🔬 applied physics

A Fast Algorithm for the Finite Expression Method in Learning Dynamics on Complex Networks

यह शोध पत्र फाइनाइट एक्सप्रेशन मेथड (FEX) और इसके फास्ट स्टोकेस्टिक एल्गोरिदम को प्रस्तुत करता है, जो जटिल नेटवर्क पर गतिकी (dynamics) के लिए गवर्निंग समीकरणों को कुशलतापूर्वक और सटीक रूप से खोजने के लिए सुदृढीकरण शिक्षण-निर्देशित (reinforcement learning-guided) बाइनरी ट्री का उपयोग करते हैं, जिससे कम्प्यूटेशनल जटिलता $O(N^2)$ से घटकर $O(N)$ हो जाती है।

मूल लेखक: Zezheng Song, Chunmei Wang, Haizhao Yang

प्रकाशित 2026-01-22

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zezheng Song, Chunmei Wang, Haizhao Yang

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक जासूस हैं जो एक विशाल, अराजक डांस पार्टी के गुप्त नियमों को समझने की कोशिश कर रहे हैं। आप हजारों लोगों (नोड्स) को इधर-उधर घूमते, एक-दूसरे से टकराते और संगीत पर प्रतिक्रिया करते देख सकते हैं। आपके पास उनकी गतिविधियों का एक वीडियो रिकॉर्डिंग (टाइम-सीरीज डेटा) है, लेकिन आप न तो गाना जानते हैं, न ही कोरियोग्राफी, और न ही वे विशिष्ट नियम जो बताते हैं कि प्रत्येक व्यक्ति को आगे कैसे हिलना है।

आपका लक्ष्य वह सटीक "नुस्खा" या गणितीय समीकरण लिखना है जो यह समझा सके कि हर कोई उसी तरह क्यों नाच रहा है। वैज्ञानिक इसे कॉम्प्लेक्स नेटवर्क पर डायनेमिक्स सीखना (learning dynamics on complex networks) कहते हैं।

यहाँ यह पेपर इस समस्या और उनके नए समाधान, फाइनाइट एक्सप्रेशन मेथड (FEX) को सरल उपमाओं (analogies) का उपयोग करके कैसे समझाता है, दिया गया है।

समस्या: एक बहुत बड़ा पहेली (A Too-Huge Puzzle)

अतीत में, हजारों लोगों के नेटवर्क के लिए इन नियमों को समझना एक ऐसी पहेली को हल करने जैसा था जहाँ हर एक व्यक्ति को एक ही समय में अन्य सभी लोगों से बात करनी पड़ती थी।

गणितीय दुःस्वप्न (The Math Nightmare): यदि आपके पास 1,000 लोग हैं, और हर कोई हर किसी के साथ बातचीत करता है, तो आपको हर एक क्षण में दस लाख से अधिक अंतःक्रियाओं (interactions) की गणना करनी होगी। यह बड़े समूहों के लिए कम्प्यूटेशनल रूप से असंभव है (यह एक $O(N^2)$ समस्या है)।
"ब्लैक बॉक्स" की समस्या (The "Black Box" Issue): पुराने कंप्यूटर तरीके (जैसे डीप लर्निंग) नाचने के स्टेप्स का अनुमान तो लगा सकते थे, लेकिन वे एक "ब्लैक बॉक्स" की तरह काम करते थे। वे आपको उत्तर तो दे देते थे, लेकिन आप यह नहीं देख पाते थे कि वे वहाँ तक कैसे पहुँचे। आप उस नियम पुस्तिका को नहीं पढ़ सकते थे जिसे उन्होंने बनाया था।
शोर वाला डेटा (Noisy Data): वास्तविक दुनिया में, आपकी वीडियो रिकॉर्डिंग धुंधली हो सकती है, फ्रेम गायब हो सकते हैं, या उसमें स्टैटिक (शोर) हो सकता है। पुराने तरीके इसमें भ्रमित हो जाते थे और नकली नियम बना लेते थे।

समाधान: FEX (लेगो आर्किटेक्ट)

लेखक एक नया तरीका पेश करते हैं जिसे FEX कहा जाता है। अंधेरे में अनुमान लगाने या ब्लैक बॉक्स का उपयोग करने के बजाय, FEX नियमों को लेगो ब्लॉक्स (Lego blocks) से बनाता है।

