في عالم الذكاء الاصطناعي، تعتمد العديد من الشبكات العصبية المدعومة بالفيزياء (Physics-informed Neural Networks - PINNs) على دمج المعادلات التفاضلية الجزئية ضمن أطر التعلم العميق. ورغم ذلك، كانت هذه الشبكات تعاني من دقة تنبؤية محدودة عند تطبيقها على مشكلات معقدة. هنا يأتي الابتكار الجديد: إطار LNN-PINN.

يدمج إطار LNN-PINN بنجاح معمارية حديثة تعتمد على بوابات سائلة، مما يسهم في تعزيز دقة التنبؤ مع الحفاظ على نموذج الفيزياء الأصلي وتجهيزات التحسين. يتميز هذا النظام بآلية بوابة خفيفة الوزن تعمل داخل طبقات خفية، مما يجعل التحسينات تأتي من تعديلات هيكلية فقط، دون تغيير في استراتيجيات العينة ومكونات الخسارة وإعدادات المتغيرات.

عبر تطبيقه على أربع مشكلات مرجعية، أثبت LNN-PINN فعاليته من خلال تقليل معدلات الخطأ الجذري (RMSE) ومتوسط الخطأ المطلق (MAE) تحت ظروف تدريب مماثلة. كما أكدت الرسوم البيانية للأخطاء المطلقة مكاسب دقته. بالإضافة إلى ذلك، يُظهر هذا الإطار قدرة عالية على التكيف والثبات عبر مختلف الأبعاد وظروف الحدود وخصائص العمليات.

في الختام، يوفر LNN-PINN تحسينًا معماريًا فعالًا يسهم في زيادة دقة الشبكات العصبية المدعومة بالفيزياء، مما يجعله حلاً مثاليًا لمواجهة التحديات المعقدة في مجال العلوم والهندسة.