تُشكّل التوزيعات الهيكلية المتناثرة (الانفصال) والخصائص المتغيرة للتشتت (التنوع) للأجسام الطائرة في صور الرادار ذات التداخل المزدوج (SAR) تحديات خاصة في الكشف عن الأهداف والتمييز بينها. وتواجه النماذج القائمة على التعلم العميق حالياً صعوبات في التمييز بين الطائرات ذات التفاصيل الدقيقة في خلفيات معقدة. ولحل هذه المشكلة، نقترح نموذجًا جديدًا للتعلم يُدعى "الكDetector الموجه بالفيزياء" (PGD)، والذي يدرس بشكل شمولي خصائص الانفصال والتنوع في الطائرات ذات صور SAR بهدف تحسين أداء الكشف. ويُعد هذا النموذج منهجية تعلم عامة يمكن توسيعها لتعمل مع مختلف النماذج القائمة على التعلم العميق ذات البنية المكونة من "الهيكل الرئيسي - الرقبة - الرأس" (backbone-neck-head). وتتمثل المساهمات الرئيسية لـ PGD في التعلم الذاتي الموجه بالفيزياء (PGSSL)، وتحسين الميزات (PGFE)، وفهم المثيلات (PGIP)، على التوالي. يهدف PGSSL إلى بناء مهمة تعلم ذاتي تعتمد على مجموعة واسعة من الطائرات ذات صور SAR، بهدف تضمين المعرفة السابقة حول توزيعات الهياكل المتناثرة في الفضاء المُضمَّن. ثم يُستخدم PGFE لتعزيز تمثيل الميزات متعددة المقاييس في النموذج، وذلك بمراعاة المعلومات المُستمدة من PGSSL التي تراعي الجوانب الفيزيائية. أما PGIP، فيُبنى في جزء الكشف (الرأس) لتعلم نقاط التشتت الدقيقة والرئيسية لكل مثيل من الطائرات، مما يقلل من تأثير الخلفيات المعقدة. وقد قمنا بتطوير نسختين من التطبيق، وهما PGD وPGD-Lite، وطبّقناهما على مجموعة متنوعة من النماذج القائمة على التعلم العميق التي تستخدم هيكلًا رئيسيًا ورأسًا مختلفين. وأظهرت التجارب مرونة وفعالية النموذج المقترح، حيث تمكّن من تحسين أداء النماذج الحالية في مهام الكشف عن الطائرات ذات التصنيف الدقيق (بتحسين يصل إلى 3.1% في mAP)، وحقق أداءً رائدًا في مجال التحديات الحالية على مجموعة بيانات SAR-AIRcraft-1.0 (بنسبة 90.7% في mAP). ويُتاح المشروع مفتوح المصدر عبر الرابط: \url{https://github.com/XAI4SAR/PGD}.