في عالم الذكاء الاصطناعي الذي يتطور بشكل سريع، تمثل مشكلة كيفية معالجة المعلومات المعقدة تحدياً كبيراً. في دراسة جديدة تم نشرها على arXiv، تناول الباحثون الفجوة بين الدور الفيزيائي للمجالات النقالة في المعادلات التفاضلية الجزئية (PDEs) ودورها المعتاد في المشغلات العصبية. عادةً ما تُستخدم المجالات النقالة في المعادلات لتحديد أماكن القراءة، لكن المشغلات العصبية تعالجها فقط كقيم دخل.

أطلقت الدراسة مشغل GRNO (Green-Routed Neural Operator) الذي يستفيد من المعادلة الحاكمة لتحديد الأماكن التي يتم فيها استقراء الميزات الكامنة، مما يسهم في تحصيل نتائج أكثر دقة. يتضمن ذلك استخدام مُعدِّل معادلات بلا معلمات لتقييم العلاقة التشخيصية وإنشاء خريطة مغادرة تحدد نقاط القراءة.

مع استخدام تقنية الترميز متعدد المقاييس، تمكن المشغل الجديد من الجمع بين قراءات الميزات المحورية والموجهة لتعلم التحديث الكامل على مر الزمن المحدد. حققت التجارب على خمسة أنظمة من المعادلات التفاضلية تحت الظروف التجريبية انخفاضاً ملحوظاً في معدل الخطأ النسبي المتبقي، مما يجعل GRNO الخيار الأفضل مقارنة بالأساليب التقليدية.

تبين الدراسة أن التدخلات ذات الوزن الثابت تكشف عن اعتماد قوي على الاتجاه والمحاذاة المكانية في أربعة أنظمة مع وجود اعتماد ضعيف في نظام Keller-Segel. أظهرت التجارب المستقلة أن GRNO حققت أخطاء متوسطة أقل مقارنة بالمتغيرات التي تقدم المجال النقال كميزة إدخال فقط، أو تلك التي تحاول استبدال التحركات المستفادة بالدليل المعاد للتوجيه.

هذا الأداء القوي يشير إلى أن نقاط القراءة التي تحددها المعادلات تعطي أفضلية هيكلية للتنبؤ بالنماذج على المدى الطويل في المعادلات التفاضلية الجزئية، مما يفتح آفاقاً جديدة في الذكاء الاصطناعي وعلوم البيانات.