IKNO لمعادلات نافييه–ستوكس: دقة ثابتة عند تدوير الإحداثيات وحجم أصغر 5,6 مرة من TFN

قد يتعلم النموذج العصبي البديل لمعادلات المشتقات الجزئية بيانات التدريب جيدًا، ومع ذلك يعطي إجابات مختلفة للحالة الفيزيائية نفسها إذا دُوّر نظام الإحداثيات. تقترح ورقة جديدة على arXiv بنية لا تعاني هذه المشكلة بحكم تصميمها. يتنبأ Invariant-Conditioned Isotropic Kernel Neural Operator، أو IKNO، بديناميكا نافييه–ستوكس ثلاثية الأبعاد على نقاط موزعة بشكل غير منتظم. ويبقى اتساق النتائج عند التدوير ثابتًا حتى حدود الدقة العددية. وتضاهي دقة النموذج دقة Tensor Field Network العامة الواعية بالدوران، لكن بعدد معاملات أقل بمقدار 5,6 مرة.

أين تخفق النماذج البديلة المعتادة

تبدو المسألة على النحو التالي: لدينا سحابة نقاط ثلاثية الأبعاد، وفي كل نقطة سرعة مسجلة. ينبغي للنموذج أن يتنبأ بكيفية تغير السرعة في الخطوة التالية. الفيزياء متناحية الخواص (isotropic): إذا دوّرنا المواضع والسرعات معًا، فيجب أن يدور التغير في السرعة بالطريقة نفسها. وهذا ما يسمى التكافؤ (equivariance) بالنسبة إلى المجموعة SO(3).

الشبكة الرسومية المعتادة لا تعرف ذلك. فهي ترى الإحداثيات ومركّبات المتجهات مجرد مجموعة أرقام، وقد تتعلم الاعتماد على اتجاه بعينه. وقد اختبر المؤلفون العلاج المعتاد، أي التدريب على أمثلة مدوّرة عشوائيًا. هذا الأسلوب يقلل الاعتماد على نظام الإحداثيات لكنه لا يزيله تمامًا، إذ يبقى خطأ متبقٍّ حتى مع التعزيز.

كيف بُني IKNO

تقوم الفكرة على توزيع الأدوار. يبني النموذج التفاعلات المحلية بين النقاط المتجاورة من نوعين من الكميات:

• كميات قياسية لا تتغير عند الدوران (مثل المسافات والجداءات القياسية)؛
• اتجاهات متجهة تدور مع البيانات.

تحدد الكميات القياسية شدة التفاعل، بينما تحدد المتجهات الاتجاه الذي يعمل فيه. النواة متناحية الخواص، ولذلك يدور الخرج بحكم البناء مع دوران المدخل. وهذه الخاصية مضمّنة في البنية، وليست مما يتعلمه النموذج من البيانات.

ولأن النموذج متخصص في معادلات PDE المتجهية، فهو لا يحتاج إلى الجهاز الثقيل الذي تستخدمه الشبكات المتكافئة العامة. أما Tensor Field Network، التي تعمل بالتمثيلات التنسورية لمجموعة الدوران، فتصلح لمجال واسع من المسائل، لكنها تدفع ثمن ذلك في الحجم.

ماذا أظهرت القياسات

جرى التقييم على مجموعة اختبار مستبقاة، ثُبّتت بعد الانتهاء من تصميم النموذج. وهذا يقلل خطر تكييف البنية مع الاختبار.

• اتساق النتائج عند التدوير في IKNO: حتى حدود الدقة العددية.
• النماذج الرسومية غير المقيّدة المدرَّبة بتعزيز التدوير: ينخفض الاعتماد على الاتجاه لكنه يبقى.
• دقة التنبؤ: على مستوى Tensor Field Network.
• الحجم: عدد معاملات أقل بمقدار 5,6 مرة من TFN.
• مقابل المحاكي الرسومي ذي عدد المعاملات نفسه: يتفوق IKNO.

النقطة الأخيرة مهمة لعدالة المقارنة. فالتفوق لم يتحقق بفضل حجم النموذج، بل بفضل التناظر المدمج فيه.

أين يفيد هذا وما حدوده

بالنسبة إلى من يبنون نماذج بديلة في ديناميكا الموائع الحسابية (CFD) والأرصاد الجوية ومحاكاة الجسيمات والروبوتات، الخلاصة عملية. إذا كان للمسألة تناظر معروف، فمن الأجدى تضمينه في البنية بدلًا من الأمل في أن يتعلمه التعزيز. كما أن ضمان التكافؤ الدقيق يبسّط التحقق: فلا حاجة إلى تشغيل النموذج على شبكة من الاتجاهات للتأكد من أن الإجابة لا تنحرف.

وتظهر الحدود أيضًا من الملخص (abstract). فقد جاءت النتائج على عائلة واحدة من المسائل هي ديناميكا نافييه–ستوكس ثلاثية الأبعاد. والقول بجدوى النماذج المدمجة المتخصصة في PDE لم يُثبت حتى الآن إلا عليها. أما سلوك البنية مع الشروط الحدية والأوساط غير المتناحية أو المعادلات الأخرى، فلا يمكن تحديده من الوصف المتاح. وحيث تكسر الفيزياء نفسها التناظر الدوراني (مثلًا بسبب الجاذبية أو الجدران)، سيحتاج تكافؤ SO(3) الخالص إلى تطوير إضافي.

الاتجاه العام واضح: في النماذج البديلة العلمية، قد يحل نموذج صغير متخصص يراعي التناظر الصحيح محل نموذج عام وثقيل دون خسارة في الجودة.