LatticaBOltzmna

انضم إلى مجتمع DEEPLBMNet

ابقَ على اطلاع بأحدث التطورات في مجال الذكاء الاصطناعي المستوحى من الفيزياء. وتلقَّ إشعارات حول أحدث المنشورات العلمية، والمعماريات المبتكرة، وإصدارات البرمجيات مفتوحة المصدر، والإنجازات البحثية، وفرص التعاون العلمي.

تسليط الضوء على أحدث معمارية مُعتمدة من DEEPLBMNet.

- U-LBMNet: تجزئة الصور الطبية ثلاثية الأبعاد

يُعد U-LBMNet معمارية ثلاثية الأبعاد من نوع المُرمِّز–فك الترميز (Encoder–Decoder) مستوحاة من الفيزياء، ومصممة لتجزئة الصور الطبية الحجمية. واستلهامًا من تصميم الشبكات ذات البنية U ومن طريقة بولتزمان الشبكية (Lattice Boltzmann Method - LBM)، يدمج النموذج معاملات التصادم (Collision) والبث (Streaming) القابلة للتعلّم ضمن إطار هرمي متعدد المقاييس، مما يتيح استخراج البنى التشريحية بدقة عالية من الصور الطبية ثلاثية الأبعاد. يلتقط المُرمِّز تدريجيًا المعلومات السياقية المحلية والعالمية، بينما يعيد فك الترميز بناء خرائط التجزئة عالية الدقة من خلال وصلات التخطي (Skip Connections) التي تحافظ على التفاصيل المكانية الدقيقة.
وعلى خلاف شبكات الالتفاف ثلاثية الأبعاد التقليدية، يدمج U-LBMNet آليات انتشار السمات المعتمدة على الشبكة (Lattice-Based Feature Propagation)، وتحويلات العزوم (Moment Transformations)، وتدفق المعلومات المستوحى من المبادئ الفيزيائية، بهدف تحسين تمثيل السمات وتعزيز الاتساق المكاني طوال عملية التجزئة. ويتيح هذا التصميم للنموذج تعلّم الأنماط التشريحية المعقدة ثلاثية الأبعاد بكفاءة، مع الحفاظ على كفاءة حسابية عالية ومتانة في الأداء.
تُعد هذه المعمارية مناسبةً لمجموعة واسعة من تقنيات التصوير الطبي الحجمي، بما في ذلك التصوير المقطعي المحوسب (CT)، والتصوير بالرنين المغناطيسي (MRI)، والتصوير المقطعي المحوسب بالحزمة المخروطية (CBCT)، والتصوير بالموجات فوق الصوتية ثلاثي الأبعاد. وتشمل تطبيقاتها النموذجية تجزئة الأعضاء، وتحديد حدود الأورام، واكتشاف الآفات، وتجزئة الأوعية الدموية، وتخطيط العلاج الإشعاعي، والتوجيه الجراحي، ومتابعة تطور الأمراض، والتشخيص بمساعدة الحاسوب.صُمِّمت U-LBMNet كإطار عمل مرن يمكن تكييفه مع مختلف مهام تجزئة الصور الطبية السريرية، وذلك من خلال تعديل تكوين الشبكة (Lattice)، وعمق المُرمِّز (Encoder)، وقدرة وحدة فك الترميز (Decoder)، وآليات الانتباه (Attention)، مع الحفاظ على المبادئ الأساسية التي تقوم عليها عائلة LBMNet. كما يسهّل تصميمها المعياري دمج مكوّنات متقدمة، مثل معاملات الاسترخاء المتعدد (Multiple-Relaxation-Time - MRT)، ووحدات الانتباه المعتمدة على الشبكة (Lattice Attention Modules)، واستراتيجيات دمج السمات متعددة المقاييس (Multi-Scale Feature Fusion)، مما يعزز أداء النموذج ومرونته في مختلف التطبيقات الطبية.

