DOI: https://doi.org/10.1016/j.cma.2025.118674
تاريخ النشر: 2026-01-03
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: تقليل النماذج والشبكات العصبية
نظرة عامة
تقدم البحث إطار Eig-PIELM، وهو تقدم في آلة التعلم المتطرفة المستندة إلى الفيزياء (PIELM) مصمم لحل مشاكل القيم الذاتية الخطية بكفاءة ودقة. يعيد هذا الإطار صياغة المعادلات التفاضلية الحاكمة إلى نظام جبري مضغوط يمكن حله في خطوة واحدة، مع فرض شروط الحدود بدقة من خلال الإسقاط الجبري على فضاء فرعي مقبول على الحدود. يلغي هذا النهج الحاجة إلى معلمات العقوبة والانتشار العكسي، مع الحفاظ على الفوائد الحسابية لآلات التعلم المتطرفة. يسمح الطابع الخالي من الشبكة لـ Eig-PIELM بحساب القيم الذاتية وأشكال الوضع في وقت واحد، مما يعزز فائدته في الدراسات البارامترية عبر الأنظمة الميكانيكية والصوتية والكهروميكانيكية.
تظهر النتائج أن Eig-PIELM يعالج بفعالية التحديات التي تواجه PIELM التقليدية في التعامل مع مشاكل القيم الذاتية، وخاصة المتغيرات غير المعروفة للقيم الذاتية والدوال الذاتية، مما يعقد شروط الاستقرارية. من خلال فرض شروط الحدود في فضاء المعاملات وتجميع معادلات الاستقرارية في مشكلة قيم ذاتية عامة متجانسة واحدة، يحتفظ الإطار بمزايا PIELM بينما يمكّن من حساب طيف الوضع بالكامل في حل واحد. تكشف التحقق العددي عبر مجموعة متنوعة من المشاكل المرجعية عن دقة استثنائية، مع وصول الأخطاء النسبية إلى دقة الآلة (∼ $10^{-16}$) للأوضاع الأساسية و $10^{-8}$ إلى $10^{-7}$ لمعادلات هيلمهولتز ثنائية الأبعاد. الكفاءة الحسابية ملحوظة، حيث تم الحصول على طيف القيم الذاتية الكامل في 0.16 إلى 0.244 ثانية، مما يشير إلى تحسينات كبيرة في السرعة مقارنة بالطرق التكرارية التقليدية. تضع متانة وموثوقية Eig-PIELM كأداة قيمة للتنبؤات السريعة والدقيقة للقيم الذاتية، مع تطبيقات مستقبلية محتملة في مشاكل القيم الذاتية غير الخطية وتنفيذات صناعية على نطاق واسع.
مقدمة
تتناول مقدمة هذه الورقة البحثية التعقيدات المرتبطة بالحل العددي لمشاكل القيم الذاتية، والتي تعتبر محورية في مجالات العلوم الحاسوبية والهندسة المختلفة. تتضمن هذه المشاكل إيجاد أزواج غير تافهة \((\lambda, v)\) بحيث يعمل مشغل خطي \(A\) على متجه أو دالة \(v\) ليعطي مضاعف عددي لـ \(v\)، معبرًا عنه كـ \(Av = \lambda v\). في الإعدادات المستمرة، يمتد هذا إلى المعادلات التفاضلية مثل مشكلة ستورم-ليوفيل، حيث يجب أيضًا تلبية شروط الحدود. تسلط الورقة الضوء على الطرق التقليدية لحل هذه المشاكل، بما في ذلك تحليل الطيف وتقنيات التقطيع، بالإضافة إلى الأساليب المعاصرة التي تستخدم الشبكات العصبية، وخاصة الشبكات العصبية المستندة إلى الفيزياء (PINNs).
