نوآوری در مدل سازی ریاضی سیستم های پیچیده با بهره گیری از محاسبات دیفرانسیل مرتبه کسری و یادگیری عمیق فیزیک-آگاه (PINNs)
سال انتشار: 1405
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 109
فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ISEDS01_026
تاریخ نمایه سازی: 4 آبان 1405
چکیده مقاله:
مدل سازی ریاضی سیستم های پیچیده علمی، که با ویژگی هایی نظیر تعاملات غیرمحلی (Non-local) و اثرات حافظه داری (Memory effects) شناخته می شوند، نیازمند گذار از پارادایم محاسبات دیفرانسیل کلاسیک به سمت محاسبات پیشرفته است. معادلات دیفرانسیل مرتبه صحیح، به دلیل ماهیت محلی خود، در بازنمایی دقیق پدیده هایی همچون انتشار غیرعادی، دینامیک ویسکوالاستیک و نوسانات پیچیده در سیستم های بیولوژیکی و اقتصادی با چالش های بنیادین روبرو هستند. این پژوهش با هدف بررسی و ارائه نوآوری در مدل سازی سیستم های پیچیده، به واکاوی نقش محاسبات کسری (Fractional Calculus) و ادغام آن با شبکه های عصبی فیزیک-آگاه (PINNs) می پردازد. در این راستا، با بهره گیری از مشتق کاپوتو (Caputo Derivative)، ساختاری ریاضی ارائه شده است که قادر است وابستگی های زمانی و مکانی بلندمدت را در هسته عملگرهای دیفرانسیل لحاظ کند. همچنین، راهکار پیشنهادی مبنی بر تعبیه عملگرهای مرتبه کسری در تابع زیان (Loss Function) شبکه های عصبی عمیق، به عنوان یک چارچوب هیبریدی (Hybrid Framework) معرفی شده است. نتایج حاصل از تحلیل های عددی نشان می دهد که این رویکرد ترکیبی، نه تنها دقت پیش بینی را در مواجهه با داده های دارای نویز به طور قابل توجهی افزایش می دهد، بلکه با حفظ قوانین فیزیکی سیستم، نیاز به حجم انبوه داده های آموزشی را کاهش داده و پایداری مدل را در حالت تعمیم دهی بهبود می بخشد. این یافته ها نشان دهنده پتانسیل بالای تلفیق دینامیک های کسری و یادگیری ماشین در پیشبرد مرزهای علوم محاسباتی است.
کلیدواژه ها:
محاسبات کسری ، سیستم های پیچیده ، مشتق کاپوتو ، شبکه های عصبی فیزیک-آگاه (PINNs) ، دینامیک غیرمحلی ، انتشار غیرعادی.
نویسندگان
سید محمودامامی
دکتری ریاضی کاربردی ،گرایش معادلات دیفرانسیل ،دانشگاه سهند تبریز ،آذربایجان شرقی ،ایران معاونت مالی اداره آموزش وپرورش گله دار ،فارس ،ایران