DOI: https://doi.org/10.1007/s10915-026-03388-4
تاريخ النشر: 2026-07-09
المؤلف: Yangtao Deng وآخرون
الموضوع الرئيسي: تقليل النماذج والشبكات العصبية
نظرة عامة
تقدم البحث طريقة التقاط الميزات التكيفية (AFCM)، وهي إطار عمل جديد في تعلم الآلة مصمم لمعالجة التحديات التي تطرحها المعادلات التفاضلية الجزئية (PDEs) ذات الحلول القريبة من التفرد. تعاني الطرق العددية التقليدية من صعوبات مع مثل هذه المشاكل، خاصة في الهندسات المعقدة، بسبب العبء الحسابي الناتج عن توليد الشبكات والتكرير التكيفي. بينما توفر أساليب التعلم العميق مثل الشبكات العصبية المدعومة بالفيزياء (PINNs) وطريقة الميزات العشوائية (RFM) بدائل خالية من الشبكات، إلا أنها غالبًا ما تفتقر إلى الدقة التكيفية اللازمة في المناطق ذات التدرجات الحادة أو التفردات. تعزز AFCM من RFM من خلال إعادة توزيع الخلايا العصبية ونقاط التجميع بشكل تكيفي بناءً على معيار التدرج للحلول التقريبية، مما يسمح بدقة أعلى في المناطق الحرجة دون تكبد تكاليف حسابية إضافية.
تستخدم AFCM آلية تركز على المناطق ذات التدرجات الأكبر للحلول، مما يركز بشكل فعال على مستويات التقسيم ونقاط التجميع حيثما كانت الأكثر حاجة. تستمر هذه العملية التكيفية حتى لا يمكن تحقيق أي تحسينات إضافية في الحلول التقريبية، مما يؤدي إلى تعزيز القوة التعبيرية المحلية والدقة. يتم التحقق من فعالية الطريقة من خلال التجارب العددية، مما يظهر استقرارها ودقتها في حل PDEs القريبة من التفرد. يقترح المؤلفون أن تهدف الأبحاث المستقبلية إلى توسيع AFCM لتشمل مجموعة أوسع من PDEs والتطبيقات، مع تسليط الضوء على إمكاناتها لتحقيق دقة عالية في كل من المجالات المكانية والزمنية مع الحفاظ على التكيف الخالي من الشبكات للهندسات المعقدة.
مقدمة
تناقش مقدمة الورقة تطبيق المعادلات التفاضلية الجزئية (PDEs) عبر مجالات مختلفة، مع تسليط الضوء على قيود الطرق العددية التقليدية مثل طريقة الفرق المحدودة، وطريقة الحجم المحدود، وطريقة العنصر المحدود، خاصة في التعامل مع الهندسات المعقدة. غالبًا ما تعاني هذه الطرق من مشاكل مثل تشوه عناصر الشبكة، مما يمكن أن يضر بالدقة والكفاءة. استجابةً لذلك، تستكشف الورقة إمكانيات تقنيات التعلم العميق، وبشكل خاص الشبكات العصبية، لحل PDEs بشكل أكثر فعالية. ظهرت طرق تعلم عميق متنوعة، بما في ذلك طريقة ديريتز (DRM)، وطريقة جاليركين العميقة (DGM)، والشبكات العصبية المدعومة بالفيزياء (PINNs)، كبدائل واعدة تلغي الحاجة إلى توليد الشبكات ولكن تفتقر إلى تقدير موثوق للأخطاء.
لمعالجة هذه التحديات، يقترح المؤلفون طريقة التقاط الميزات التكيفية (AFCM)، وهي تحسين لطريقة الميزات العشوائية (RFM). تركز AFCM على تحسين الدقة في المناطق ذات التدرجات العالية من PDEs دون تكبد تكاليف حسابية إضافية. من خلال إعادة توزيع مستويات وظيفة الميزات ونقاط التجميع بناءً على معيار التدرج للحلول التقريبية، تحقق AFCM تحسينات كبيرة في الدقة، خاصة للحلول القريبة من التفرد. تحافظ الطريقة على نهج خالٍ من الشبكات، مما يجعلها مناسبة للهندسات المعقدة وتظهر تقليلًا كبيرًا في الأخطاء في التجارب العددية. تمهد المقدمة الطريق للأقسام التالية، التي ستفصل RFM، وخوارزمية AFCM، ونتائج التجارب العددية التي تتحقق من الطريقة المقترحة.
نقاش
في هذا القسم، يناقش المؤلفون طريقة الميزات العشوائية (RFM) وتطبيقها في حل مشاكل القيمة الحدية الخطية، مع التركيز على بناء فضاء الميزات العصبية وطريقة التقاط الميزات التكيفية (AFCM). تقوم RFM بتقسيم المجال المكاني إلى مجالات فرعية غير متداخلة، وتطبق تحويلات خطية لتطبيع الإحداثيات وبناء وظائف تقسيم الوحدة (PoU). يتم تشكيل الحل التقريبي من خلال تركيبة خطية من وظائف الميزات العشوائية التي تم إنشاؤها بواسطة شبكة عصبية ذات طبقتين، مع تثبيت المعلمات بعد أن تم تهيئتها عشوائيًا. يتم تقليل دالة الخسارة باستخدام نهج المربعات الصغرى الخطية، مع تضمين مصطلحات تنظيمية لضمان الاستمرارية عبر واجهات المجالات الفرعية عند الضرورة.