الحالة: BRATS_001.nii.gz

حالة الاختبار: BRATS_004.nii.gz

ترميم الصور

يُعد DEEPLBMNet لترميم الصور معماريةً للتعلّم العميق مستوحاة من الفيزياء، صُمِّمت لإعادة بناء الأجزاء المفقودة أو المتضررة في الصور بالاعتماد على مبادئ طريقة بولتزمان الشبكية (Lattice Boltzmann Method - LBM). وبدلاً من الاعتماد فقط على عمليات الالتفاف (Convolution) التقليدية، يستخدم DEEPLBMNet آليات البث (Streaming) والتصادم (Collision) وحسابات العزوم (Moment Computations) المعتمدة على الشبكة لنقل المعلومات البنيوية والسياقية عبر المناطق المتضررة. ويُمكّن هذا الإطار المستوحى من الفيزياء النموذج من الحفاظ على الحواف والأنسجة والتفاصيل الدقيقة، مع إنتاج صور مُعاد بناؤها تتميز بالاتساق البصري والجودة العالية. وبفضل تصميمه الخفيف، والقابل للتفسير، والقابل للتوسّع، يُعد DEEPLBMNet حلاً فعالًا لترميم الصور في العديد من التطبيقات، مثل تحرير الصور، والتصوير الطبي، والاستشعار عن بُعد، والحفاظ على التراث الثقافي.

اكتشاف الأجسام

يُعد DEEPLBMNet لاكتشاف الأجسام معماريةً لاكتشاف الأجسام مستوحاةً من الفيزياء، تعتمد على مبادئ طريقة بولتزمان الشبكية (Lattice Boltzmann Method - LBM) لتحديد مواقع الأجسام وتصنيفها بدقة داخل الصور. ومن خلال دمج آليات البث (Streaming) والتصادم (Collision) وحسابات العزوم (Moment Computations) المعتمدة على الشبكة ضمن عملية استخراج السمات، يتمكن DEEPLBMNet من التقاط البنى المحلية والمعلومات السياقية العالمية بكفاءة عالية. ويتميز النموذج بتصميم خفيف، وقابل للتفسير، وقابل للتوسّع، مما يتيح أداءً قويًا في اكتشاف الأجسام مع كفاءة حسابية مرتفعة، ويجعله مناسبًا لمجموعة واسعة من التطبيقات، مثل القيادة الذاتية، والتصوير الطبي، والاستشعار عن بُعد، والفحص الصناعي، وأنظمة المراقبة الذكية.

تصنيف الصور

يُعد DEEPLBMNet لتصنيف الصور معماريةً للتعلّم العميق مستوحاةً من الفيزياء، تطبّق مبادئ طريقة بولتزمان الشبكية (Lattice Boltzmann Method - LBM) في مهام تصنيف الصور. ومن خلال دمج آليات البث (Streaming) والتصادم (Collision) وحسابات العزوم (Moment Computations) المعتمدة على الشبكة ضمن عملية التعلّم الهرمي للسمات، يتمكن النموذج من استخلاص تمثيلات مكانية واتجاهية غنية وفعّالة. ويتميز DEEPLBMNet بتصميمه الخفيف، والقابل للتفسير، والقابل للتوسّع، مما يجعله بديلاً كفؤًا لشبكات الالتفاف العصبية التقليدية، مع توفير أداءٍ دقيق في تصنيف الصور عبر مجموعة واسعة من تطبيقات الرؤية الحاسوبية.

التعرّف على الوجوه

يُعد DEEPLBMNet للتعرّف على الوجوه معماريةً للتعلّم العميق مستوحاةً من الفيزياء، تعتمد على مبادئ طريقة بولتزمان الشبكية (Lattice Boltzmann Method - LBM) لتعلّم تمثيلات وجهية قوية وموثوقة. ومن خلال دمج آليات البث (Streaming) والتصادم (Collision) وحسابات العزوم (Moment Computations) المعتمدة على الشبكة، يتمكن النموذج من استخراج سمات وجهية مميّزة مع الحفاظ على التفاصيل المحلية والبنية الهيكلية العامة للوجه. ويتميز DEEPLBMNet بتصميمه الخفيف، والقابل للتفسير، والقابل للتوسّع، مما يوفر حلاً فعالًا للتعرّف الدقيق على الوجوه في ظل اختلاف أوضاع الوجه، والإضاءة، وتعبيرات الوجه، وحالات الحجب أو الإخفاء. ولذلك، فهو مناسب لمجموعة واسعة من التطبيقات، مثل المصادقة البيومترية، والتحكم في الوصول، وأنظمة المراقبة، والتحقق من الهوية.

