🤖 AI

Advanced Physics-Informed Neural Network with Residuals for Solving Complex Integral Equations

यह शोध पत्र रेसिडुअल इंटीग्रल सॉल्वर नेटवर्क (RISN) को प्रस्तुत करता है, जो एक नवीन आर्किटेक्चर है जो जटिल, बहु-आयामी और दोलनशील इंटीग्रल और इंटेग्रो-डिफरेंशियल समीकरणों को हल करने के लिए उच्च-सटीक संख्यात्मक विधियों के साथ रेसिडुअल कनेक्शन को जोड़ता है ताकि मौजूदा फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स की तुलना में बेहतर सटीकता और स्थिरता के साथ प्रदर्शन किया जा सके।

मूल लेखक: Mahdi Movahedian Moghaddam, Kourosh Parand, Saeed Reza Kheradpisheh

प्रकाशित 2026-06-17

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mahdi Movahedian Moghaddam, Kourosh Parand, Saeed Reza Kheradpisheh

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 विशाल, जटिल पहेली को हल करने की कोशिश कर रहे हैं। यह कोई सामान्य पहेली नहीं है जहाँ आप केवल टुकड़ों को आपस में जोड़ते हैं; यह एक "स्मृति पहेली" (memory puzzle) है। एक स्थान पर क्या होता है, यह समझने के लिए आपको यह देखना होगा कि पहेली में हर जगह और भी क्या हुआ था, और यहाँ तक कि बहुत समय पहले क्या हुआ था, उसे भी याद रखना होगा। वास्तविक दुनिया में, इन्हें इंटीग्रल इक्वेशंस (integral equations) कहा जाता है। ये चीजें जैसे कि गर्मी कैसे फैलती है, जनसंख्या कैसे बढ़ती है, या तरल पदार्थ कैसे चलते हैं, इसका वर्णन करती हैं, जहाँ अतीत और परिवेश लगातार वर्तमान को प्रभावित करते हैं।

लंबे समय तक, वैज्ञानिकों ने इन पहेलियों को हल करने के लिए पुराने जमाने के गणितीय उपकरणों (जैसे स्केल और कैलकुलेटर) का उपयोग किया। लेकिन जब पहेलियाँ बहुत बड़ी या बहुत जटिल हो गईं (जैसे कि कई आयामों वाली या अजीब, टेढ़े-मेढ़े किनारों वाली), तो वे उपकरण अटक गए, बहुत अधिक समय लेने लगे, या विफल हो गए।

हाल ही में, वैज्ञानिकों ने इसमें मदद करने के लिए आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग करना शुरू किया। विशेष रूप से, AI का एक प्रकार जिसे फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINN) कहा जाता है। एक PINN को एक बहुत ही बुद्धिमान छात्र के रूप में समझें जो पहेली के नियमों को सीखने की कोशिश कर रहा है। केवल उत्तर रटने के बजाय, छात्र को "भौतिकी के नियमों" (खेल के नियमों) को सिखाया जाता है और उसे वह समाधान खोजने के लिए कहा जाता है जो इन नियमों के अनुकूल हो।

"बुद्धिमान छात्र" के साथ समस्या

यह शोध पत्र बताता है कि हालांकि ये AI छात्र अच्छे हैं, लेकिन जब पहेली वास्तव में कठिन हो जाती है, तो उनमें एक बड़ी खामी होती है। जैसे-जैसे छात्र गहरे और अधिक जटिल नियमों को सीखने की कोशिश करता है, वह "भ्रमित" होने लगता है। तकनीकी शब्दों में, उनके सीखने के संकेत (जिन्हें ग्रेडिएंट्स कहा जाता है) इतने कमजोर हो जाते हैं कि वे गायब हो जाते हैं। यह लोगों की एक लंबी कतार में फुसफुसाकर संदेश भेजने जैसा है; जब तक वह संदेश अंत तक पहुँचता है, तब तक कोई भी उसे सुन नहीं पाता। छात्र सीखना बंद कर देता है, अटक जाता है, या सबसे कठिन पहेलियों (जैसे कि "फ्रैक्शनल" गणित या दोलन पैटर्न वाली पहेलियों) को छोड़कर हार मान लेता है।

