🔢 mathematics

Tensor-based empirical interpolation method and its application in model reduction

यह शोध पत्र एक टेंसर-आधारित अनुभवजन्य अंतर्वेशन (एम्पिरिकल इंटरपोलेशन) विधि प्रस्तावित करता है जो वेक्टरकरण के बिना सीधे मैट्रिक्स-मान वाले फलनों का सन्निकटन करती है, जो पारंपरिक DEIM दृष्टिकोणों की तुलना में कम कम्प्यूटेशनल लागत प्रदान करती है, हालांकि इसमें आयताकार ग्रिड अंतर्वेशन बिंदुओं को उत्पन्न करने की एक सैद्धांतिक सीमा है, फिर भी यह तुलनीय सटीकता बनाए रखती है।

मूल लेखक: Brij Nandan Tripathi, Hanumant Singh Shekhawat, Seip Weiland

प्रकाशित 2026-05-08

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Brij Nandan Tripathi, Hanumant Singh Shekhawat, Seip Weiland

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

एक बड़ी तस्वीर: एक विशाल स्प्रेडशीट को कंप्रेस करना

कल्पना कीजिए कि आप एक जटिल भौतिक प्रणाली (physical system) का अनुकरण (simulate) करने की कोशिश कर रहे हैं, जैसे मौसम के पैटर्न या तरल पदार्थ का प्रवाह। कंप्यूटर में, इस प्रणाली को अक्सर एक विशाल स्प्रेडशीट (एक मैट्रिक्स) के रूप में दर्शाया जाता है जो समय के साथ बदलती रहती है। सिमुलेशन चलाने के लिए, कंप्यूटर को उस स्प्रेडशीट के हर एक सेल के लिए गणना (crunch numbers) करनी पड़ती है। यदि स्प्रेडशीट बहुत बड़ी है (मान लीजिए, 1,000 गुणा 1,000), तो इसमें बहुत अधिक समय और शक्ति लगती है।

मॉडल ऑर्डर रिडक्शन (MOR) उस विशाल स्प्रेडशीट को एक छोटे, प्रबंधनीय आकार में सिकोड़ने की कोशिश करने जैसा है, बिना उस महत्वपूर्ण कहानी को खोए जो वह बताती है। लक्ष्य डेटा के "सार" (essence) को बनाए रखना है जबकि अनावश्यक विवरणों को हटा देना है।

समस्या: "फ्लैटनिंग" (Flattening) का जाल

आमतौर पर, जब कंप्यूटर इन विशाल स्प्रेडशीट्स को सिकोड़ने की कोशिश करते हैं, तो वे DEIM (डिस्क्रीट एम्पिरिकल इंटरपोलेशन मेथड) नामक विधि का उपयोग करते हैं। हालाँकि, DEIM मूल रूप से सूचियों (vectors) के लिए डिज़ाइन किया गया था, न कि स्प्रेडशीट्स (matrices) के लिए।

स्प्रेडशीट पर DEIM का उपयोग करने के लिए, पारंपरिक तरीके कंप्यूटर को 2D ग्रिड को एक लंबी 1D सूची में फ्लैटन (flatten) करने के लिए मजबूर करते हैं।

उपमा: कल्पना कीजिए कि आपके पास एक शहर की फोटो है। उस टूल के साथ विश्लेषण करने के लिए जो केवल सूचियों को समझता है, आपको फोटो को छोटी पट्टियों में काटना होगा और उन्हें एक छोर से दूसरे छोर तक जोड़कर एक लंबी, मीलों लंबी रिबन बनानी होगी।
नुकसान: यह "रिबन" अव्यवस्थित है। यह फोटो की प्राकृतिक संरचना (ग्रिड) को तोड़ देता है, और कंप्यूटर को इस लंबी रिबन को संभालने के लिए बहुत अधिक अतिरिक्त काम करना पड़ता है, जिससे यह प्रक्रिया धीमी और अक्षम हो जाती है।

