بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
الشبكات العصبية تواجه كابوساً حقيقياً عندما تحاول حل المعادلات الفيزيائية التي تمتد عبر مقاييس زمنية متباينة – من الحركة الجزيئية السريعة إلى التدفقات الماكروسكوبية البطيئة. المشكلة تكمن في “تعارض التدرجات”، حيث تدفع مهام التعلم المختلفة النموذج في اتجاهات متضاربة أثناء التدريب، مما يؤدي إلى فشل تام في الأداء.
باحث صيني من جامعة Zhangyong Liang طور حلاً ثورياً يُسمى HRGrad (Harmonized Rotational Gradient) يتعامل مع هذا التحدي بطريقة مبتكرة تماماً (وفقاً لـ arXiv). الخوارزمية لا تحاول فرض تناغم مصطنع بين المهام المتضاربة، بل تعيد تنظيم عملية التعلم نفسها لضمان تقدم متوازن عبر جميع المقاييس الزمنية.
الجوهر التقني للحل يعتمد على ترميز تمثيل خفي للمعاملات الصغيرة المتغيرة، مما يضمن تسلسل مهام الحل للتدريب المتزامن. لكن الابتكار الحقيقي يكمن في مقياس محاذاة التدرج الجديد الذي يضمن حاصل ضرب إيجابي بين التحديث النهائي وكل تدرج خاص بخسارة معينة.
- ترميز التمثيل الخفي للمعاملات: الخوارزمية تشفر المعاملات الصغيرة المتغيرة في طبقة خفية تفهم السياق الفيزيائي لكل نظام
- تقسيم نتائج التنبؤ لبناء خسائر المهام: كل مقياس زمني يحصل على دالة خسارة منفصلة مصممة خصيصاً لخصائصه الفيزيائية
- تطبيق مقياس محاذاة التدرج المبتكر: يراقب التعارض بين التدرجات ويعدل اتجاهاتها لضمان تقدم إيجابي لجميع المهام
- التحكم الديناميكي في قوة التدرجات: يحافظ على معدلات تحسين متسقة ويعدل الأوزان بناءً على مستوى التعارض المكتشف
- ضمان التقارب الرياضي: البحث يوفر إثباتاً رياضياً صارماً يضمن استقرار التدريب وتقارب الحل
التجارب العملية شملت اختبار الخوارزمية على معادلة Bhatnagar-Gross-Krook (BGK) ومعادلة النقل الخطي عبر جميع نطاقات رقم Knudsen – وهي معايير صارمة في الفيزياء الحاسوبية تقيس قدرة النموذج على التعامل مع التحولات من النظام الحركي الجزيئي إلى نموذج السوائل المستمر.
النتائج (وفقاً لـ arXiv) تثبت أن HRGrad تتغلب فعلياً على “أنماط الفشل” المزمنة للشبكات العصبية الحافظة للمقارب (APNNs) في هذه المشاكل. بدلاً من الانهيار التدريجي في الدقة عند الانتقال بين المقاييس، تحافظ الخوارزمية على أداء مستقر عبر النطاق الكامل للمعاملات.
الأهمية العملية تتجاوز الفيزياء النظرية – هذا النهج يفتح الباب أمام نماذج موحدة قادرة على محاكاة الظواهر الطبيعية المعقدة مثل ديناميكا الغازات، انتقال الحرارة، والتفاعلات الكيميائية دون الحاجة إلى نماذج منفصلة لكل مقياس. شركات الطيران يمكنها الآن نمذجة التدفق الهوائي من مستوى الجزيئات حول جناح الطائرة إلى الأنماط الجوية الكبرى بنموذج واحد متماسك.
لكن التحدي الأكبر يبقى في تطبيق هذا النهج على نطاق واسع. الخوارزمية تتطلب موارد حاسوبية كثيفة وضبطاً دقيقاً للمعاملات، مما قد يحد من اعتمادها في البيئات الإنتاجية قريباً.
