في عالم الرياضيات التطبيقية، تعتبر المعادلات التفاضلية الجزئية (Partial Differential Equations) من الأدوات الأساسية لفهم وتحليل الظواهر الفيزيائية. ورغم أن الطرق الطيفية (Spectral Methods) تُظهر دقة استثنائية في حل المعادلات ذات الأبعاد المنخفضة (حتى 3 أبعاد)، إلا أن التحديات تتزايد عندما يتعلق الأمر بالمسائل عالية الأبعاد. حيث تبدأ تلك الطرق في مواجهة "لعنة الأبعاد" (Curse of Dimensionality) عندما ننتقل إلى أبعاد أعلى من 10.

لمواجهة هذه التحديات، ظهرت الشبكات العصبية المستنيرة بالفيزيائية (Physics-informed Neural Networks - PINNs) كأداة واعدة، تقدم مرونة وقدرة على التوسع في الأبعاد العالية، لكن غالبًا ما تعاني من قيود في الدقة والكفاءة. لكن مع الابتكار الأخير المتمثل في الشبكات العصبية المستنيرة طيفيًا (Spectral-Informed Neural Networks - SINNs)، تم دمج الطرق الطيفية مع PINNs بشكل يمكنها من العمل مباشرة في المجال الطيفي، مما يساعد على تجنب حسابات المشتقات المكانية وتقليل استهلاك الذاكرة.

تقدم الدراسة الجديدة "الشبكات العصبية المستنيرة طيفيًا المعدلة" (Modified SINNs)، التي تعزز دقتها من خلال تضمين تقنيات تحليلية ومتغيرات تآكل المعاملات. ويسمح هذا النظام بالاقتراب الدقيق من المعاملات الطيفية غير المعروفة.

تظهر التجارب العددية التي أجريت على المعادلات التفاضلية الجزئية الزمنية والثابتة أن هذه الشبكات المعدلة تتفوق بشكل ملحوظ على الطرق الطيفية الشبكية النادرة في المسائل المتوسطة الأبعاد، كما تحقق دقة أعلى مقارنة بشبكات PINNs في المعادلات عالية الأبعاد.

إن هذا الابتكار يمكن أن يقودنا إلى آفاق جديدة في العديد من التطبيقات العلمية والهندسية. كيف ترون تأثير هذه التطورات في مجالات الفيزياء والرياضيات؟ تابعونا لمزيد من الأخبار!