في السنوات الأخيرة، برزت نماذج الانتشار (Diffusion Models) كأدوات قوية لتوليد البيانات وتوصيف توزيعات البيانات المعقدة. ومع ذلك، فإن الطبيعة المعتمدة فقط على البيانات لهذه النماذج قد تُحد من استخدامها في المجالات الهندسية والعلمية، حيث يتعين احترام القوانين الفيزيائية. في هذا السياق، يقدم الباحثون تقنية جديدة تُعرف باسم تعلم الفيزياء عبر الانتشار (PILD) كإطار عمل موحد يجمع بين نماذج الانتشار والقيود الفيزيائية.

تستند تقنية PILD إلى صياغة بقايا احتمالية مع ملاحظة بقايا افتراضية مأخوذة من توزيع لابلانش (Laplace Distribution). ولهذا الإطار القدرة على إجراء تحسينات كبيرة في التطبيقات المليئة بالضوضاء، حيث تم تقديم مقياس بقايا تكيفي مدرك لفجوة جنسن (Jensen-gap-aware) يقلل من الانحياز الناتج عن تهميش احتمالية البقايا.

علاوة على ذلك، تم تطوير آلية محاذاة شرطية فيزيائية لتلبية المهام الشرطية، مما يشجع تمثيلات الحالة الوسيطة على البقاء متسقة مع ظروف الملاحظة أثناء عملية إزالة الضوضاء. يعتبر هذا الإطار مختصراً، ومودولياً، ويمكن تطبيقه بشكل واسع على المشكلات التي تحكمها المعادلات التفاضلية العادية (Ordinary Differential Equations)، والمعادلات التفاضلية الجزئية (Partial Differential Equations)، فضلاً عن المعادلات الجبرية أو قيود عدم المساواة.

لقد أظهرت التجارب الواسعة عبر مهام هندسية وعلمية أن تقنية PILD تُحسن من الدقة الفيزيائية والدقة التنبؤية مقارنةً بالأساليب التقليدية المستندة إلى الفيزياء والنماذج القائمة على الانتشار. هذه الخطوة تمثل تقدماً مهماً نحو توظيف الذكاء الاصطناعي في المجالات العلمية المتقدمة.