समाधान: TEIM ("ग्रिड-स्मार्ट" विधि)

इस पेपर के लेखक एक नई विधि प्रस्तावित करते हैं जिसे TEIM (टेन्सर-बेस्ड एम्पिरिकल इंटरपोलेशन मेथड) कहा जाता है। फोटो को रिबन में काटने के बजाय, TEIM स्प्रेडशीट को उसके स्वाभाविक रूप में देखता है: एक ग्रिड जिसमें पंक्तियाँ (rows) और कॉलम (columns) हैं।

यह कैसे काम करता है:

"सैंपलिंग" रणनीति: पूरी स्प्रेडशीट को समझने के लिए, आपको हर सेल को देखने की आवश्यकता नहीं है। आपको बस कुछ प्रमुख स्थानों को देखने की आवश्यकता है।
खोज: लेखकों ने गणितीय रूप से सिद्ध किया कि उनकी विधि यादृच्छिक (random) स्थान नहीं चुनती है। इसके बजाय, यह हमेशा एक आयताकार ग्रिड (rectangular grid) के बिंदुओं को चुनती है।
- रूपक: कल्पना कीजिए कि आप एक विशाल शतरंज के बोर्ड की सामग्री का अनुमान लगाने की कोशिश कर रहे हैं। यादृच्छिक वर्गों को चुनने के बजाय, TEIM कहता है, "आइए हम 4 विशिष्ट पंक्तियों को देखें, और उन पंक्तियों के भीतर, आइए हम 6 विशिष्ट कॉलमों को देखें।" परिणाम चुने गए वर्गों का एक साफ, आयताकार ब्लॉक होता है।
लाभ: क्योंकि चयनित बिंदु एक पूर्ण आयत बनाते हैं, गणित बहुत सरल और तेज़ हो जाता है। कंप्यूटर को एक अव्यवस्थित रिबन को सुलझाने की आवश्यकता नहीं है; यह सीधे ग्रिड को प्रोसेस कर सकता है।

समझौता: गति बनाम पूर्णता

यह पेपर उनकी नई "ग्रिड-स्मार्ट" विधि (TEIM) की तुलना पुराने "रिबन" तरीके (DEIM) से करता है।

गति: TEIM तेज़ है। इसे कम कंप्यूटिंग पावर (मॉडल सेट अप करते समय और चलाते समय दोनों के दौरान) की आवश्यकता होती है। यह पार्क के माध्यम से शॉर्टकट लेने जैसा है बजाय इसके कि ब्लॉक के चारों ओर घूमकर जाया जाए।
सटीकता: परिणाम दिखाते हैं कि विशिष्ट परीक्षणों में TEIM, DEIM की तुलना में थोड़ा कम सटीक है।
- क्यों? पेपर बताता है कि "रिबन" विधि (DEIM) कभी-कभी एक बेहतर "सबस्पेस" (डेटा को कंप्रेस करने का एक बेहतर तरीका) ढूंढ लेती है।
- हालाँकि, लेखक नोट करते हैं कि यदि डेटा स्वाभाविक रूप से एक "टेन्सर" संरचना (जैसे 3D वीडियो या बहु-आयामी ग्रिड) में फिट बैठता है, तो TEIM वास्तव में अधिक सटीक हो सकता है क्योंकि यह डेटा के प्राकृतिक आकार का सम्मान करता है।

"अहा!" क्षण: यह एक में दो DEIM है

इस पेपर की सबसे महत्वपूर्ण सैद्धांतिक खोजों में से एक चयनित बिंदुओं के आकार के बारे में एक अहसास है।

