Neural Operators

المؤثرات العصبية هي شبكات عصبية تتعلم التحويلات بين دوال أو حقول كاملة، بدلًا من المتجهات ذات الطول الثابت. فعلى سبيل المثال، يمكنها تحويل حقل ضغط الرياح إلى حقل تدفق هواء مستقبلي، أو تحويل هندسة مادة إلى توزيع إجهاداتها. وهذا يجعلها مفيدة بوجه خاص بوصفها نماذج بديلة سريعة للمحاكاة التي تحكمها المعادلات التفاضلية الجزئية، أو PDEs. ويسلط استعراض Nature Reviews Physics لعام 2024 الضوء على دورها المتنامي في تسريع المحاكاة العلمية والتنبؤ والتصميم الهندسي. (nature.com)

كيفية عمل المؤثرات العصبية#

تتعلم الشبكة التقليدية تحويلًا محدود الأبعاد، مثل تحويل البكسلات إلى تسميات الفئات. أما المؤثر العصبي فيتعلم بدلًا من ذلك قاعدة قابلة لإعادة الاستخدام للتحويل من دالة إلى دالة. وتُصمَّم البنى بحيث تستقبل حقولًا مُعيَّنة على شبكات أو سحب نقاط، مع إبقاء عدد المعلمات المتعلَّمة مستقلًا عن الدقة. يوضح مقدمة NeuralOperator كيف يتيح ذلك إجراء تنبؤات على تقطيعات تختلف عن بيانات التدريب. (nature.com)

تشمل البنى الشائعة ما يلي:

• المؤثر العصبي فورييه: يطبّق التفافًا شاملًا في مجال التردد، ويستخدم عادةً واجهة برمجة تطبيقات تحويل فورييه السريع في PyTorch. وتعمل FNOs جيدًا بوجه خاص مع الحقول الفيزيائية المنتظمة الشبكة.
• DeepONet: يدمج شبكةً ترمّز دالة الإدخال مع شبكة أخرى تقيّم الخرج عند الإحداثيات المطلوبة.
• المؤثرات العصبية البيانية: توسّع أفكار الشبكات العصبية البيانية لتشمل الشبكات غير المنتظمة والهندسات المعقدة.
• محوّلات المؤثرات: تكيّف بنية Transformer للعمل مع الحقول المستمرة والتفاعلات الفيزيائية بعيدة المدى.

ينشئ هذا المثال القابل للتنفيذ FNO صغيرًا ثنائي الأبعاد، ويحوّل حقلَي إدخال إلى حقل إخراج واحد:

import torch
from neuralop.models import FNO

model = FNO(n_modes=(16, 16), hidden_channels=32, in_channels=2, out_channels=1)
inputs = torch.rand(1, 2, 64, 64)  # Two sampled physical fields
prediction = model(inputs)
print(prediction.shape)  # torch.Size([1, 1, 64, 64])

توفر وثائق NeuralOperator الرسمية الخاصة بـ PyTorch أيضًا مجموعات بيانات ودوال خسارة ومدرّبات وبنى تراعي الهندسة. (neuraloperator.github.io)

التطورات الحديثة#

يتعامل البحث بصورة متزايدة مع المؤثرات العصبية بوصفها نماذج أساس علمية. وقد أظهر نموذج Poseidon التأسيسي للمعادلات التفاضلية الجزئية إمكانية النقل عبر 15 مهمة لاحقة للمعادلات التفاضلية الجزئية، في حين حسّنت المؤثرات العصبية لابلاس التعامل مع الأنظمة العابرة وغير الدورية. وفي يوليو 2026، نشر الباحثون مبادئ عملية لتصميم المؤثرات العصبية، مع التركيز على الحوسبة الواعية بالإحداثيات، وأعداد المعلمات الثابتة، وتقارب التقطيع. (proceedings.neurips.cc)

التطبيقات الواقعية#

• التصغير المناخي: استخدمت دراسة JMLR لعام 2024 حول التصغير المناخي بدقة عشوائية نماذج FNO لتحويل المحاكاة المناخية الخشنة إلى حقول عالية الدقة، بما يدعم تحليل صور الأقمار الصناعية التفصيلي. (jmlr.org)
• التنبؤ بالطقس: تعمل المؤثرات العصبية متعددة الشبكات الكروية على نمذجة ديناميكيات الغلاف الجوي العالمي مع مراعاة هندسة الأرض، وتكمّل تحليل السلاسل الزمنية التقليدي.
• التحكم الهندسي: يمكن للمؤثرات العصبية تقريب حلول التحكم بالتغذية الراجعة بسرعة عند تغيّر معلمات النظام، مما يدعم التوائم الرقمية سريعة الاستجابة والأتمتة الصناعية.

المؤثرات العصبية ورؤية الحاسوب#

تنمذج المؤثرات العصبية الحقول المستمرة المتطورة، بينما تتعرف نماذج رؤية الحاسوب عادةً على الكائنات أو البنى في الصور. ويمكنها العمل معًا: إذ قد يستخرج Ultralytics YOLO26 الهندسة أو الحالات الفيزيائية من بيانات الكاميرا، ثم يتنبأ مؤثر عصبي بتدفق الموائع أو انتقال الحرارة أو التشوه أو أي حقل مستقبلي آخر. ويمكن إدارة مجموعات بيانات الرؤية وتدريبها ونشرها من خلال Ultralytics Platform.

تتمثل أفضل الممارسات في تطبيع الحقول الفيزيائية، والاحتفاظ بالإحداثيات والشروط الحدية، والتدريب عبر دقات متعددة، والمقارنة مع محللات عددية موثوقة، وتقييم سلوكَي الاستيفاء وخارج التوزيع. تسرّع المؤثرات العصبية المحاكاة، لكنها لا ينبغي أن تحل محل التحقق الفيزيائي في الأنظمة الحرجة للسلامة.