في عالم computational science، تعد الشبكات العصبية المدعومة بالفيزياء (Physics-Informed Neural Networks - PINNs) ثورة حقيقية في معالجة المعادلات التفاضلية المعقدة. ومع ذلك، تعاني هذه الشبكات من قيود كبيرة تتعلق باستخدام تقنية الانحدار العكسي (Backpropagation)، مما يؤدي إلى تحديات في الحوسبة ومعوقات في تحسين غير تقليدية.

للتغلب على هذه القيود الجوهرية، تم تقديم نموذج جديد يسمى "آلة التكوين العشوائية المدعومة بالفيزياء" (Physics-Informed Stochastic Configuration Machine - PI-SCM). هذه المنصة الفريدة لا تعتمد على الانحدار العكسي، بل توفر إطارًا شاملًا للمشاكل الأمامية والعكسية في المعادلات التفاضلية.

تقوم الآلية بتحليل الدوال غير الخطية وتحديد الأوزان المثلى بشكل فعّال من خلال تسلسل من الحلول العامة لأقل المربعات، متجاوزة الفخاخ التقليدية للاعتماد على المحسنات غير الخطية.

تم تطوير مجموعة خوارزميات متطورة تتضمن البناء المحلي، تحديث نافذة الانزلاق، وتحديث شامل، مع إثبات خصائص تقريب عالمية. تُظهر التجارب أنه مع استخدام PI-SCM، تم تحقيق دقة تنبؤية عالية وتحديد قوي للمعلمات، مما يعزز عملية التدريب بشكل كبير مقارنة بشبكات PINNs التقليدية.

إن هذا العمل يمثل خطوة كبيرة نحو تطبيقات التعلم الآلي العلمي القادمة، حيث يوفر أساسًا عالي الكفاءة وقابلية للتوسع.