लेखकों ने सिद्ध किया कि क्योंकि TEIM हमेशा एक आयताकार ग्रिड में बिंदु चुनता है, इसलिए यह गणितीय रूप से DEIM एल्गोरिदम को दो बार चलाने के समान है: एक बार पंक्तियों के लिए और एक बार कॉलम के लिए।
इसका मतलब है कि आपको एक जटिल नई एल्गोरिदम की आवश्यकता नहीं है; आप बस मानक DEIM टूल को पंक्तियों पर चला सकते हैं, फिर इसे फिर से कॉलम पर चला सकते हैं, और आपको उनके फैंसी नए तरीके के समान परिणाम प्राप्त होगा।

वास्तविक दुनिया का परीक्षण: "एलन-कैहन" (Allen-Cahn) समीकरण

अपने तरीके को सिद्ध करने के लिए, लेखकों ने एलन-कैहन समीकरण नामक एक विशिष्ट गणितीय मॉडल पर इसका परीक्षण किया (जो पदार्थों में फेज सेपरेशन जैसी चीजों को मॉडल करने के लिए उपयोग किया जाता है)।

उन्होंने एक जटिल, नॉन-लीनियर समीकरण लिया जिसके लिए आमतौर पर भारी कंप्यूटिंग पावर की आवश्यकता होती है।
उन्होंने समस्या को छोटा करने के लिए TEIM का उपयोग किया।
परिणाम: नए तरीके ने पारंपरिक तरीके की तुलना में समस्या को काफी तेज़ी से हल किया। हालांकि पारंपरिक तरीका थोड़ा अधिक सटीक था, लेकिन नया तरीका "पर्याप्त अच्छा" था और बहुत अधिक कुशल था।

सारांश

समस्या: मौजूदा उपकरण 2D डेटा को 1D सूचियों में बदलने के लिए मजबूर करते हैं, जो धीमा और बोझिल है।
समाधान: एक नई विधि (TEIM) जो डेटा को उसके स्वाभाविक 2D ग्रिड आकार में रखती है।
जादू: यह पूरे ग्रिड का प्रतिनिधित्व करने के लिए स्वचालित रूप से डेटा बिंदुओं के एक साफ, आयताकार ब्लॉक को चुनती है।
परिणाम: यह बहुत तेज़ है और कंप्यूटिंग के मामले में सस्ता है। यह कुछ मामलों में थोड़ा कम सटीक है, लेकिन लेखक तर्क देते हैं कि जटिल, बहु-आयामी संरचनाओं वाले डेटा के लिए, सटीकता में मामूली कमी के बदले यह गति का लाभ सार्थक है।

संक्षेप में, यह पेपर हमें सिखाता है कि कभी-कभी, डेटा को उसके प्राकृतिक "ग्रिड" आकार में रखना उसे चपटा करने से बेहतर होता है, और ऐसा करने से कंप्यूटर के समय की भारी बचत हो सकती है।

तकनीकी सारांश: टेंसर-आधारित एम्पिरिकल इंटरपोलेशन मेथड और मॉडल रिडक्शन में इसका अनुप्रयोग

समस्या विवरण
बड़े पैमाने के डायनेमिकल सिस्टम्स, विशेष रूप से गैर-रेखीय आंशिक अंतर समीकरणों (PDEs) द्वारा नियंत्रित सिस्टम्स के सिमुलेशन के लिए मॉडल ऑर्डर रिडक्शन (MOR) आवश्यक है। जबकि प्रॉपर ऑर्थोगोनल डिकंपोजिशन (POD) के साथ गैलरकिन प्रोजेक्शन जैसी तकनीकें रैखिक और द्वैरेखीय (bilinear) सिस्टम्स को प्रभावी ढंग से कम करती हैं, गैर-रेखीय पद अक्सर फुल-ऑर्डर मॉडल (FOM) के आयाम पर निर्भरता बनाए रखते हैं। इसे संबोधित करने के लिए, डिस्क्रीट एम्पिरिकल इंटरपोलेशन मेथड (DEIM) और इसके पूर्ववर्ती एम्पिरिकल इंटरपोलेशन मेथड (EIM) को गैर-रेखीय पदों को इंटरपोलेशन पॉइंट्स के एक छोटे सेट का उपयोग करके अनुमानित करने के लिए विकसित किया गया था।

