مرور سیستماتیک روشهای داده محور و فیزیک آگاه در بازسازی شکل پراکنده گرها با تاکید بر معماریهای نوین عصبی

بازسازی شکل پراکنده گرها یکی از مسائل کلیدی در علوم مهندسی و فیزیک محاسباتی است که هدف آن استخراج هندسه و ویژگیهای ماده ای اجسام از دادههای پراکندگی موج است. با پیشرفت روشهای یادگیری ماشین و یادگیری عمیق امکان تحلیل و بازسازی دادههای پیچیده پراکندگی با دقت و کارایی بالاتر فراهم شده است. این مقاله به صورت یک مرور سیستماتیک روشهای داده محور و فیزیک آگاه را بررسی کرده و تمرکز ویژه ای بر نقش معماریهای نوین عصبی در بازسازی پراکندگیها دارد. در این پژوهش اصول پراکندگی و انواع دادههای مورد استفاده توضیح داده شده است. سپس روشهای داده محور شامل شبکههای کانولوشنی شبکههای بازگشتی (RNN/LSTM) ترنسفورمرها و شبکههای گرافی معرفی شده و نحوه استخراج ویژگیهای پیچیده و غیر خطی از داده ها تشریح شده است. در ادامه روشهای فیزیک آگاه بررسی شده اند که در آنها قوانین بنیادی فیزیک از جمله معادلات موج و پراکندگی مستقیما در فرایند یادگیری شبکه ها اعمال می شوند. همچنین رویکردهای ترکیبی داده محور و فیزیک آگاه تحلیل شده اند که با تلفیق قابلیت یادگیری شبکه های عصبی و محدودیتهای فیزیکی بازسازیهای دقیق و سه بعدی از پراکندگیها را ممکن می سازند. تمرکز ویژه بر معماریهای نوین عصبی نشان میدهد که ترنسفورمرها شبکه های گرافی و CNNهای پیشرفته توانایی پردازش داده های بلند برداری غیر محلی و چند بعدی را دارند و بازسازی جامع هندسه و ویژگیهای ماده ای پراکندگیها را در محیطهای پیچیده فراهم می آورند. نتایج مرور افقهای نوینی در بازسازی پراکندگیها ایجاد کرده و امکان توسعه سیستمهای تصویر برداری، حسگری و تحلیل محیطهای چند موجی و سه بعدی را فراهم می آورد.

کلیدواژه ها:

بازسازی پراکندگی ، شبکههای عصبی عمیق ، داده محور ، فیزیک آگاه ، معماری نوین عصبی