تلوين الصور

يُعد DEEPLBMNet لتلوين الصور معماريةً للتعلّم العميق مستوحاةً من الفيزياء، تعمل على تحويل الصور ذات التدرج الرمادي تلقائيًا إلى صور ملونة واقعية بالاعتماد على مبادئ طريقة بولتزمان الشبكية (Lattice Boltzmann Method - LBM). ومن خلال دمج آليات البث (Streaming) والتصادم (Collision) وحسابات العزوم (Moment Computations) المعتمدة على الشبكة ضمن عملية تعلّم السمات، يتمكن النموذج من استخراج المعلومات الدلالية والبنيوية والسياقية بكفاءة، مما يتيح توليد ألوان طبيعية ومتناسقة بصريًا. ويتميز DEEPLBMNet بتصميمه الخفيف، والقابل للتفسير، والقابل للتوسّع، مما يجعله حلاً فعالًا لتلوين الصور في مجموعة واسعة من التطبيقات، مثل ترميم الصور التاريخية، والتصوير الطبي، وتحسين الوسائط الرقمية، وتحرير الصور.

تجزئة الصور الطبية

يُعد DEEPLBMNet لتجزئة الصور الطبية معماريةً للتعلّم العميق مستوحاةً من الفيزياء، تعتمد على مبادئ طريقة بولتزمان الشبكية (Lattice Boltzmann Method - LBM) لتجزئة البنى التشريحية والمناطق المرضية بدقة في الصور الطبية. ومن خلال دمج آليات البث (Streaming) والتصادم (Collision) وحسابات العزوم (Moment Computations) المعتمدة على الشبكة مع التعلّم الهرمي للسمات، يتمكن النموذج من التقاط التفاصيل التشريحية الدقيقة والمعلومات السياقية الشاملة بكفاءة عالية. ويتميز DEEPLBMNet بتصميمه الخفيف، والقابل للتفسير، والقابل للتوسّع، مما يتيح إجراء تجزئة دقيقة وفعّالة عبر مجموعة واسعة من أنماط التصوير الطبي، بما في ذلك التصوير بالرنين المغناطيسي (MRI)، والتصوير المقطعي المحوسب (CT)، والتصوير بالموجات فوق الصوتية، والأشعة السينية (X-ray)، مما يدعم تطبيقات التشخيص بمساعدة الحاسوب، وتخطيط العلاج، واتخاذ القرارات السريرية.

رفع دقة الصور

يُعد DEEPLBMNet لرفع دقة الصور معماريةً للتعلّم العميق مستوحاةً من الفيزياء، تعمل على إعادة بناء صور عالية الدقة انطلاقًا من صور منخفضة الدقة بالاعتماد على مبادئ طريقة بولتزمان الشبكية (Lattice Boltzmann Method - LBM). ومن خلال دمج آليات البث (Streaming) والتصادم (Collision) وحسابات العزوم (Moment Computations) المعتمدة على الشبكة ضمن عملية استخراج السمات، يتمكن النموذج من استعادة القوامات الدقيقة، والحواف الحادة، والتفاصيل البنيوية مع الحفاظ على الاتساق البصري للصورة. ويتميز DEEPLBMNet بتصميمه الخفيف، والقابل للتفسير، والقابل للتوسّع، مما يجعله حلاً فعالًا لرفع دقة الصور في مجموعة واسعة من التطبيقات، بما في ذلك التصوير الطبي، والاستشعار عن بُعد، وأنظمة المراقبة، والتصوير الرقمي.

إزالة الضوضاء من صور الرنين المغناطيسي الطبية

يُعد DEEPLBMNet لإزالة الضوضاء من صور الرنين المغناطيسي الطبية معماريةً للتعلّم العميق مستوحاةً من الفيزياء، صُممت لإزالة الضوضاء من صور التصوير بالرنين المغناطيسي (MRI) مع الحفاظ على البنى التشريحية الدقيقة والتفاصيل التشخيصية المهمة. ومن خلال توظيف مبادئ طريقة بولتزمان الشبكية (Lattice Boltzmann Method - LBM) عبر دمج آليات البث (Streaming) والتصادم (Collision) وحسابات العزوم (Moment Computations) المعتمدة على الشبكة، يتمكن النموذج من تقليل الضوضاء بكفاءة مع الحفاظ على وضوح الصورة وحدود الأنسجة. ويتميز DEEPLBMNet بتصميمه الخفيف، والقابل للتفسير، والقابل للتوسّع، مما يجعله حلاً فعالًا لتحسين جودة صور الرنين المغناطيسي، بما يدعم تحسين عرض الصور الطبية، ورفع دقة التشخيص، وتعزيز أداء مراحل تحليل الصور الطبية اللاحقة.

