تُعد القدرة على محاكاة تطورات الأنظمة التي تحكمها المعادلات التفاضلية الجزئية (PDEs) بدقة على المدى الطويل محوراً أساسياً في حوسبة العلوم. ومع تزايد استخدام تقنيات التعلم العميق، تُظهر الطرق القائمة على المتغيرات العصبية قدرة كبيرة، لكن العديد منها يعتمد على بيانات مسار شديدة الاتساع، بينما تواجه الأساليب المستندة إلى الفيزياء محدودية في الاستقرار خلال فترات النمذجة طويلة الأمد.

أحدث إطار العمل المقترح ثورة من خلال استخدام طريقة مدعومة بمعلومات رقمية مبسطة، تعمل ضمن سياق قيود فيزيائية، وتدربت بدون إشراف على مسارات الحقيقة الأساسية. وهذا يُسهم في تقليل صعوبات تقريب عملية التطور الأحادي، بجانب تقديم وسيلة حسابية عن خطأ التطور الأحادي من خلال تقدير أجسام المعادلات.

لقد تم اختبار الطريقة المقترحة على خمس حالات اختبار مختلفة تغطي أربع فئات من المعادلات التفاضلية، وقارنت نتائجها بعشرة أساليب تعلم قائمة على الفيزياء ضمن بروتوكول موحد يستثني مسارات الحقيقة من التدريب واختيار النموذج. كانت النتائج مثيرة للإعجاب، حيث أظهرت الطريقة المقترحة تقليلاً في خطأ الاستقراء الزمني الطويل مقارنةً بالأساليب السابقة. والأهم من ذلك هو أنها فاقت أداء أفضل قاعدة تنافسية في كل حالة على حدة، مما يُنمي دقة المحاكاة الزمنية الطويلة عبر معادلات مختلفة.

نحو مستقبل مشرق في مجال محاكاة المعادلات التفاضلية، ستُتاح الشيفرة المصدرية المطورة لهذا البحث للجمهور عند قبول المخطوطة، مما يمنح الفرصة للباحثين والمطورين للاستفادة من هذه التقنية الحديثة.