हालाँकि, जब गैर-रैखिकता एक मैट्रिक्स-वैल्यूड फंक्शन (जैसे कि 3D PDEs से उत्पन्न) हो, तो एक महत्वपूर्ण सीमा मौजूद होती है। पारंपरिक दृष्टिकोणों के लिए DEIM लागू करने से पहले मैट्रिक्स को एक उच्च-आयामी वेक्टर में रूपांतरित (vectorize) करना आवश्यक होता है। बड़े मैट्रिसेस के लिए यह वेक्टरकरण कम्प्यूटेशनल रूप से अक्षम है, जिससे ऑफलाइन और ऑनलाइन दोनों लागतें बढ़ जाती हैं। जबकि कुछ शोधकर्ताओं ने मैट्रिक्स-आधारित विस्तारों का प्रयास किया है, ऐसे तरीकों के कार्य करने, सीमाओं और इष्टतम संरचना की व्याख्या करने वाले एक कठोर सैद्धांतिक ढांचे का अभाव था।

कार्यप्रणाली (Methodology)
लेखक टेंसर-आधारित एम्पिरिकल इंटरपोलेशन मेथड (TEIM) का प्रस्ताव करते हैं, जो मैट्रिक्स-वैल्यूड फंक्शन्स को वेक्टर रूप में बदले बिना उन्हें अनुमानित करने के लिए डिज़ाइन किया गया एक EIM विस्तार है। कार्यप्रणाली निम्नलिखित चरणों के माध्यम से आगे बढ़ती है:

टेंसर POD बेस कंस्ट्रक्शन: मानक वेक्टर POD के बजाय, यह विधि एक टेंसर बेसिस (एक रैंक-वन मैट्रिक्स $u_i \otimes v_j$ का सेट) उत्पन्न करने के लिए हायर-ऑर्डर सिंगुलर वैल्यू डिकंपोजिशन (HOSVD) का उपयोग करती है जो समाधान स्पेस को स्पैन करता है। यह बड़े मैट्रिसेस के वेक्टरकरण के कम्प्यूटेशनल ओवरहेड से बचता है।
इंटरपोलेशन पॉइंट सिलेक्शन (TEIM एल्गोरिदम): पेपर इंटरपोलेशन पॉइंट्स चुनने के लिए एक संशोधित एल्गोरिदम पेश करता है। मानक DEIM के विपरीत, जो ग्रिड पर मनमाने ढंग से पॉइंट्स चुनता है, TEIM एल्गोरिदम एक नेस्टेड, स्ट्रक्चर्ड तरीके से इंडेक्स चुनता है।
रेक्टेंगुलर ग्रिड स्ट्रक्चर: एक महत्वपूर्ण सैद्धांतिक निष्कर्ष यह है कि टेंसर बेसिस (या रैंक-वन मैट्रिक्स बेसिस) के लिए, TEIM एल्गोरिदम स्वाभाविक रूप से ऐसे इंटरपोलेशन पॉइंट्स चुनता है जो एक रेक्टेंगुलर ग्रिड बनाते हैं। विशेष रूप से, यदि $m_1 m_2$ पॉइंट्स की आवश्यकता है, तो एल्गोरिदम $m_1$ पंक्तियाँ (rows) और $m_2$ कॉलम चुनता है, और उनके सभी इंटरसेक्शन को चुनता है।
2D-DEIM के साथ समानता: लेखक गणितीय रूप से सिद्ध करते हैं कि TEIM विधि पंक्ति और कॉलम बेसिस मैट्रिसेस पर स्वतंत्र रूप से DEIM लागू करने के समान है (एक "टू-साइडेड" DEIM दृष्टिकोण)। यह एक बड़े मास्किंग ऑपरेटर के बजाय दो छोटे ऑपरेटरों ( $P_3$ और $P_4$ ) में मास्किंग ऑपरेटर को विघटित करने की अनुमति देता है जो वेक्टरकृत मैट्रिक्स पर कार्य करता है।
कुशल अनुमान सूत्र (Efficient Approximation Formula): मैट्रिक्स फंक्शन $\tilde{A}(t)$ का अंतिम अनुमान मैट्रिक्स-प्रोडक्ट रूप में प्राप्त किया जाता है:
$\tilde{A}(t) = U_1(P_5 U_1)^{-1} (P_5 A(t) P_6^T) (U_2(P_6 U_2)^{-1})^T$
जहाँ $P_5$ और $P_6$ क्रमशः पंक्ति और कॉलम बेसिस से प्राप्त मास्किंग ऑपरेटर हैं। यह फॉर्मूलेशन ऑनलाइन स्टेज के दौरान पूरी तरह से वेक्टरकरण से बचता है।