Journal Articles

- A Lattice Boltzmann Method for Image Inpainting Inspired by Fluid Dynamics
Authors: Yassine Douich, et al.Journal: European Journal of Pure and Applied MathematicsYear: 2025DOI:10.29020/nybg.ejpam.v18i3.6192- Eikonal equation solved with a novel Lattice Boltzmann method framework
Authors: Yassine Douich, et al.Journal: Numerical AlgorithmsYear:2026DOI:10.1007/s11075-026-02378-9- Radial Basis Function Neural Networks for Collision Learning and Mask Detection in Image Inpainting
Authors: Yassine Douich, et al.Conference paper:Communications in Computer and Information Science ((CCIS,volume 2817)).DOI: 10.1007/978-3-032-16281-6_10

Manuscripts Under Review

- Neural Collision Learning for Image Inpainting via LBM Transport and CNN Mask Detection
Authors: Yassine Douich, et al.Journal:Signal, Image and Video Processing.Year:2026
- An Artificial Intelligence Architecture Based on Lattice Boltzmann Dynamics for Image Inpainting
Authors: Yassine Douich, et al.Journal:IEEE Transactions on Artificial IntelligenceYear:2026
- From Convolution to Transport: A Lattice Boltzmann Reformulation of Deep Neural Networks
Authors: Yassine Douich, et al.Journal: IEEE AccessYear:2026

Research Areas

- Physics-Inspired Deep Learning
- Lattice Boltzmann Neural Networks (LBMNet)
- Computer Vision
- Medical Image Analysis
- Image Restoration and Inpainting
- Image Segmentation
- Image Super-Resolution
- Image Colorization
- Object Detection
- Face Recognition
- Pattern Recognition
- Scientific Machine Learning (SciML)
- Partial Differential Equations (PDEs)
- Fluid Dynamics-Inspired AI
- Medical Imaging
- AI for Healthcare
- Explainable and Efficient AI

Our Vision

We believe that future AI systems should not only achieve high performance but also incorporate scientific knowledge into their design. LBMNet aims to establish a new family of neural architectures inspired by the dynamics of the Lattice Boltzmann Method, offering improved efficiency, robustness, and physical interpretability for a wide range of computer vision and scientific computing tasks.

Current Research

Our ongoing research explores novel LBMNet architectures for:
- Image Inpainting

- Medical Image Segmentation

- MRI Denoising

- Super-Resolution

- Object Detection

- Image Classification

- Face Recognition

- Image Colorization

- Scientific Simulation

- PDE Learning and Solvers

Several research projects are currently under development and will be published in international journals and conferences as they become available.

Open Research

LBMNet is an active research initiative. We welcome collaborations with universities, research laboratories, industry partners, and students interested in physics-informed AI, computer vision, medical imaging, and scientific machine learning. Together, we aim to advance the future of intelligent systems through innovative, mathematically grounded neural architectures.

Founder of DEEPLBMNet

Ph.D. Candidate in Computer Science

Vision

To establish LBMNet as a global reference for physics-inspired artificial intelligence by developing innovative deep learning architectures grounded in the mathematical principles of the Lattice Boltzmann Method.

Mission

- Advance the frontiers of Physics-Inspired Artificial Intelligence.
- Develop novel Lattice Boltzmann-based neural architectures.
- Bridge numerical physics and modern deep learning.
- Promote open scientific research and reproducible AI.
- Support researchers, students, and engineers through open-source software, publications, and educational resources.
- Foster international collaborations in Artificial Intelligence and Scientific Computing.

Research Areas

- Physics-Inspired Artificial Intelligence
- Scientific Machine Learning
- Lattice Boltzmann Deep Learning
- Computer Vision
- Medical Image Analysis
- Image Restoration and Inpainting
- Image Segmentation
- Biomedical Signal Processing
- Time-Series Forecasting
- Scientific Computing
- Numerical Methods for Partial Differential Equations

CV

For additional information regarding my academic background, research experience, publications, technical skills, and professional achievements, please refer to my complete Curriculum Vitae. The CV provides a comprehensive overview of my education, research activities, scientific contributions, and ongoing projects within the LBMNet framework.