बाइनरी ट्री (द ब्लूप्रिंट - The Blueprint):
कल्पना कीजिए कि एक व्यक्ति कैसे हिलता है, इसका नियम एक पेड़ की तरह बनाया गया है।
- पत्तियाँ (Leaves): ये इनपुट हैं (जैसे "वर्तमान स्थिति" या "गति")।
- शाखाएँ (Branches): ये सरल गणितीय उपकरण हैं (जैसे "जोड़ना", "गुणा करना", "साइन (sine)", या "एक्सपोनेंशियल")।
- तना (Trunk): यह अंतिम समीकरण है।
  FEX केवल एक बार में पूरा समीकरण नहीं खोजता। यह टुकड़ों में एक समीकरण बनाता है, यह तय करता है कि कौन सा लेगो ब्लॉक (मैथ ऑपरेटर) कहाँ जाएगा।
रीइन्फोर्समेंट लर्निंग कोच (The Reinforcement Learning Coach):
FEX को कैसे पता चलता है कि कौन से लेगो ब्लॉक्स चुनने हैं? यह एक "कोच" (एक न्यूरल नेटवर्क) का उपयोग करता है जो रीइन्फोर्समेंट लर्निंग द्वारा प्रशिक्षित है।
- कोच को एक गेम प्लेयर की तरह समझें। यह एक ट्री स्ट्रक्चर बनाने की कोशिश करता है।
- यदि ट्री नृत्य की गतिविधियों की सही भविष्यवाणी करता है, तो कोच को एक "पुरस्कार" (reward) मिलता है।
- यदि यह विफल होता है, तो कोच सीखता है और अगली बार ब्लॉक्स के अलग संयोजन को आज़माता है।
- समय के साथ, कोच नृत्य का वर्णन करने के लिए गणितीय उपकरणों के सही संयोजन को चुनने में बहुत कुशल हो जाता है।
"स्टोकेस्टिक" शॉर्टकट (द सैंपलिंग ट्रिक - The "Stochastic" Shortcut):
यह "फास्ट एल्गोरिदम" वाला हिस्सा है।
- पुराना तरीका: यह जाँचने के लिए कि कोई नियम अच्छा है या नहीं, आपको कमरे में मौजूद हर एक जोड़े के लिए यह देखना पड़ता था कि वह कैसे काम करता है। इसमें बहुत समय लगता था।
- FEX का तरीका: लेखकों ने महसूस किया कि आपको एक साथ सभी को जाँचने की आवश्यकता नहीं है। आप लोगों का एक यादृच्छिक छोटा समूह (एक "बैच") चुन सकते हैं, उन पर नियम की जाँच कर सकते हैं, और कोच को अपडेट कर सकते हैं।
- उपमा: कल्पना कीजिए कि आप सूप के एक नए नुस्खे का परीक्षण कर रहे हैं। पूरे विशाल बर्तन को चखने के बजाय (जिसमें बहुत समय लगता है), आप एक यादृच्छिक स्थान से एक चम्मच लेते हैं। यदि इसका स्वाद अच्छा है, तो आप मान लेते हैं कि पूरा बर्तन अच्छा है। ऐसा करके, FEX लाखों जोड़ों की जाँच करने के बजाय केवल कुछ सौ की जाँच करके प्रक्रिया को तेज कर देता है, जिससे यह लीनियर (linear) (बहुत तेज़) हो जाता है न कि क्वाड्रेटिक (धीमा)।

उन्होंने क्या सिद्ध किया?

लेखकों ने इस "लेगो आर्किटेक्ट" का परीक्षण तीन प्रसिद्ध प्रकार के जटिल सिस्टम (सिम्युलेटेड नेटवर्क) पर किया:

न्यूरॉन्स का सक्रिय होना (Firing neurons) (हिंडमार्श-रोज मॉडल)।
न्यूरॉन्स का रिकवरी करना (Recovering neurons) (फिटज़ह्यू-नागोलो मॉडल)।
अराजक ऑसिलेटर (Chaotic oscillators) (रोस्लर मॉडल)।

परिणाम:

