حقق توقع السلاسل الزمنية (Time Series Forecasting) تقدماً ملحوظاً في السنوات الأخيرة بفضل ظهور نماذج التعلم العميق الجديدة، لكن رغم ذلك، تظل التحديات قائمة عند تطبيق هذه النماذج على العمليات الفيزيائية. على الرغم من ظهور نماذج مثل الشبكات العصبية المستندة إلى الفيزياء (Physics Informed Neural Networks أو PINN)، إلا أن العديد من النماذج لا تستطيع تقدير المتغيرات الفيزيائية غير المرئية، وهي عناصر حيوية لفهم سلوك الهدف من قِبَل الخبراء في المجال.

في هذا السياق، تم اقتراح نموذج جديد يعرف بالشبكة العصبية الدورية المستندة إلى الفيزياء (PIRNN)، والذي يقدم آلية للتنبؤ بالمتغيرات غير المرئية إلى جانب الهدف، مستخدماً بيانات تاريخية. هذه الطريقة تعزز من قوة النموذج ودقة تفسير النتائج بفضل دمج المعرفة الأساسية.

علاوة على ذلك، يُمكن تعديل نموذجنا بسهولة ليتناسب مع أي نموذج فيزيائي باستخدام معادلات عدة، كل منها تحتوي على مجموعة خاصة من المتغيرات غير المرئية. كمثال، قمنا بدمج المعادلات الفيزيائية المستخدمة في توقع مستويات المياه الجوفية من خلال نموذج يسمى "غاردينيا" (Gardenia)، الذي يستخدم معادلات النقل بين الخزانات، مُحسنًا بواسطة دمج البيانات، لتقليد تطور مستويات المياه الجوفية.

شملت التقييمات مقارنة عدة نماذج شهيرة من الشبكات العصبية مع نموذج غاردينيا على اثني عشر مجموعة بيانات حقيقية. كما تم دراسة تأثير كل مكون من مكونات النموذج من خلال دراسة تقديمية (Ablation Study). وجدنا أن نموذجنا يتفوق على غيره من النماذج في خمسة من أصل اثني عشر مجموعة بيانات، مما يبرز أهمية وجود خلفية فيزيائية في مهام توقع السلاسل الزمنية. أخيرًا، تم تقييم تماسك المتغيرات الفيزيائية المتوقعة من قِبَل شبكة الأعصاب من قبل خبير في المجال.

كيف تظنون أن مثل هذه النماذج ستغير طريقة فهمنا ومعالجتنا للتوقعات في العصر الحديث؟ شاركونا آراءكم في التعليقات.