يستعد إطار العمل الجديد المعروف باسم Structured Kolmogorov-Arnold Neural ODEs (SKANODEs) لإحداث تحول جذري في كيفية نمذجة الأنظمة الفيزيائية المعقدة من خلال سد الفجوة بين دقة التعلم العميق وقابلية التفسير الفيزيائي. طور هذا النظام الباحثون Wei Liu و Kiran Bacsa و Loon Ching Tang و Eleni Chatzi، حيث يدمج بين نمذجة مساحة الحالة المنظمة وشبكات Kolmogorov-Arnold لفك تشفير الأنظمة الديناميكية غير الخطية. يعالج هذا البحث، الذي تم تحديثه مؤخراً في 5 مارس 2026، تحدياً أساسياً في مجالات العلوم والهندسة، والمتمثل في تحقيق نماذج تتمتع بدقة عالية وشفافية فيزيائية في آن واحد.
يعد هذا التطور حاسماً للمهندسين وعلماء الفيزياء وخبراء البيانات العاملين في مجال مراقبة الصحة الهيكلية وهندسة الطيران. من خلال استخدام هذا الإطار، يمكن للمتخصصين تجاوز التنبؤات الغامضة واستخراج أوصاف دقيقة على مستوى المعادلات للديناميكيات الفيزيائية، مما يتيح تصميمات هندسية أكثر أماناً وقابلية للتنبؤ. تقليدياً، تتفوق نماذج التعلم العميق في التقاط سلوكيات الأنظمة المعقدة ولكنها تفشل في شرح الفيزياء الأساسية، مما يترك المهندسين أمام نتائج غير قابلة للتفسير. يحل إطار SKANODEs هذه المشكلة من خلال استخدام شبكة Kolmogorov-Arnold قابلة للتدريب بالكامل كمقرب دوال شامل لإجراء الاستشعار الافتراضي.
فك تشفير الأنظمة الديناميكية عبر إطار SKANODEs
ضمن بنية Neural ODE، يستعيد نظام SKANODE الحالات الكامنة التي تتوافق مباشرة مع الكميات الفيزيائية القابلة للتفسير، مثل الإزاحات والسرعات. وبالاستفادة من قدرة الانحدار الرمزي (Symbolic Regression) لشبكات Kolmogorov-Arnold، يستخرج الإطار تعبيرات مدمجة وقابلة للتفسير للديناميكيات الحاكمة للنظام. يتيح ذلك للباحثين رؤية كيفية تفسير الشبكة العصبية للقوانين الفيزيائية التي تحكم البيانات بدقة، بدلاً من مجرد تلقي مخرجات تنبؤية نهائية.
تحقق فريق البحث من فعالية الإطار من خلال تجارب صارمة على اثنين من المذبذبات غير الخطية الكنسية ومجموعة بيانات اهتزاز أرضي حقيقية لطائرة F-16. في اختبار متذبذب Duffing، نجح النظام في تحديد الصلابة المكعبة الصحيحة. أما بالنسبة لمتذبذب Van der Pol، فقد رسم بدقة هيكل التخميد غير الخطي. علاوة على ذلك، عند تطبيقه على مجموعة بيانات طائرة F-16، كشف الإطار عن تواقيع تخلفية في ديناميكيات الواجهة من خلال صور الطور الكامنة المنظمة ونموذج رمزي قابل للتفسير. عبر جميع السيناريوهات الثلاثة، قدمت البنية تنبؤات أكثر دقة وقوة من طرق تحديد ARX و NARX الكلاسيكية. يمكن للباحثين استكشاف مقاييس الاقتباس لهذه الدراسة عبر منصة Google Scholar.
الأسئلة الشائعة
ما هو إطار SKANODEs؟
هو بنية جديدة تدمج نمذجة مساحة الحالة المنظمة مع شبكات Kolmogorov-Arnold ضمن إطار Neural ODE لنمذجة الأنظمة الديناميكية غير الخطية بشكل قابل للتفسير.
كيف يتفوق على النماذج الحالية؟
على عكس نماذج التعلم العميق التقليدية الغامضة، يستخدم إطار SKANODEs الانحدار الرمزي لاستخراج أوصاف مقروءة على مستوى المعادلات للديناميكيات الفيزيائية، متفوقاً على طرق تحديد ARX و NARX الكلاسيكية.
ما هي البيانات الواقعية التي استخدمت لاختباره؟
تم اختبار الإطار بصرامة باستخدام مجموعة بيانات اهتزاز أرضي حقيقية لطائرة F-16، حيث نجح في تحديد التواقيع التخلفية في ديناميكيات الواجهة.
رأيي التقني
يمثل تقديم إطار SKANODEs محوراً حاسماً في التعلم الآلي العلمي، حيث يحول التركيز من مجرد الدقة التنبؤية إلى قابلية التفسير الفيزيائي الحقيقية. إن حقيقة تفوق هذا النموذج على خوارزميات ARX و NARX الكلاسيكية الراسخة في مجموعة بيانات اهتزاز أرضي معقدة وواقعية لطائرة F-16 تثبت أن الانحدار الرمزي المدمج مع Neural ODEs ليس مجرد تمرين نظري. بل هو أداة عملية للغاية لهندسة الطيران والهندسة الميكانيكية. مع تزايد طلب الصناعات على أنظمة ذكاء اصطناعي أكثر شفافية للتطبيقات الحرجة للسلامة، ستصبح أطر العمل القادرة على إخراج أوصاف على مستوى المعادلات للديناميكيات المكتسبة هي المعيار الذهبي الجديد لمراقبة الصحة الهيكلية والصيانة التنبؤية.