على الرغم من التقدم الذي تقدمه PINNs، لا تزال التحديات مثل عدم التحدب، والحساسية للمعلمات الفائقة، وعدم الكفاءة في التدريب قائمة. لمعالجة هذه القضايا، يقترح المؤلفون إطار عمل جديد يسمى Eig-PIELM، الذي يعزز آلات التعلم المتطرفة المستندة إلى الفيزياء (PIELMs) من خلال تمكين الحلول المباشرة لمشاكل القيم الذاتية دون تحسين تكراري. يستخدم هذا الأسلوب إسقاطًا جبريًا لضمان فرض الحدود بدقة، مما يحول مشاكل القيم الذاتية التفاضلية إلى نظام قيم ذاتية عامة متجانسة واحدة. تدعي الورقة أن Eig-PIELM يسمح بحساب فعال وخالي من الشبكة لعدة أزواج ذاتية، مما يظهر دقة عالية وتكلفة حسابية منخفضة من خلال اختبارات عددية واسعة في اهتزازات الهياكل، والصوتيات، والمرونة الديناميكية. ستفصل الأقسام التالية من الورقة الإطار الرياضي، ومنهجية PIELM، ونتائج النهج المقترح.
نقاش
في هذا القسم، يتم تلخيص المعادلات الحاكمة لمجموعة متنوعة من الأنظمة المهتزة، بما في ذلك الاهتزاز المحوري لعمود، والاهتزاز العرضي لشعاع، ومعادلة هيلمهولتز لانتشار الموجات، والاهتزاز الحر لجسم مرن ثنائي الأبعاد. تفترض الدراسة وجود مجال متجانس وتلتزم بنظرية المرونة الخطية. يتم استخدام نظرية شعاع أويلر-برنولي، مما يؤدي إلى معادلة حاكمة تتضمن معلمات مثل معامل يونغ ($E$)، وعزم القصور الذاتي ($I$)، وكثافة المادة ($\rho$). تؤدي تحليل الاهتزازات الحرة إلى حل توافقي، مما ينتج عنه معادلة تفاضلية تصف سلوك النظام تحت شروط الحدود المحددة.
كما يقدم القسم إطار آلة التعلم المتطرفة المستندة إلى الفيزياء (PIELM)، الذي يستخدم طبقة مخفية واحدة بميزات ثابتة لتقليل البقايا الفيزيائية بطريقة المربعات الصغرى. يسمح هذا النهج بتدريب فعال دون انتشار عكسي، مع التركيز على تلبية المعادلات التفاضلية الحاكمة وشروط الحدود. يوسع إطار Eig-PIELM المقترح PIELM لمعالجة مشاكل القيم الذاتية من خلال إعادة صياغة شروط الاستقرارية في مشكلة قيم ذاتية عامة متجانسة واحدة، مما يمكّن من حساب الطيف الكامل للأوضاع في حل واحد. تتحقق التجارب العددية من أداء الإطار، مما يظهر دقة عالية في التنبؤ بترددات القيم الذاتية وأشكال الوضع عبر تكوينات متنوعة، مع وصول الأخطاء النسبية إلى دقة الآلة للأوضاع الأساسية وتبقى منخفضة للأوضاع ذات الرتبة الأعلى. يتم تسليط الضوء على الكفاءة الحسابية لـ Eig-PIELM، حيث تم الحصول على طيف القيم الذاتية الكامل في غضون ثوانٍ، مما يظهر إمكانيته في التنبؤ السريع والدقيق للقيم الذاتية في التطبيقات الهندسية.
DOI: https://doi.org/10.1016/j.cma.2025.118674
Publication Date: 2026-01-03
Author(s): Zhenyun Du et al.
Primary Topic: Model Reduction and Neural Networks
Overview
The research introduces the Eig-PIELM framework, an advancement of the Physics-Informed Extreme Learning Machine (PIELM) designed to efficiently and accurately solve linear eigenvalue problems. This framework reformulates governing differential equations into a compact algebraic system that can be solved in a single step, while enforcing boundary conditions precisely through algebraic projection onto a boundary-admissible subspace. This approach eliminates the need for penalty parameters and backpropagation, maintaining the computational benefits of extreme learning machines. The mesh-free nature of Eig-PIELM allows for simultaneous computation of both eigenvalues and mode shapes, enhancing its utility in parametric studies across mechanical, acoustic, and electromechanical systems.