प्रमुख योगदान

सैद्धांतिक ढांचा: पेपर टेंसर-आधारित इंटरपोलेशन के लिए एक आवश्यक सैद्धांतिक आधार स्थापित करता है, जो प्रस्तावित TEIM और प्रत्येक दिशा में DEIM के अनुप्रयोग के बीच समानता को सिद्ध करता है।
रेक्टेंगुलर ग्रिड लक्षण वर्णन: लेखक प्रदर्शित करते हैं कि रैंक-वन बेसिस पर निर्भर टेंसर-आधारित इंटरपोलेशन विधियाँ अनिवार्य रूप से एक रेक्टेंगुलर ग्रिड पर इंटरपोलेशन पॉइंट्स चुनती हैं। यह इन दृष्टिकोणों की एक मौलिक संरचनात्मक सीमा की पहचान करता है।
कम्प्यूटेशनल दक्षता: रेक्टेंगुलर ग्रिड संरचना का लाभ उठाकर, यह विधि ऑनलाइन कम्प्यूटेशनल जटिलता को कम करती है। $n_1 \times n_2$ आकार के मैट्रिक्स के लिए जिसमें $m_1$ पंक्तियाँ और $m_2$ कॉलम चुने गए हैं, जटिलता $O(n_1 n_2 m_2 + n_1 m_1 m_2)$ (या मूल्यांकन क्रम के आधार पर समान) है, जो वेक्टर-आधारित DEIM दृष्टिकोणों की $O(n_1 n_2 m_1 m_2)$ जटिलता से काफी कम है।
एल्गोरिद्मिक कार्यान्वयन: पेपर इंटरपोलेशन पॉइंट्स के नेस्टेड सेट को चुनने के लिए एक विशिष्ट एल्गोरिदम (एल्गोरिदम 1) प्रदान करता है जो मास्किंग ऑपरेटर की व्युत्क्रमणीयता (invertibility) सुनिश्चित करता है।

परिणाम और संख्यात्मक प्रयोग
लेखक दो प्राथमिक अनुप्रयोगों के माध्यम से विधि को मान्य करते हैं:

