.97% و95.38% مقارنةً بالسكان العائدين. كما أن التجربة الأكثر نجاحًا أكدت على فائدة الربطات المتبقية وزيادة العمق في فروع منفصلة، مما أدى إلى دمجها في جيل لاحق مع تحسين عرض الكتل وكثافة التجميع.

تكشف هذه النتائج عن إمكانية استخدام الخوارزميات التطورية في توجيه نماذج اللغة الكبيرة في تصميم الشبكات المعقدة المدعومة بالفيزياء، مما يعزز الحاجة إلى تقييم أوسع وأوسع واع للفيزياء.