सटीकता (Accuracy): FEX ने इन सिस्टम्स के सटीक गणितीय नियमों (उनका "नुस्खा") को खोज निकाला, भले ही डेटा शोर भरा हो या उसमें कुछ हिस्से गायब हों।
व्याख्यात्मकता (Interpretability): "ब्लैक बॉक्स" तरीकों के विपरीत, FEX ने उन्हें एक स्पष्ट, पठनीय समीकरण दिया। आप वास्तव में उस गणित को पढ़ सकते हैं जो इसने खोजा है।
गति (Speed): "सैंपलिंग ट्रिक" का उपयोग करके, FEX बिना क्रैश हुए बड़े नेटवर्क को संभाल सकता था।
मजबूती (Robustness): यहाँ तक कि यदि उन्होंने नेटवर्क में नकली कनेक्शन जोड़ दिए या वास्तविक कनेक्शन हटा दिए (खराब डेटा का अनुकरण करते हुए), तब भी FEX ने सही नियमों को खोज निकाला।

सारांश

संक्षेप में, यह पेपर जटिल प्रणालियों के प्राकृतिक नियमों को रिवर्स-इंजीनियर करने का एक नया तरीका प्रस्तुत करता है। अंधेरे में अनुमान लगाने या धीमी गणनाओं में फंसने के बजाय, लेखकों ने एक स्मार्ट सिस्टम बनाया है जो गणितीय नियमों को लेगो ब्लॉक्स की तरह जोड़ता है, जिसे एक लर्निंग कोच द्वारा निर्देशित किया जाता है, और इसे अविश्वसनीय रूप से तेज़ बनाने के लिए एक सैंपलिंग शॉर्टकट का उपयोग करता है। यह वैज्ञानिकों को अस्त-व्यस्त, वास्तविक दुनिया के डेटा को देखने और स्पष्ट, समझने योग्य नियम निकालने की अनुमति देता है जो बताते हैं कि सिस्टम कैसे काम करता है।

तकनीकी सारांश: जटिल नेटवर्क पर लर्निंग डायनेमिक्स में फाइनाइट एक्सप्रेशन मेथड के लिए एक तेज़ एल्गोरिदम

समस्या विवरण
यह शोध पत्र जटिल नेटवर्क प्रणालियों के भीतर समय-श्रृंखला डेटा (time-series data) से शासन करने वाले भौतिक नियमों और गतिशील अंतःक्रियाओं (dynamic interactions) की खोज करने की चुनौती को संबोधित करता है। जबकि डेटा-संचालित विधियों ने निरंतर प्रणालियों (जैसे PDEs) के लिए समीकरणों को उजागर करने में प्रगति की है, नेटवर्क डेटा से डायनेमिक्स निकालना कठिन बना हुआ है, जिसके तीन प्राथमिक कारक हैं:

गणना संबंधी जटिलता (Computational Complexity): $N$ नोड्स वाले एक नेटवर्क में, पूर्ण युग्मवार अंतःक्रियाओं (pairwise interactions) को मॉडल करने में आमतौर पर $O(N^2)$ जटिलता आती है, जो बड़े पैमाने के वास्तविक दुनिया के नेटवर्क के लिए अत्यधिक कठिन है।
डेटा की गुणवत्ता: वास्तविक दुनिया का नेटवर्क डेटा अक्सर शोर युक्त (noisy), विरल (sparse) होता है, और इसमें टोपोलॉजिकल अशुद्धियाँ (लुप्त या अवांछित लिंक) हो सकती हैं।
व्याख्यात्मकता और पूर्व ज्ञान (Interpretability and Prior Knowledge): SINDy (स्पार्स आइडेंटिफिकेशन ऑफ नॉनलीन डायनेमिक्स) जैसी मौजूदा विधियाँ अक्सर उम्मीदवार फलनों (candidate functions) के बड़े पुस्तकालयों और समय डेरिवेटिव तक सीधी पहुँच की आवश्यकता रखती हैं, जो अक्सर उपलब्ध नहीं होते हैं। डीप लर्निंग दृष्टिकोण (जैसे ग्राफ न्यूरल नेटवर्क) व्याख्यात्मकता की कमी रखते हैं, और "ब्लैक बॉक्स" के रूप में कार्य करते हैं।

कार्यप्रणाली: फाइनाइट एक्सप्रेशन मेथड (FEX)
लेखक फाइनाइट एक्सप्रेशन मेथड (FEX) का प्रस्ताव करते हैं, जो एक नवीन दृष्टिकोण है जो नेटवर्क डायनेमिक्स को परिमित गणितीय ऑपरेटरों से बने बाइनरी ट्री (binary trees) का उपयोग करके निरूपित करता है। सिस्टम डायनेमिक्स को इस प्रकार मॉडल किया जाता है:
$\frac{dx_i(t)}{dt} = F(x_i(t)) + \sum_{j=1}^N A_{ij}G(x_i(t), x_j(t))$
जहाँ $F$ स्व-डायनेमिक्स (self-dynamics) को दर्शाता है और $G$ अंतःक्रियात्मक डायनेमिक्स (interaction dynamics) को दर्शाता है।

