في عالم أنظمة الطاقة المتطورة، تواجه المحاكاة تحديات كبيرة نتيجة للديناميات المعقدة والنادرة. تتزايد الحاجة إلى أدوات تحليلية لفهم أداء نماذج التعلم الآلي (Machine Learning) في هذا المجال. تقدم ورقة بحثية جديدة، تعد الأولى من نوعها، أدوات تساعد على تفسير أداء نماذج التعلم الآلي التي تُستخدم كنماذج بديلة لديناميات أنظمة الطاقة.

تمثل الأساليب التقليدية في محاكاة أنظمة الطاقة صعوبة في التعامل مع التغيرات السريعة والمعقدة. لذا، ظهرت نماذج التعلم الآلي كحل واعد لتسريع هذه المحاكاة. ومع ذلك، لا يزال التفسير الدقيق لأدائها يعتبر تحدياً كبيراً، مما يقيد استخدامها الشائع.

تستند هذه الورقة إلى تحليل قيم الطيف الصغير في أنظمة الطاقة، وتستخدم طريقة Kernel Tangent Neural (NTK). تساعد NTK في تقديم تفسير شكلي لأداء التعلم، مما يجعل من السهل تحديد أنواع الأخطاء التي تتراجع بسرعة مقارنة بأخرى التي تتقارب ببطء. يلقي هذا الربط الضوء على الطريقة التي تعتبر بها صلابة الديناميات ومنفذ الوقت في نماذج ديناميكية أنظمة الطاقة كصلابة في تحسين الشبكة العصبية أثناء التدريب.

بناءً على هذا التحليل، تم تطوير استراتيجيات للتكيف مع فقدان الوزن لتحسين الأداء، حيث توضح لماذا تعتبر الهياكل الذكية في الشبكات العصبية مثل ActNet أكثر كفاءة مقارنة بالشبكات العصبية التقليدية. تم تقييم الأسلوب المقترح على نماذج التعلم الآلي المستندة إلى الفيزياء لنماذج ولواقط الطاقة الكهربائية.

تقدم الأدوات التي تم تقديمها في هذه الورقة القدرة على تفسير وتحسين أداء نماذج التعلم الآلي، مما يمهد الطريق لتصميم نظامي وواعي للفيزياء للهياكل والشبكات العصبية واستراتيجيات التدريب. بالتالي، فإن المضي قدماً بعيداً عن التطوير العشوائي سوف يتيح فهمًا أفضل لديناميات التدريب وأنماط الفشل، مما يدعم قرارات تصميم أكثر موثوقية ويعزز الثقة في نماذج التعلم الآلي في التطبيقات الهندسية.