تعزز AFCM من RFM من خلال تحسين كثافة وظائف الميزات ونقاط التجميع بشكل تكيفي في المناطق ذات التدرجات الحادة، مما يحسن دقة التقريب للحلول القريبة من التفرد. يتم تحقيق ذلك من خلال خطوتين رئيسيتين: ضبط معلمات الشكل ومعلمات الموقع لوظائف الميزات بناءً على معيار التدرج، وإعادة توزيع نقاط التجميع إلى المناطق ذات التدرجات العالية. يظهر المؤلفون فعالية AFCM من خلال التجارب العددية، مما يظهر تقليلًا كبيرًا في الأخطاء لمجموعة متنوعة من PDEs، بما في ذلك معادلة بواسون ومعادلة بورجرز. تشير النتائج إلى أن AFCM لا تحافظ فقط على الكفاءة الحسابية ولكن تحقق أيضًا دقة عالية في حل الهندسات المعقدة والتدرجات الحادة، متفوقة على الطرق التقليدية للعناصر المحدودة التكيفية.
DOI: https://doi.org/10.1007/s10915-026-03388-4
Publication Date: 2026-07-09
Author(s): Yangtao Deng et al.
Primary Topic: Model Reduction and Neural Networks
Overview
The research introduces the Adaptive Feature Capture Method (AFCM), a novel machine learning framework designed to address the challenges posed by partial differential equations (PDEs) with near-singular solutions. Traditional numerical methods struggle with such problems, particularly in complex geometries, due to the computational burden of mesh generation and adaptive refinement. While deep-learning approaches like Physics-Informed Neural Networks (PINNs) and the Random Feature Method (RFM) provide mesh-free alternatives, they often lack the necessary adaptive resolution in regions with steep gradients or singularities. The AFCM enhances the RFM by adaptively redistributing neurons and collocation points based on the gradient norm of approximate solutions, allowing for higher resolution in critical areas without incurring additional computational costs.
The AFCM employs a mechanism that focuses on regions with larger solution gradients, effectively concentrating partition hyperplanes and collocation points where they are most needed. This adaptive process continues until no further improvements in the approximate solutions can be achieved, resulting in enhanced local expressive power and accuracy. The method’s efficacy is validated through numerical experiments, demonstrating its stability and accuracy in solving near-singular PDEs. The authors suggest that future research will aim to extend the AFCM to a broader range of PDEs and applications, highlighting its potential for high accuracy in both spatial and temporal domains while maintaining mesh-free adaptability to complex geometries.
Introduction
The introduction of the paper discusses the application of partial differential equations (PDEs) across various fields, highlighting the limitations of traditional numerical methods such as finite difference, finite volume, and finite element methods, particularly in handling complex geometries. These methods often suffer from issues like distorted mesh elements, which can compromise accuracy and efficiency. In response, the paper explores the potential of deep learning techniques, specifically neural networks, to solve PDEs more effectively. Various deep-learning approaches, including the Deep Ritz Method (DRM), Deep Galerkin Method (DGM), and Physics-Informed Neural Networks (PINNs), have emerged as promising alternatives that eliminate the need for mesh generation but lack reliable error estimation.
To address these challenges, the authors propose the Adaptive Feature Capture Method (AFCM), an enhancement of the Random Feature Method (RFM). AFCM focuses on improving resolution in high-gradient regions of PDEs without incurring additional computational costs. By redistributing feature function hyperplanes and collocation points based on the gradient norm of approximate solutions, AFCM achieves significant accuracy improvements, particularly for near-singular solutions. The method maintains a mesh-free approach, making it suitable for complex geometries and demonstrating substantial error reductions in numerical experiments. The introduction sets the stage for the subsequent sections, which will detail the RFM, the AFCM algorithm, and the results of numerical experiments validating the proposed method.
Discussion
In this section, the authors discuss the Random Feature Method (RFM) and its application to solving linear boundary-value problems, emphasizing the construction of a neural feature space and the Adaptive Feature Capture Method (AFCM). The RFM partitions the spatial domain into non-overlapping subdomains, applying linear transformations to normalize coordinates and construct partition of unity (PoU) functions. The approximate solution is formed through a linear combination of random feature functions generated by a two-layer neural network, with parameters fixed after being randomly initialized. The loss function is minimized using a linear least-squares approach, incorporating regularization terms to ensure continuity across subdomain interfaces when necessary.
The AFCM enhances the RFM by adaptively refining the density of feature functions and collocation points in regions with steep gradients, thus improving approximation accuracy for near-singular solutions. This is achieved through two main steps: adjusting the shape parameters and location parameters of the feature functions based on the gradient norm, and redistributing collocation points to high-gradient areas. The authors demonstrate the effectiveness of the AFCM through numerical experiments, showing significant reductions in error for various PDEs, including the Poisson equation and the Burgers equation. The results indicate that the AFCM not only maintains computational efficiency but also achieves high accuracy in resolving complex geometries and steep gradients, outperforming traditional adaptive finite element methods.