Neptuna: مقارنة معماريات التعلم الآلي في التدفقات متعددة الأطوار القابلة للانضغاط ذات الانقطاعات
يقدّم Neptuna معيارًا مرجعيًا ضخمًا يضم 3 تيرابايت من الحسابات لمهام انهيار الفقاعات وتفتّت القطرات بفعل موجات الصدمة، ويختبر النماذج الالتفافية والطيفية ونماذج المحوّلات ونماذج PDE المدربة مسبقًا. والخلاصة: لا يوجد نموذج متصدر شامل، فيما تساعد دوال الخسارة المركبة وSoftAdapt على الحفاظ بشكل أفضل على الحدود الفاصلة بين الأطوار وإعادة إنتاج الطيف بدقة أكبر.

مهمة المعيار المرجعي
Neptuna هو أول معيار مرجعي واسع النطاق للتدفقات متعددة الأطوار القابلة للانضغاط والمثارة بالصدمات. أُنشئ لمقارنة نماذج ML على بيانات تتضمن موجات صدمية وحدودًا فاصلة بين المواد. لا يقيّم المعيار بنيةً واحدة، بل مزيجًا من البنية ودالة الخسارة والمقاييس.
| مكوّن التقييم | الخيارات |
|---|---|
| البنى | التفافية، طيفية، محوّلات، نماذج أساس للـPDE |
| دوال الخسارة | MSE، دوال مركّبة، SoftAdapt، GradNorm |
| المقاييس | نقطية، طيفية، موجّهة إلى السمات، بنيوية، مراعية للفيزياء |
الخلاصة: يوفّر المعيار منصة موحّدة للمقارنة القابلة لإعادة الإنتاج. المعيار العملي: استخدامه لمقارنة النماذج على البيانات والمقاييس نفسها.
البيانات والفيزياء
يتضمن المعيار المرجعي 3 TB من البيانات عالية الدقة ثنائية وثلاثية الأبعاد. تصف البيانات انهيار الفقاعات وتفتت القطرات الناجمين عن موجة صدمية. تتضمن هذه التدفقات موجات صدمية وحدودًا فاصلة بين المواد.

تؤدي التفاعلات اللاخطية القوية إلى تشوه معقد للحدود، والاختلاط، وديناميكيات متعددة المقاييس. وتُصعّب ثلاثة عوامل بناء نماذج بديلة موثوقة:
- قابلية الانضغاط؛
- الانقطاعات الحادة؛
- تأثيرات تعدد الأطوار.
تحدث هذه العوامل جميعها في آنٍ واحد.
الخلاصة: تختبر البيانات النماذج عند الانقطاعات والحدود الفاصلة. المعيار العملي: تضمين سيناريوهات تتضمن انقطاعات وحدودًا فاصلة في الاختبار.
البنى الخاضعة للمقارنة
قيّم المعيار نماذج التفافية وطيفية ونماذج قائمة على المحوّلات. كما شمل التقييم نماذج أساس للـPDE مدرّبة مسبقًا. ويختبر المعيار هذه العائلات على تدفقات متعددة الأطوار قابلة للانضغاط وتتضمن انقطاعات.
تشمل المقارنة أساليب مختلفة لبناء نموذج بديل، ولا تقتصر على عائلة واحدة. وتُقيّم البنى على البيانات والمقاييس نفسها.
الخلاصة: يُختار التصميم المعماري وفقًا للمهمة، لا بناءً على اسم العائلة. المعيار العملي: اختبار البنية على مجموعة البيانات التي ستُستخدم فيها.
دوال الخسارة
يستخدم التدريب القياسي في المعيار MSE. كما اختُبرت دوال خسارة مركّبة إضافية، تجمع بين MSE ومكوّنات Sobolev ومكوّنات واعية بالواجهات ومكوّنات واعية بالبنية.
استُخدم SoftAdapt وGradNorm لموازنة الخسائر تكيفيًا. ويتضمن المعيار كلا الخيارين.
| الخيار | التركيب |
|---|---|
| MSE | دالة الخسارة الأساسية |
| دوال مركّبة | MSE + Sobolev + واعية بالواجهات + واعية بالبنية |
| SoftAdapt | موازنة تكيفية للخسائر |
| GradNorm | موازنة تكيفية للخسائر |
الخلاصة: يعتمد اختيار دالة الخسارة على المقياس المستهدف. المعيار العملي: تضمين SoftAdapt وGradNorm لاختبار الموازنة التكيفية.
مقاييس التقييم
يشمل التقييم خمس مجموعات من المقاييس:
- نقطية؛
- طيفية؛
- موجّهة إلى السمات؛
- بنيوية؛
- مراعية للفيزياء.
