في عالم الذكاء الاصطناعي، تعتبر العمليات العصبية (Neural Operators) من الابتكارات الرائدة، حيث توفر بنية قوية لتعلم التحويلات بين فضاءات الدوال. وعلى الرغم من أن معظم التطورات الحالية تركز على تحسين معلمات النوى (Kernel Parameterizations) في المجال الفيزيائي ذي الأبعاد (d)، إلا أن تطور التضمينات المعززة لا يزال قيد الاستكشاف، مما يدفع النماذج نحو تصميمات قد تكون مكلفة حسابياً.

تقدم ورقتنا البحثية الجديدة إطار عمل مبتكراً يعتمد على بناء دالة مساعدة (Auxiliary Function) تتمثل في نموذج تطور التضمين (Embedding Evolution) بصيغة العمليات، مما يُعيد صياغة عملية التشغيل في أبعاد (d+1).

نقوم بتطبيق هذا الإطار من خلال الاعتماد على العمليات القائمة على تحويل فورييه (Fourier-based Operators) التي تعمل بشكل مشترك في المجالات الفيزيائية والمساعدة، مما يُنتج وحدة تطور مساعدة متنوعة الأساس كبديل لتصميم التضمين بالصورة التقليدية.

عبر اختبار أكثر من عشرة معايير تتسم بالتحدي المتزايد، بدءًا من معادلة الحرارة أحادية البعد إلى عدم استقرار رايلي-تايلور ثلاثي الأبعاد غير الخطي، استطاع نموذجنا تحقيق أقل خطأ نسبي من النوع $L_2$ بين كافة النماذج المختبرة.

يدعم هذا التفوق تجريبيًا من خلال (1) مقارنات واعية للميزانية مع النماذج التقليدية؛ (2) المتانة تحت ظروف تدريب ذات دقة مختلطة واستنتاج ذا دقة عالية؛ و(3) إمكانية التعميم دون تدريب سابق في عصور زمنية غير مرئية.

علاوة على ذلك، نقدم مجموعة واسعة من الخيارات التصميمية لمشغلات الرفع والاستعادة، مما يظهر تأثيرها على أداء النموذج في التنبؤ.

ما هي آراؤكم حول هذا التطور في مجال العمليات العصبية؟ هل تتوقعون تأثيرًا كبيرًا في استراتيجيات التعلم الآلي؟ شاركونا في التعليقات!