في عالم الذكاء الاصطناعي، تظهر شبكات فيزيائية مخترقة (Physics-Informed Neural Networks - PINNs) كحل مبتكر للمشاكل العكسية واستخراج المعادلات الحاكمة من البيانات الملاحظة. ولكن مع زيادة تعقيد الضوضاء في القياسات، تنخفض فعالية هذه الشبكات بشكل كبير، مما يدعو لتطوير حلول جديدة. وهنا جاء الدور على شبكة الـ naPINN، التي تمثل طفرة في معالجة هذه المشكلة.

تعمل naPINN على استرجاع الحلول الفيزيائية بدقة من القياسات الملوثة دون الحاجة لمعرفة سابقة بتوزيع الضوضاء. هذه الشبكة تعتمِد على نموذج قائم على الطاقة خلال عملية التدريب للتعلم من التوزيع الكامن لحساب الأخطاء.

ما يميز naPINN هو استخدامها لباب موثوقية قابل للتدريب، الذي يعمل بشكل ديناميكي على تصفية النقاط البيانية التي تظهر طاقة عالية، مما يساعد في عزل البيانات المشوشة. بالإضافة إلى ذلك، تستخدم الشبكة معالجة تكاليف الرفض لضمان عدم تجاهل البيانات الصحيحة.

تجارب متعددة على معادلات تفاضلية جزئية تحت تأثير ضوضاء غير غاوسي ومعدلات متغيرة من النقاط الخارجة أظهرت فعالية استثنائية لـ naPINN. فقد تفوقت هذه الشبكة على الأساليب التقليدية المعروفة، ونجحت في عزل النقاط الخارجة بدقة وإعادة بناء الديناميات حتى في ظل تدهور البيانات.