CV

Stay Updated with the Latest Developments

Welcome to the LBMNet News page. Here you will find the latest updates on our research, new architectures, scientific publications, collaborations, software releases, and upcoming events. Follow our journey as we continue advancing physics-inspired artificial intelligence based on the Lattice Boltzmann Method.

LBMNet Website Officially Launched

he official LBMNet website is now online, providing access to our research vision, architectures, applications, and future scientific contributions.

New LBMNet Architectures

Several new LBMNet architectures have been developed for applications including image classification, semantic segmentation, image inpainting, super-resolution, medical image analysis, cybersecurity, natural language processing, and object detection.

Research Papers in Progress

Multiple LBMNet research papers are currently under review or in preparation for publication in international scientific journals. Additional results and resources will be released after publication.

Expanding Research Applications

LBMNet is being explored across multiple domains, including computer vision, medical imaging, cybersecurity, scientific computing, remote sensing, and artificial intelligence for healthcare.

Join Our Community

We welcome researchers, students, and collaborators interested in physics-inspired AI. Feel free to contact us for collaborations, discussions, or research opportunities

Coming Soon

Scientific publications Open-source implementations
Experimental benchmarks
Tutorials and demonstrations
Research collaborations
New LBMNet architectures

Stay Connected

More exciting updates are coming soon as LBMNet continues to evolve.

Advancing Physics-Inspired Artificial Intelligence

LBMNet is an independent research initiative dedicated to developing the next generation of physics-inspired deep learning architectures based on the Lattice Boltzmann Method (LBM). Our mission is to bridge computational physics and artificial intelligence to create innovative, interpretable, and efficient solutions for real-world challenges.

Why Donate?

Your contribution directly supports:

Development of new LBMNet architectures
GPU cloud computing and computational resources
Scientific publications and open research
AI research in medical imaging, computer vision, NLP, cybersecurity, robotics, and scientific computing
Building an open and collaborative research ecosystem

Every donation, regardless of its size, helps move the project forward.

Make a Contribution

Choose any amount you'd like to contribute. 5$ — Support the Project 10$ — AI Research 20$— GPU Computing 50$ — LBMNet Development 100$ — Research Sponsor Custom Amount

Secure payment via PayPal.

Transparency

All donations are used exclusively to support the development of LBMNet, including computational resources, research activities, software development, scientific publications, and educational content.

LBMNet for classification

Deep LBM-Based Neural Network is a physics-inspired deep learning architecture that replaces conventional convolutional operations with Lattice Boltzmann dynamics. By integrating streaming, collision, and moment computation into a hierarchical framework, the network efficiently learns multi-scale feature representations while maintaining high computational efficiency and interpretability for image classification tasks.

Quantum LBMNet for clasification

Quantum-LBMNet is a novel quantum-inspired extension of LBMNet that processes images using complex-valued (real and imaginary) feature representations and lattice Boltzmann dynamics. By combining physics-inspired computation with quantum-inspired encoding, the architecture efficiently captures directional and spatial information before generating compact feature representations for accurate image classification. Its lightweight design offers an excellent balance between computational efficiency, scalability, and predictive performance.

LBMNet for Natural Language Processing (NLP)

LBMNet for Natural Language Processing (NLP) is a physics-inspired neural architecture that extends the principles of the Lattice Boltzmann Method to language understanding and generation. By combining multi-scale LBM encoding, moment-based feature extraction, and attention mechanisms, the network effectively captures local and global linguistic dependencies. Its hierarchical design enables efficient representation learning for a wide range of NLP tasks, including text classification, machine translation, sentiment analysis, question answering, and next-word prediction.

Attention U-LBMNet for image inpainting

Attention U-LBMNet is a U-shaped Lattice Boltzmann neural network designed for image inpainting. The architecture combines LBM-based encoder and decoder blocks with attention mechanisms to effectively reconstruct missing image regions while preserving structural details and textures. Skip connections and attention gates enable efficient feature fusion across multiple scales, resulting in accurate and visually coherent image restoration. Its physics-inspired design provides an interpretable, scalable, and efficient framework for image reconstruction and related image restoration tasks.