मैट्रिक्स-वैल्यूड फंक्शन एप्रोक्सिमेशन:
- उदाहरण 1: एक गैर-रेखीय पैरामीटराइज्ड 2D फंक्शन। परिणाम दिखाते हैं कि जब टेंसर POD बेसिस, मानक वेक्टर POD बेसिस की तुलना में बेहतर एप्रोक्सिमेशन सबस्पेस प्रदान करता है, तो TEIM, DEIM की तुलना में कम एप्रोक्सिमेशन एरर प्राप्त करता है।
- उदाहरण 2: एक टाइम-डिपेंडेंट फंक्शन जहाँ मानक POD बेसिस, टेंसर बेसिस से बेहतर प्रदर्शन करता है। इस मामले में, DEIM बेहतर सटीकता देता है। यह स्पष्ट करता है कि TEIM और DEIM के बीच चयन इस बात पर निर्भर करता है कि कौन सा बेसिस (टेंसर बनाम वेक्टर) सिस्टम की गतिशीलता को बेहतर ढंग से कैप्चर करता है।
- टाइमिंग: TEIM, सटीकता तुलनीय होने पर भी, DEIM की तुलना में लगातार कम औसत CPU समय प्रदर्शित करता है।
सेमी-लीनियर मैट्रिक्स डिफरेंशियल इक्वेशंस का मॉडल रिडक्शन:
- विधि को 2D एलन-काहन (Allen-Cahn) समीकरण पर लागू किया गया था। स्टेट के लिए टेंसर POD और गैर-रेखीय पद के लिए TEIM का उपयोग करके रिड्यूस्ड-ऑर्डर मॉडल (ROM) बनाया गया था।
- सटीकता बनाम दक्षता: एलन-काहन समीकरण के विशिष्ट मामले में, मानक POD-DEIM दृष्टिकोण (वेक्टर-आधारित) TEIM दृष्टिकोण की तुलना में थोड़ा अधिक सटीक था। हालांकि, TEIM दृष्टिकोण को कम कम्प्यूटेशनल संसाधनों की आवश्यकता थी।
- वेक्टर डिफरेंशियल इक्वेशंस: जब मैट्रिक्स समीकरण को वेक्टर रूप में परिवर्तित किया गया और गैर-रैखिकता के लिए TEIM का उपयोग करके रिड्यूस किया गया, तो परिणाम POD-DEIM के समान थे, जहाँ चयन फिर से इस बात पर निर्भर था कि कौन सा बेसिस एक श्रेष्ठ एप्रोक्सिमेशन सबस्पेस प्रदान करता है।

महत्व और दावे
पेपर दावा करता है कि TEIM विधि मॉडल रिडक्शन के लिए मैट्रिक्स-वैल्यूड फंक्शन्स को वेक्टर बनाने के बजाय एक कम्प्यूटेशनल रूप से कुशल विकल्प प्रदान करती है। इसका प्राथमिक महत्व है:

कम्प्यूटेशनल बोझ को कम करना: यह बड़े मैट्रिसेस के वेक्टरकरण से बचकर ऑफलाइन और ऑनलाइन दोनों गणना समय को काफी कम करता है।
संरचनात्मक अंतर्दृष्टि: यह स्पष्ट करता है कि टेंसर-आधारित इंटरपोलेशन संरचनात्मक रूप से रेक्टेंगुलर ग्रिड तक सीमित है, जो इसे टू-साइडेड DEIM दृष्टिकोण में लागू करने को सरल बनाता है।
प्रासंगिक प्रयोज्यता: लेखक विनम्रतापूर्वक नोट करते हैं कि जबकि TEIM अधिक कुशल है, DEIM के सापेक्ष इसकी सटीकता समस्या पर निर्भर करती है। यदि सिस्टम की गतिशीलता को एक टेंसर बेसिस (जैसा कि उदाहरण 1 में है) बेहतर तरीके से कैप्चर किया जाता है, तो TEIM सटीकता और गति दोनों में श्रेष्ठ है। यदि सिस्टम को मानक वेक्टर बेसिस (जैसा कि एलन-काहन उदाहरण में है) द्वारा बेहतर कैप्चर किया जाता है, तो DEIM उच्च सटीकता दे सकता है, हालांकि TEमा (TEIM) मामूली शुद्धता समझौते के साथ एक व्यवहार्य, तेज़ विकल्प बना रहता है।

यह कार्य निष्कर्ष निकालता है कि हालांकि अध्ययन मैट्रिक्स-वैल्यूड फंक्शन्स पर केंद्रित है, इसका सैद्धांतिक ढांचा उच्च-क्रम के टेंसर-वैल्यूड फंक्शन्स के लिए विस्तार योग्य है।