اكتشاف ثوري في الشبكات العصبية: تعزيز التعلم المركب لمواجهة تنوع المهام في الديناميكا الفيزيائية

تعتبر الشبكات العصبية المُعززة بالفيزياء (Physics-informed Neural Networks - PINNs) أداة سريعة التطور في مجال الذكاء الاصطناعي، حيث تعمل على تقريب حلول المعادلات التفاضلية الجزئية (Partial Differential Equations - PDEs) من خلال تضمين القوانين الفيزيائية في دالة الفقد. ومع ذلك، يواجه الباحثون تحدياً حقيقياً يتمثل في تنوع المهام، حيث تختلف الظروف الحدودية والمعاملات في تلك المعادلات، مما يجعل تدريب شبكة عصبية واحدة لكل مهمة أمراً مكلفاً للغاية.

أحدثت دراسة جديدة صدى واسعاً من خلال تقديم إطار عمل مبتكر يُسمى LAM-PINN (Learning-Affinity Adaptive Modular Physics-Informed Neural Network)، والذي يعتمد على التعلم المركب لفهم الديناميكيات الخاصة بالمهام. يتيح هذا الإطار **دمج** معاملات المعادلات التفاضلية مع مقاييس التعلم، مما يسمح بتمثيل أفضل للمهام وبناء مجموعات لها.

تنقسم الشبكة العصبية إلى شبكات فرعية متخصصة لكل مجموعة من المهام وشبكة ميتا مشتركة، حيث تتعلم أوزان توجيهية لاستخدام الوحدات بشكل انتقائي بدلاً من الاعتماد على تهيئة عالمية واحدة.

وفي التجارب، أظهر LAM-PINN أداءً متميزًا، محققًا متوسط تقليص يبلغ 19.7 ضعف في خطأ المتوسط التربيعي (Mean Squared Error - MSE) للمهام الجديدة، باستخدام فقط 10% من عدد التكرارات المطلوبة للنماذج التقليدية.

تدل هذه النتائج على فعالية هذا الإطار في تحقيق عمومية جيدة لمجموعات غير مرئية ضمن فضاءات التصميم المحدودة للعائلات المعلمات للمعادلات التفاضلية، مما يعد طفرة حقيقية في مجال الهندسة ذات الموارد المحدودة.