U-LBMNet

U-LBMNet is a U-shaped neural network architecture that integrates the principles of the Lattice Boltzmann Method into an encoder–decoder framework for dense image prediction tasks. By replacing conventional feature extraction with LBM streaming, collision, and moment operations, the network efficiently learns hierarchical multi-scale representations while preserving fine spatial details through skip connections. Its physics-inspired design provides an interpretable, scalable, and computationally efficient solution for semantic segmentation, medical image analysis, and other pixel-level computer vision applications.

MRT-LBMSegNet-Att

MRT-LBMSegNet-Att is a physics-inspired semantic segmentation architecture that combines Multi-Relaxation-Time (MRT) Lattice Boltzmann blocks with attention mechanisms in an encoder–decoder framework. By integrating MRT collision dynamics, lattice-based feature propagation, and multi-scale attention, the network effectively captures both local details and global contextual information. Skip connections preserve fine spatial features, enabling accurate and robust segmentation while maintaining high computational efficiency and interpretability across a wide range of medical and computer vision applications.

Fast Quantum-LBM-SR

Fast Quantum-LBM-SR is a physics-inspired image super-resolution architecture that integrates quantum-inspired Lattice Boltzmann dynamics with deep learning to reconstruct high-resolution images from low-resolution inputs. By combining streaming, MRT collision, moment computation, and efficient reconstruction within a lightweight framework, the network effectively restores fine textures and structural details while maintaining low computational complexity. Its scalable and interpretable design provides an efficient alternative to conventional super-resolution models for both natural and medical imaging applications.

LBMNet_cybersecurity

LBMNet-D2Q9 is a physics-inspired intrusion detection architecture that applies the principles of the Lattice Boltzmann Method to cybersecurity. By combining D2Q9 lattice encoding, streaming, Multi-Relaxation-Time (MRT) collision, and moment-based feature extraction, the network effectively learns complex traffic patterns for accurate attack detection and classification. Its lightweight and interpretable design provides a scalable and efficient solution for modern network intrusion detection systems, delivering robust performance across diverse cyberattack scenarios.

Graph-MRT-LBMNet

Graph-MRT-LBMNet is a physics-inspired graph neural network that combines graph representation learning with Multi-Relaxation-Time (MRT) Lattice Boltzmann dynamics for cybersecurity applications. By integrating graph-based information propagation, MRT collision, and moment-based feature extraction, the architecture effectively captures complex relationships between network connections for accurate intrusion detection. Its scalable and interpretable design provides a robust and efficient framework for detecting cyber threats in modern network environments.

Getting Started

Learn the fundamentals of LBMNet, its philosophy, and the core concepts behind physics-inspired deep learning based on the Lattice Boltzmann Method.

Installation

Follow the installation guide to set up the required environment, dependencies, and software needed to run LBMNet models.

Architecture Overview

Discover the design principles of LBMNet and understand how Lattice Boltzmann dynamics are integrated into modern neural network architectures.

Tutorials

Step-by-step tutorials demonstrate how to train, evaluate, and apply LBMNet to different computer vision and scientific computing tasks.

Model Zoo

Browse available LBMNet architectures, including models for image restoration, segmentation, object detection, classification, super-resolution, and other AI applications.

Datasets

Access information about the datasets commonly used for training and evaluating LBMNet models, along with recommended preprocessing procedures.

API Reference

Explore the complete API documentation, including modules, classes, functions, parameters, and usage examples for developers.

Examples

A collection of practical examples illustrates how to use LBMNet in real-world projects, from research experiments to production-ready applications.

Performance Benchmarks

Compare the performance of LBMNet models across different datasets and tasks using standard evaluation metrics.

Frequently Asked Questions

Find answers to common questions regarding installation, training, inference, troubleshooting, and best practices.

Contributing

We encourage contributions from the research and open-source communities. Whether you are reporting bugs, improving documentation, or developing new LBMNet modules, your contributions are welcome.

Support

If you encounter any issues or have questions about LBMNet, please visit the Help & Support page or contact the development team.

Documentation Status

The LBMNet documentation is continuously evolving. New tutorials, examples, APIs, research updates, and implementation guides will be added regularly as the framework grows and new architectures become available.