في عالم العلوم التطبيقية، تُعد المعادلات غير الخطية، مثل معادلة الوسط المسامي (Porous Medium Equation - PME)، من التحديات الكبيرة. تُعبر هذه المعادلة عن عدة ظواهر فيزيائية مهمة، مثل تدفق السوائل في الوسائط المسامية وانتقال الحرارة في البلازما، إلى جانب ديناميات النمو السكاني. جل ما تم تقديمه في هذا البحث هو دراسة فعالية الحلول العددية لمشكلة PME أحادية الأبعاد باستخدام تقنية الشبكات العصبية المدعومة بالفيزياء (Physics-Informed Neural Networks - PINNs).

تستخدم الدراسة المنهج التقليدي لقياس أداء PINNs بالمقارنة مع الطرق العددية الكلاسيكية والحلول التحليلية المتاحة. على الرغم من أن الشّبكات العصبية المدعومة بالفيزياء تُظهر مرونة في التعامل مع المشكلات العكسية، إلا أنها تعاني من حساسية مفرطة للتقديرات الأولية، مما يؤدي إلى تقارب محلي فقط.

لذا، وقد استجابةً لهذه المشكلة، اقترح الباحثون إطار عمل تدريب جديد من مرحلتين يعزز من استقرار التقارب.
هذا النظام يضمن استعادة موثوقة للمعلمات المجهولة حتى مع تقديرات أولية غير دقيقة. تكشف النتائج أن هذا النهج ليس فقط دقيق ولكنه أيضاً مرن، مما يفتح المجال للتوسع إلى أنماط هندسية أكثر تعقيدًا وحالات ذات أبعاد أعلى.

إن هذه التطورات تدعم فكرة أن الشبكات العصبية المدعومة بالفيزياء تعد بديلاً قويًا وفعّالًا للأساليب الكلاسيكية في معالجة المعادلات غير الخطية، مما يمهد الطريق أمام إنجازات مستقبلية أكبر في هذا المجال.