في عالم الفيزياء، تعتبر محاكاة الأنظمة المعقدة تحديًا كبيرًا، خاصة تلك التي تتضمن معادلات تفاضلية جزئية (PDEs) متعددة المقاييس. تتطلب هذه المحاكاة نماذج تحفظ التوازن بين الاستقرار خلال فترات زمنية طويلة والتفاصيل الدقيقة للظواهر الفيزيائية. وهنا يظهر الابتكار الجديد المتمثل في تقنية Wavelet Flow Matching (WFM).

تواجه المحاكيات التقليدية، مثل المحاكيات الحتمية، صعوبة في تقديم تنبؤات دقيقة حيث تميل إلى إنتاج نتائج مستوية دون الاحتفاظ بالتفاصيل. من ناحية أخرى، تقدم الأساليب التوليدية حلًا أفضل من خلال التقاط التفاصيل، لكنها مكلفة في الوقت والموارد.

الأبحاث الأخيرة سلطت الضوء على ظهور نماذج توليدية في فضاء اللاتين (Latent Space) كحل وسط، ولكن يتطلب ذلك تدريبًا مسبقًا مع مشفرات آلية (Autoencoders). هنا جاء دور Wavelet Flow Matching، الذي يعد نموذجًا توليديًا مبتكرًا يتجاوز القيود التقليدية للأنظمة الحالية من خلال تنفيذ النقل الأمثل مباشرة في فضاء الموجات (Wavelet Space) متعدد المقاييس.

بدلاً من التعلم عن ضغط اللاتين، تستخدم WFM هيكلية متميزة تعتمد على شبكة U-Net للتنبؤ بسرعات النقل بشكل مشترك. وفي تجاربنا على ثلاثة أنظمة معقدة في ديناميات السوائل الفوضوية، أثبتت WFM تفوقها بوضوح من حيث الاستقرار على المدى الطويل والدقة والتماسك الطيفي مقارنةً بالأساليب الرائدة في هذا المجال. هذه النتائج توضح بجلاء كيف يمكن أن يكون فضاء الموجات تمثيلًا فعالًا وخاليًا من التدريب لمحاكاة الديناميات الفيزيائية المعقدة.