في عصر تتسارع فيه الابتكارات في مجال الذكاء الاصطناعي، تظهر الأنظمة المعتمدة على الفيزياء كأداة قوية لحل المعادلات التفاضلية الجزئية (Partial Differential Equations). لقد أثبتت الشبكات العصبية المستندة إلى الفيزياء (Physics-Informed Neural Networks - PINNs) فعاليتها في دمج القوانين الفيزيائية ضمن نماذج التعلم العميق، إلا أن اعتمادها على خوارزميات معقدة تعتمد على التدرجات يتسبب في تدريب بطيء وتكاليف حسابية عالية.
لذا، قدم الباحثون نظاماً جديداً يُدعى النظام الواسع المستند إلى الفيزياء (Physics-Informed Broad Learning System - PI-BLS)، والذي يُعتبر الإطار الأول المتخصص من نوعه. يعتمد هذا النظام على نموذج التعلم العميق الواسع (Broad RdNNs) لدمج المعاملات الفيزيائية وفروق المعادلات مباشرةً في عملية تحسين الخطية.
من خلال هذه المنهجية، يتمكن PI-BLS من حل المشكلات دون الحاجة للاعتماد على عمليات الإرجاع المعقدة، مما يسهل من عملية التعلم ويقلل من زمن التدريب. التجارب على عدة معايير للمشكلات التفاضلية الجزئية أظهرت أن النظام الجديد يحقق أداءً تنافسياً، بل وأفضل في كثير من الأحيان مقارنة بالنماذج التقليدية مثل الـ PINNs، مع تقليل ملحوظ في عدد المعلمات المطلوبة.
تتوجه هذه التطورات نحو تحسين فعالية التعلم وتحقيق توازن ملحوظ بين السهولة الحسابية والقيود الفيزيائية، مما يعد بمستقبل واعد للذكاء الاصطناعي.
ما رأيكم في هذا التطور؟ شاركونا أفكاركم في التعليقات!
نظام التعلم الواسع المستند إلى الفيزياء: إطار فعال بدون عملية الإرجاع لحل المعادلات التفاضلية الجزئية
تقدم الدراسة نظام تعلم جديد يُعرف بالنظام الواسع المستند إلى الفيزياء، الذي يعد الأول من نوعه ويعالج التحديات المرتبطة بالمعادلات التفاضلية الجزئية بكفاءة عالية. يُمكن هذا النظام من تجنب عمليات الإرجاع التقليدية ويحقق أداءً متميزاً بسرعة تدريب أعلى.
المصدر الأصلي:أركايف للذكاء
زيارة المصدر الأصلي ←جاري تحميل التفاعلات...