FEX के मुख्य घटक:

बाइनरी ट्री निरूपण (Binary Tree Representation): डायनेमिक्स को बाइनरी ट्री के रूप में एनकोड किया जाता है जहाँ नोड्स गणितीय ऑपरेटर (एकल: $\sin, \cos, \exp$ ; द्वि-चर: $+, -, \times$ ) होते हैं। लीफ नोड्स (leaf nodes) सीखने योग्य भार (weights) और बायस (biases) के साथ इनपुट वेरिएबल्स पर कार्य करते हैं। यह संरचना ऑपरेटरों के एक छोटे शब्दकोश (dictionary) से जटिल कार्यात्मक संयोजनों को उत्पन्न करने की अनुमति देती है, जिससे बड़े पूर्व-निर्धारित पुस्तकालयों की आवश्यकता कम हो जाती है।
सुदृढीकरण शिक्षण (Reinforcement Learning - RL) के माध्यम से कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन: इष्टतम ट्री संरचना की पहचान को एक कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन समस्या के रूप में फ्रेम किया गया है। एक कंट्रोलर नेटवर्क (एक फुली कनेक्टेड न्यूरल नेटवर्क) को पॉलिसी ग्रेडिएंट दृष्टिकोण का उपयोग करके प्रशिक्षित किया जाता है ताकि प्रत्येक ट्री नोड पर ऑपरेटर चयन के लिए संभाव्यता द्रव्यमान फलन (probability mass functions) आउटपुट किया जा सके। लक्ष्य ऐसे ऑपरेटर अनुक्रमों को सैंपल करना है जो एक रिवॉर्ड स्कोर को अधिकतम करते हैं।
स्केलेबिलिटी के लिए स्टोकेस्टिक एल्गोरिदम: $O(N^2)$ बाधा को दूर करने के लिए, FEX एक स्टोकेस्टिक एल्गोरिदम का उपयोग करता है जो रैंडम बैच मेथड्स से प्रेरित है। लॉस फंक्शन के अनुकूलन के दौरान, नोड्स को रैंडम बैचों में समूहबद्ध किया जाता है, और अंतःक्रियाएं केवल इन बैचों के भीतर ही कंप्यूट की जाती हैं। यह संरचना खोज चरण की गणना संबंधी जटिलता को $O(N^2)$ से घटाकर $O(N)$ कर देता है।
दो-चरणीय अनुकूलन (Two-Phase Optimization):
1. कोर्स-ट्यूनिंग (Coarse-tuning): कंट्रोलर को उच्च-स्कोरिंग ऑपरेटर अनुक्रमों को खोजने के लिए प्रशिक्षित किया जाता है, जिसमें गति के लिए प्रथम-क्रम (जैसे Adam) और द्वितीय-क्रम (जैसे BFGS) अनुकूलन का मिश्रण उपयोग किया जाता है।
2. फाइन-ट्यूनिंग (Fine-tuning): एक बार शीर्ष प्रदर्शन करने वाली उम्मीदवार संरचनाओं की पहचान हो जाने के बाद, उच्च सटीकता सुनिश्चित करने के लिए पूर्ण अंतःक्रिया मॉडल का उपयोग करके गुणांकों (coefficients) को परिष्कृत किया जाता है।

मुख्य योगदान

नवीन निरूपण: FEX डायनेमिक्स को दर्शाने के लिए बाइनरी ट्री संरचना का उपयोग करता है, जो ऑपरेटरों के न्यूनतम शब्दकोश के साथ जटिल समीकरणों की खोज करने की अनुमति देता है, जैसा कि SINDy में व्यापक उम्मीदवार पुस्तकालयों पर निर्भरता के साथ होता है।
डेरिवेटिव-मुक्त अनुमान (Derivative-Free Estimation): यह विधि शोर युक्त टाइम-सीरीज डेटा से सीधे समय डेरिवेटिव का अनुमान लगाने के लिए संख्यात्मक अवकलन (numerical differentiation) का उपयोग करती है, जिससे प्रत्यक्ष डेरिवेटिव तक पहुँच की आवश्यकता समाप्त हो जाती है जो कई मौजूदा विधियों के लिए एक समस्या है।
स्केलेबिलिटी: संरचनात्मक अनुकूलन चरण के दौरान कण बैचों (particle batches) के स्टोकेस्टिक चयन का उपयोग करके, एल्गोरिदम गणना लागत में रैखिक स्केलिंग ( $O(N)$ ) प्राप्त करता है, जिससे यह बड़े नेटवर्क के लिए व्यवहार्य बनता है।
मजबूती (Robustness): विधि को कम-रिज़ॉल्यूशन डेटा, ऑब्जर्वेशनल नॉइज़ और टोपोलॉजिकल अशुद्धियों (लुप्त या अवांछित लिंक) को संभालने के लिए डिज़ाइन किया गया है।

