مقدمه
در تقاطع یادگیری ماشین و علوم فیزیکی، Physics-Informed Neural Networks (PINNs) به عنوان یکی از قدرتمندترین رویکردهای علمی-محاسباتی ظاهر شدهاند. این شبکهها قوانین فیزیکی شناختهشده (معمولاً به صورت معادلات دیفرانسیل جزئی PDEs یا معمولی ODEs) را مستقیماً در فرآیند آموزش شبکه عصبی اعمال میکنند. برخلاف شبکههای عصبی سنتی که فقط بر داده تکیه دارند، PINNs حتی با دادههای محدود، دارای نویز یا پراکنده، راهحلهایی تولید میکنند که کاملاً با اصول فیزیکی سازگار هستند. معرفی اولیه PINNs در سال ۲۰۱۷ توسط Raissi، Perdikaris و Karniadakis بود و در سال ۲۰۲۶ به ابزاری استاندارد در
تصویربرداری محاسباتی (Computational Imaging)،دینامیک سیالات، مکانیک مواد، تصویربرداری پزشکی و علوم مهندسی تبدیل شده است. این مقاله به بررسی اصول، معماری، مزایا، چالشها، کاربردها (به ویژه در تصویربرداری) و روندهای آینده PINNs میپردازد.
PINNs چیست؟
Physics-Informed Neural Networksنوعی شبکه عصبی هستند که دانش فیزیکی را به عنوان محدودیت (constraint) در تابع loss وارد میکنند. شبکه یک تابع تقریبی u(x,t; θ) برای راهحل معادلات فیزیکی یاد میگیرد، جایی که θ پارامترهای شبکه است.
ایده اصلی: علاوه بر data loss، یک residual loss برای معادلات فیزیکی (PDE residual) محاسبه میشود. شبکه با minimization loss ترکیبی آموزش میبیند تا هم با دادهها مطابقت کند و هم قوانین فیزیک را نقض نکند. این رویکرد PINNs را برای حل مسائل forward (پیشبینی راهحل PDE) و inverse (کشف پارامترهای ناشناخته) بسیار مناسب میسازد.
شبکههای عصبی معمولی (مثل U-Net) فقط روی دادههای زیاد آموزش میبینند. اگر داده کم یا دارای نویز باشد، مدل دروغ میگوید یا توهم (hallucination) دارد.
اما در علوم و پزشکی، گاهی داده خیلی گران است (مثل اسکن MRI) یا نمیتوان داده زیاد جمع کرد. PINNs با وارد کردن قوانین فیزیکی به عنوان بخشی از آموزش، این مشکل را حل میکند. در نتیجه مدل هوشمندتر، قابل اعتمادتر و با داده خیلی کمتر کار میکند.
اصول و معماری PINNs
معماری PINNs بسیار ساده اما هوشمندانه است. شبکه عصبی معمولی فقط سعی میکند یک تابع را از روی دادهها تقریبی بزند. اما PINNs دو کار را همزمان انجام میدهد:
- از دادههای واقعی یاد میگیرد.
- قوانین فیزیکی (معادلات دیفرانسیل) را هم رعایت میکند.
- به همین دلیل، PINNs را میتوان شبکه عصبی فیزیک را بلد است، نامید.
تابع Loss ترکیبی:
این قلب تپنده PINNs است.
شبکه با کمینه کردن یک تابع Loss ترکیبی آموزش میبیند:
Loss = Data Loss + Physics Loss (λ × PDE Residual)
جایی که مشتقات شبکه عصبی نسبت به ورودیها با استفاده از دیفرانسیل خودکار (Automatic Differentiation) در PyTorch محاسبه میشود تا Physics Loss (مانند باقیمانده معادلات دیفرانسیل) به دست آید.
ورودی و خروجی:
شبکه معمولاً نقاط مکانی/زمانی (collocation points) را به عنوان ورودی میگیرد و مقادیر میدان (مانند سرعت، فشار یا شدت تصویر) را خروجی میدهد.
روشهای سنتی مثل Finite Element Method (FEM):
نیاز به تقسیم کردن فضای مسئله به هزاران یا میلیونها سلول کوچک (mesh) دارند که کار بسیار پیچیده و زمانبری است، به خصوص در ابعاد بالا یا هندسهی پیچیده. معماری PINNs کاملاً mesh-free است که یکی از بزرگترین مزایای PINNs محسوب میشود. فقط به نقاط تصادفی نیاز داشته و نیازی به ساخت مش ندارد. این ویژگی PINNs را برای مسائل با هندسه پیچیده (مثل قلب، عروق خونی، یا قطعات مهندسی) بسیار مناسب کرده است.
انواع پیشرفته PINNs
- cPINNs (Composite PINNs):
برای مشکلاتی که در آن ناپیوستگی وجود دارد (مثل مرز بین دو ماده متفاوت).
- XPINNs (Extended PINNs):
نسخه بهبود یافته cPINNs که دامنه را به چندین زیر دامنه تقسیم میکند و هر کدام را با یک شبکه جداگانه حل میکند (مناسب مسائل خیلی بزرگ).
- VPINNs (Variational PINNs):
به جای residual مستقیم معادله، از فرم variational (ضعیف) معادله استفاده میکند که در برخی مسائل پایدارتر است.
- Fractional PINNs:
برای معادلات با مشتقات کسری (کاربرد در مواد حافظهدار و بیولوژی).