The findings demonstrate that Eig-PIELM effectively addresses the challenges of traditional PIELM in handling eigenvalue problems, particularly the simultaneous unknowns of eigenvalues and eigenfunctions, which complicate the stationarity conditions. By enforcing boundary conditions in coefficient space and consolidating stationarity equations into a single symmetric generalized eigenvalue problem, the framework retains the advantages of PIELM while enabling the computation of entire mode spectra in one solve. Numerical validations across various benchmark problems reveal exceptional accuracy, with relative errors reaching machine precision (∼ $10^{-16}$) for fundamental modes and $10^{-8}$ to $10^{-7}$ for two-dimensional Helmholtz equations. The computational efficiency is notable, with complete eigenspectra obtained in 0.16 to 0.244 seconds, indicating significant speed improvements over traditional iterative methods. The robustness and theoretical soundness of Eig-PIELM position it as a valuable tool for rapid and accurate eigenvalue predictions, with potential future applications in nonlinear eigenvalue problems and large-scale industrial implementations.
Introduction
The introduction of this research paper addresses the complexities associated with the numerical solution of eigenvalue problems, which are pivotal in various fields of computational science and engineering. These problems involve finding non-trivial pairs \((\lambda, v)\) such that a linear operator \(A\) acting on a vector or function \(v\) yields a scalar multiple of \(v\), expressed as \(Av = \lambda v\). In continuous settings, this extends to differential equations like the Sturm-Liouville problem, where boundary conditions must also be satisfied. The paper highlights traditional methods for solving these problems, including spectral decomposition and discretization techniques, as well as contemporary approaches utilizing neural networks, particularly Physics-Informed Neural Networks (PINNs).
Despite the advancements offered by PINNs, challenges such as nonconvexity, sensitivity to hyperparameters, and inefficiencies in training persist. To address these issues, the authors propose a novel framework called Eig-PIELM, which enhances the Physics-Informed Extreme Learning Machines (PIELMs) by enabling direct solutions to eigenproblems without iterative optimization. This method employs an algebraic projection to ensure exact boundary enforcement, transforming differential eigenproblems into a single symmetric generalized eigensystem. The paper claims that Eig-PIELM allows for efficient, mesh-free computation of multiple eigenpairs, demonstrating high accuracy and low computational cost through extensive numerical tests in structural vibrations, acoustics, and elastodynamics. The subsequent sections of the paper will elaborate on the mathematical framework, the PIELM methodology, and the results of the proposed approach.
Discussion
In this section, the governing equations for various vibrating systems are summarized, including the axial vibration of a bar, transverse vibration of a beam, the Helmholtz equation for wave propagation, and free vibration of a two-dimensional elastic body. The study assumes a homogeneous domain and adheres to linear elastic theory. The Euler-Bernoulli beam theory is employed, leading to a governing equation that incorporates parameters such as Young’s modulus ($E$), moment of inertia ($I$), and material density ($\rho$). The analysis of free vibrations yields a harmonic solution, resulting in a differential equation that describes the system’s behavior under specified boundary conditions.
The section also introduces the Physics-Informed Extreme Learning Machine (PIELM) framework, which utilizes a single hidden layer with fixed features to minimize the physics residual in a least-squares sense. This approach allows for efficient training without backpropagation, focusing on satisfying the governing differential equations and boundary conditions. The proposed Eig-PIELM framework extends PIELM to address eigenvalue problems by reformulating the stationarity conditions into a single symmetric generalized eigenvalue problem, thus enabling the computation of the entire spectrum of modes in a single solve. Numerical experiments validate the framework’s performance, demonstrating high accuracy in predicting eigenfrequencies and mode shapes across various configurations, with relative errors reaching machine precision for fundamental modes and remaining low for higher-order modes. The computational efficiency of Eig-PIELM is highlighted, with complete eigenspectra obtained in a matter of seconds, showcasing its potential for rapid and accurate eigenvalue predictions in engineering applications.