مجموعة المقاييس متعددة الأبعاد. الخلاصة: لا يمكن الحكم على نموذج بمقياس واحد. المعيار العملي: تحديد مجموعة المقاييس الحاسمة للمهمة مسبقًا.
نتائج المقارنة
لم يتفوق أي نموذج في جميع مجموعات البيانات ومن حيث جميع المقاييس. تنطبق هذه النتيجة على البنى والتكوينات المختلفة. وتحسّن دوال الخسارة المركّبة بدرجة كبيرة الحفاظ على الحدود الفاصلة والدقة الطيفية.
يحقق SoftAdapt تحسينات أكثر اتساقًا، وبكلفة حسابية إضافية تكاد لا تُذكر مقارنة بالتدريب باستخدام MSE وحده. وشمل التقييم أيضًا GradNorm. لا يوجد فائز واحد في جميع المؤشرات.
| ما الذي جرت مقارنته | الخلاصة |
|---|---|
| البنى | لا تتفوق أي بنية في جميع مجموعات البيانات والمقاييس |
| دوال الخسارة المركّبة | تحسّن الحفاظ على الحدود والدقة الطيفية |
| SoftAdapt | تحسينات أكثر اتساقًا وبكلفة إضافية تكاد لا تُذكر |
الخلاصة: يعتمد الاختيار على مجموعة البيانات والمقياس. المعيار العملي: تحديد المقياس الحاسم، ثم اختبار دالة الخسارة والبنية على مجموعة البيانات المستهدفة.
الحالة وإمكانية الوصول
قُبل بحث Neptuna في NeurIPS-2026 (مسار التقييمات ومجموعات البيانات). قُدّمت الورقة في 24 Jul 2026 (v1)؛ وآخر مراجعة كانت في 18 Oct 2026 (v3). arXiv:2607.22280.
مستودع المعيار المرجعي ومجموعة البيانات متاحان عبر الرابط this https URL. يتيح ذلك إعادة إنتاج التقييم ومقارنة النماذج بنتائج المعيار.
الخلاصة: المعيار متاح للاختبار العملي. المعيار العملي: استخدام المستودع أساسًا لإجراء مقارنة قابلة لإعادة الإنتاج.
الأسئلة المتكررة
المواد ذات الصلة
جميع المواد
الثوابت كثيرة الحدود القانونية في تشخيص أعطال محاكيات التعلم المعزز: أين تكون مفيدة حقًا
تبحث الدراسة مدى جدوى إدراج القوانين الفيزيائية في نماذج الديناميكيات المتعلَّمة: فالثوابت المستخلصة من المسارات والمحوَّلة إلى صيغة معيارية باستخدام قواعد غروبينر تحقق تحسناً متواضعاً في التنبؤات، لكنها فعّالة في التشخيص، إذ تتيح تحديد موضع القيد المنتهك والكشف عن المعلمة الخاطئة بعينها.
10 نوفمبر 2026
AURA-Eval: كيفية التحقق من أن وكيل LLM قد أدرك المخاطر وغيّر خطوته التالية
يقيّم هذا الإطار سلوك وكلاء LLM لا استنادًا إلى الحكم النهائي، بل إلى استجابتهم للمخاطر عند نقاط محورية: إذ تُقطع مسارات استدعاء الأدوات، ثم يُطلب من النموذج مواصلة الاستدلال والتصرف، بينما تحلل لجنة من محكّمي LLM رصد المخاطر وطبيعة الخطوة ومدى أمانها. وفي 1249 مهمة جُمعت من 157 مسارًا لـ R-Judge، ازداد تواتر التصرفات غير الآمنة لدى 20 نموذجًا عند غياب مسار آمن، كما أدى رفع الإشراف قبل التنفيذ إلى تحويل 52,3% من الحالات الآمنة في الأصل إلى حالات غير آمنة.
10 نوفمبر 2026
ذاكرة خزان تشيرن-سايمونز: ديناميكيات الترابط الذاتية ونقل الكثافة
تتناول المقالة كيفية احتفاظ الخزان بتاريخ الإشارات الواردة في كلٍّ من توزيع الكثافة ودرجات الحرية الهندسية. وتُظهر مقارنة أربعة آليات أن التيار ينشئ مكوّنًا منفصلًا من مكوّنات الاتصال، يغيّر استجابة الكثافة لاحقًا، وأن أخذ جميع السمات المقاسة في الحسبان يحقق تحسنًا طفيفًا في فك ترميز ترتيب النبضات.
10 نوفمبر 2026