Neural Operators

المشغلات العصبية هي شبكات عصبية تتعلم عمليات التعيين بين وظائف أو حقول كاملة بدلاً من المتجهات ثابتة الطول. على سبيل المثال، يمكنها تعيين حقل ضغط الرياح إلى حقل تدفق هواء مستقبلي أو هندسة مادة إلى توزيع الإجهاد الخاص بها. هذا يجعلها مفيدة بشكل خاص كنموذج بديل سريع للعمليات المحاكاة التي تحكمها معادلات تفاضلية جزئية، أو PDEs. تسلط نظرة عامة على Nature Reviews Physics لعام 2024 الضوء على دورها المتنامي في تسريع المحاكاة العلمية، والتنبؤ، والتصميم الهندسي. (nature.com)

Link to this sectionكيف تعمل المشغلات العصبية#

تتعلم الشبكة التقليدية تعيينًا محدود الأبعاد، مثل البكسلات لتصنيف الفئات. بدلاً من ذلك، يتعلم المشغل العصبي قاعدة قابلة لإعادة الاستخدام من وظيفة إلى وظيفة. تم تصميم البنى لقبول الحقول المقاسة على شبكات أو سحب نقاط مع الحفاظ على عدد المعلمات المتعلمة بمعزل عن الدقة. تشرح مقدمة NeuralOperator كيف يدعم هذا التنبؤات على التمفصلات التي تختلف عن بيانات التدريب. (nature.com)

تشمل البنى الشائعة ما يلي:

• Fourier Neural Operator: يطبق الالتفاف الشامل في مساحة التردد، باستخدام عادةً واجهة برمجة تطبيقات تحويل فورييه السريع لـ PyTorch. تعمل فورييه للمشغلات العصبية بشكل جيد بشكل خاص مع الحقول الفيزيائية ذات الشبكات المنتظمة.
• DeepONet: يجمع بين شبكة واحدة تقوم بترميز وظيفة الإدخال مع شبكة أخرى تقيم الإخراج في الإحداثيات المطلوبة.
• المشغلات العصبية للرسم البياني: توسع الأفكار من شبكات الرسم البياني العصبي لتشمل الشبكات غير المنتظمة والهندسات المعقدة.
• محولات المشغلات: تكيّف هندسة المحول مع الحقول المستمرة والتفاعلات الفيزيائية طويلة المدى.

ينشئ هذا المثال القابل للتنفيذ نموذج FNO صغير ثنائي الأبعاد ويعين حقلي 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 لـ PyTorch أيضًا مجموعات بيانات، ودوال خسارة، ومدربين، وبنى واعية بالهندسة. (neuraloperator.github.io)

Link to this sectionالتطورات الأخيرة#

تتعامل الأبحاث بشكل متزايد مع المشغلات العصبية باعتبارها نماذج أساسية علمية. أظهر نموذج أساس PDE لـ Poseidon نقلًا عبر 15 مهمة PDE لاحقة، بينما حسنت مشغلات Laplace العصبية التعامل مع الأنظمة العابرة وغير الدورية. في يوليو 2026، نشر الباحثون مبادئ تصميم عملية للمشغلات العصبية، مع التركيز على الحوسبة الواعية بالإحداثيات، وأعداد المعلمات الثابتة، وتقارب التمفصل. (proceedings.neurips.cc)

Link to this sectionتطبيقات العالم الحقيقي#

• تصغير المناخ: استخدمت دراسة JMLR لعام 2024 حول تصغير المناخ ذي الدقة التعسفية نموذج FNO لتحويل عمليات محاكاة المناخ الخشنة إلى حقول ذات دقة أعلى، مما يدعم تحليل صور الأقمار الصناعية المفصل. (jmlr.org)
• التنبؤ بالطقس: تصمم المشغلات العصبية متعددة الشبكات الكروية ديناميكيات الغلاف الجوي العالمي مع مراعاة هندسة الأرض، وتكمل تحليل السلاسل الزمنية التقليدي.
• التحكم الهندسي: يمكن للمشغلات العصبية تقريب حلول التحكم في التغذية الراجعة بسرعة لتغيير بارامترات النظام، مما يدعم التوأم الرقمي المستجيب والأتمتة الصناعية.

Link to this sectionالمشغلات العصبية والرؤية الحاسوبية#

نمذجت المشغلات العصبية الحقول المستمرة المتطورة، بينما تنمذج الرؤية الحاسوبية عادةً الكائنات أو الهنى في الصور. يمكنهما العمل معًا: قد يستخرج Ultralytics YOLO26 الهندسة أو الحالات الفيزيائية من بيانات الكاميرا، وبعد ذلك يتنبأ المشغل العصبي بتدفق السوائل، أو نقل الحرارة، أو التشوه، أو حقل مستقبلي آخر. يمكن إدارة مجموعات بيانات الرؤية، والتدريب، والنشر من خلال Ultralytics Platform.

تتمثل الممارسة الأفضل في تطبيع الحقول الفيزيائية، والاحتفاظ بالإحداثيات وشروط الحدود، والتدريب عبر دقات متعددة، والمقارنة ضد المحللين العدديين الموثوقين، وتقييم سلوك الاستيفاء وخارج التوزيع. تعمل المشغلات العصبية على تسريع المحاكاة ولكن يجب ألا تحل محل التحقق الفيزيائي في الأنظمة الحرجة للسلامة.