प्रायोगिक परिणाम
लेखकों ने विभिन्न नेटवर्क टोपोलॉजी, जिनमें एर्दोस-रेनी (Erdős-Rényi) और स्केल-फ्री (Scale-Free) नेटवर्क शामिल हैं, पर तीन शास्त्रीय डायनेमिकल सिस्टम (हिंडमार्श-रोज, फिट्ज़ह्यू-नागोमो, और कपल्ड रोस्लर ऑसिलेटर्स) पर FEX का मूल्यांकन किया।

सटीकता: FEX ने सभी परीक्षण किए गए डायनेमिक्स के लिए सही कार्यात्मक रूपों और गुणांकों (अक्सर <1% सापेक्ष त्रुटि के साथ) की सफलतापूर्वक पहचान की।
शोर के प्रति मजबूती (Noise Robustness): 40 और 45 के सिग्नल-टू-नॉइज़ रेशियो (SNR) वाले प्रयोगों में, FEX ने बेसलाइन विधियों (Two-Phase SINDy और ARNI) को पीछे छोड़ दिया, जो शोर वाली स्थितियों में सही पदों को पहचानने में संघर्ष करती हैं या अनावश्यक पद उत्पन्न करती हैं।
टोपोलॉजिकल मजबूती: FEX ने उच्च सटीकता बनाए रखी, भले ही 15% नेटवर्क लिंक को यादृच्छिक रूप से जोड़ा या हटाया गया हो।
डेटा की कमी: मूल टाइम-सीरीज़ डेटा का केवल 5% से 10% उपलब्ध होने पर भी विधि प्रभावी रही।
दक्षता: नेटवर्क आकार के मुकाबले गणना समय के लॉग-लॉग प्लॉट ने प्रदर्शित किया कि स्टोकेस्टिक-FEX एल्गोरिदम रैखिक रूप से ( $O(N)$ ) स्केल करता है, जबकि पूर्ण अंतःक्रिया मॉडल द्विघात रूप से ( $O(N^2)$ ) स्केल करता है।

महत्व और दावे
शोध पत्र का दावा है कि FEX जटिल नेटवर्क पर डायनेमिक्स सीखने के लिए एक मजबूत, व्याख्यात्मक और गणनात्मक रूप से कुशल ढांचा प्रदान करता है। संरचनात्मक खोज के लिए सुदृढीकरण शिक्षण को स्केलेबिलिटी के लिए स्टोकेस्टिक अनुकूलन के साथ जोड़कर, FEX वर्तमान विधियों की गणना लागत, डेटा गुणवत्ता और व्यापक पूर्व ज्ञान की आवश्यकता संबंधी सीमाओं को संबोधित करता है। लेखक तर्क देते हैं कि यह दृष्टिकोण उन वास्तविक दुनिया की जटिल प्रणालियों में भौतिक नियमों की खोज को सक्षम बनाता है जहाँ शासन करने वाले समीकरण पहले से अज्ञात या अल्प-अन्वेषित हैं, जो जीव विज्ञान से लेकर महामारी विज्ञान तक के क्षेत्रों में विश्लेषण का मार्ग प्रशस्त करता है। यह कार्य वर्तमान ध्यान (pairwise interactions) और नियतकालिक डायनेमिक्स (deterministic dynamics) जैसी सीमाओं को स्वीकार करता है, और उल्लेख करता है कि उच्च-क्रम कपलिंग और स्टोकेस्टिक डिफरेंशियल इक्वेशंस (SDEs) में विस्तार भविष्य की दिशाएं हैं।

समस्या: एक बहुत बड़ा पहेली (A Too-Huge Puzzle)

समाधान: FEX (लेगो आर्किटेक्ट)

उन्होंने क्या सिद्ध किया?

सारांश

इसी तरह के और पेपर