- Hybrid PINNs:
ترکیب با مدلهای مدرن مانند:
- مدلهای انتشار (Diffusion Models)
- عملگرهای عصبی مولفه فوریه (Fourier Neural Operators - FNO)
- DeepONet
این نسخههای ترکیبی در سال ۲۰۲۶ بسیار قدرتمند و پرکاربرد هستند.
کاربردهای مهم PINNs
- بازسازی تصویر در CT با دوز بسیار پایین اشعه
- MRI سریع (Accelerated MRI)
- تصویربرداری اولتراسوند و Photoacoustict
- 4D Flow MRI (تصویربرداری جریان خون)
- میکروسکوپی Super-Resolution
- سایر کاربردها خارج از تصویربرداری
مشکل سنتی: وقتی دوز اشعه را کم میکنیم، تصویر بسیار دارای نویز و غیرقابل استفاده میشود.
PINNs چه کار میکند؟ قوانین فیزیکی عبور اشعه X (معادلات Beer-Lambert) را داخل شبکه وارد میکند.
نتیجه:حتی با ۱۰-۲۰٪ داده، تصویر با کیفیت و واضح بازسازی میشود و کاهش چشمگیر خطر سرطان برای بیمار به همراه دارد.
مشکل سنتی:اسکن MRI معمولی زمان طولانی دارد.
PINNs چه کار میکند؟ معادلات فیزیکی میدان مغناطیسی و امواج را یاد میگیرد.
نتیجه:اسکن را ۴-۸ برابر سریعتر انجام میدهد در حالی که کیفیت تصویر حفظ یا حتی بهتر میشود.
مشکل سنتی:معادلات موج صوتی بسیار پیچیده هستند.
PINNs چه کار میکند؟ این معادلات را مستقیماً یاد میگیرد.
نتیجه:تصاویر واضحتری از بافتها، عروق یا تومورها تولید میکند.
مدلسازی جریان خون در قلب و رگها با معادلات Navier-Stokes.
PINNs جریان خون را دقیقتر شبیهسازی میکند و به پزشکان کمک میکند مشکلات قلبی را بهتر تشخیص دهند.
بازسازی تصاویر میکروسکوپی با جزئیات بسیار بالا (حتی فراتر از محدودیت سختافزار) با رعایت قوانین اپتیک.
- شبیهسازی جریان هوا اطراف هواپیما.
- پیشبینی رفتار مواد جدید
- مدلسازی تغییرات آب و هوایی
- مدلسازی تغییرات آب و هوایی
- کشف پارامترهای ناشناخته در سیستمهای بیولوژیکی
قابلیتها و چالشها
قابلیتها
- با داده خیلی کم کار میکند (گاهی فقط چند صد نقطه).
- خروجی همیشه فیزیکی معتبر است (کمتر hallucination).
- میتواند پارامترهای ناشناخته فیزیکی را کشف کند (مسائل inverse).
- نیازی به مشبندی پیچیده (mesh-free) ندارد.
- قابل تفسیرتر از شبکههای سیاهچاله معمولی است.
چالشها
- آموزش آن سخت و زمانبر است.
- برای مسائل خیلی پیچیده هنوز نیاز به تکنیکهای پیشرفته دارد.
- انتخاب وزن بین data loss و physics loss مهم است.
جمعبندی
Physics-Informed Neural Networks
یکی از هوشمندانهترین ایدههای دهه اخیر است. این شبکهها، پلی بین دانش صدها ساله فیزیک و قدرت عظیم یادگیری ماشین
ایجاد کردهاند.
در حوزه تصویربرداری محاسباتی و تصویربرداری پزشکی، PINNs به معنای واقعی کلمه جان تازهای به سیستمها بخشیده
است: تصاویر باکیفیتتر، دوز اشعه کمتر، زمان اسکن کوتاهتر و تشخیص دقیقتر بیماریها.
اگر میخواهید وارد این حوزه شوید، پیشنهاد ما این است:
* ابتدا معادلات ساده (معادله حرارت یا موج) را با DeepXDE امتحان کنید.
* سپس به سمت مسائل تصویربرداری پزشکی بروید.
آینده علوم محاسباتی و پزشکی به سمت مدلهایی میرود که هم داده را درک کنند و هم فیزیک را. PINNs دقیقاً همین مدل است.
سوالات متداول
-
تفاوت اصلی PINNs با شبکههای عصبی معمولی چیست؟
شبکههای معمولی فقط روی داده آموزش میبینند، اما PINNs همزمان هم داده را یاد میگیرند و هم قوانین فیزیک را رعایت میکنند.
-
PINNs با داده کم چگونه کار میکند؟
چون قوانین فیزیکی را داخل تابع Loss وارد میکند، حتی با تعداد کمی داده یا داده نویزی هم عملکرد خوبی دارد.
-
چالش اصلی تصویربرداری محاسباتی چیست؟
پیچیدگی محاسباتی حل مسائل معکوس (inverse problems)، حساسیت به دقت مدل فیزیکی و نیاز به دادههای باکیفیت برای آموزش مدلهای یادگیری ماشین.
اگر بازخوردی درباره این مطلب دارید یا پرسشی دارید که بدون پاسخ مانده است، آن را از طریق بخش نظرات مطرح کنید.
ثبت نظر