नया समाधान: RISN

इस शोध पत्र के लेखकों—महदी मोवहेदियन मोघदद, कौरोश पारंद और सईद रेज़ा खेरदपिसेह—ने इस उन्नत AI छात्र का एक नया, अपग्रेड किया गया संस्करण बनाया है जिसे RISN (रेसिडुअल इंटीग्रल सॉल्वर नेटवर्क) कहा जाता है।

यहाँ बताया गया है कि RISN कैसे काम करता है, सरल उपमाओं का उपयोग करते हुए:

1. "शॉर्टकट" कनेक्शन (रेसिडुअल कनेक्शन)
कल्पना कीजिए कि छात्र एक बहुत ही खड़ी, ऊँची पहाड़ी (जटिल गणितीय समस्या) चढ़ने की कोशिश कर रहा है। पुराने संस्करण में, छात्र को नीचे से ऊपर तक हर एक कदम चढ़ना पड़ता था। यदि वे थक जाते, तो वे वापस नीचे फिसल जाते और अपनी प्रगति खो देते।
RISN सीढ़ियों के साथ-साथ लिफ्ट शाफ्ट (एलिवेटर) जोड़ता है। ये छात्र को कदम छोड़ने या अपने पिछले ज्ञान को आसानी से आगे बढ़ाने की अनुमति देते हैं। यदि वे किसी कठिन हिस्से पर अटक जाते हैं, तो भी वे "याद" रख सकते हैं कि उन्होंने कहाँ से शुरुआत की थी और आगे बढ़ते रह सकते हैं। यह उन्हें खो जाने या हार मान लेने से रोकता है, जिससे वे बहुत ऊँचे, अधिक जटिल पहाड़ों (गहरे नेटवर्क) को फतह कर सकते हैं।

2. "सुपर-कैलकुलेटर" (संख्यात्मक विधियाँ)
इन पहेलियों को हल करने के लिए बहुत सटीक गणितीय गणनाओं (इंटीग्रल्स और डेरिवेटिव्स) की भी आवश्यकता होती है। पुराने AI छात्र इन संख्याओं का अनुमान लगाने की कोशिश करते थे, जिससे त्रुटियाँ होती थीं।
RISN एक इन-बिल्ट, उच्च-परिशुद्धता कैलकुलेटर (गाऊसी क्वाड्रचर और फ्रैक्शनल ऑपरेशनल मैट्रिसेस का उपयोग करके) से लैस है। अनुमान लगाने के बजाय, यह जटिल हिस्सों को संभालने के लिए सिद्ध, सटीक गणितीय विधियों का उपयोग करता है। यह AI की दिमागी शक्ति को एक सुपर-कैलकुलेटर की सटीकता के साथ जोड़ता है।

जब उन्होंने इसका परीक्षण किया तो क्या हुआ?

शोधकर्ताओं ने RISN का परीक्षण पुराने AI छात्र (PINN) और दो अन्य "सुधारित" संस्करणों (A-PINN और SA-PINN) के विरुद्ध किया। उन्होंने उन्हें 20 अलग-अलग प्रकार की पहेलियाँ दीं, जो सरल एक-आयामी समस्याओं से लेकर "स्मृति" (फ्रैक्शनल इक्वेशंस) और "कंपन" (हेल्महोल्ट्ज़ समीकरण) वाले जटिल, बहु-आयामी प्रणालियों तक फैली हुई थीं।

परिणाम:

सटीकता (Accuracy): RISN लगभग हमेशा विजेता रहा। इसने दूसरों की तुलना में बहुत कम गलतियाँ कीं (कम त्रुटि दर)। कुछ मामलों में, यह 10 से 100 गुना अधिक सटीक था।
स्थिरता (Stability): जब पहेलियाँ वास्तव में कठिन हो गईं (जैसे कि "स्मृति" वाली या "कंपन" वाली पहेलियाँ), तो अन्य AI छात्र अक्सर पूरी तरह से विफल हो गए या हार मान ली। RISN चलता रहा और सही उत्तर खोज निकाला।
विश्वसनीयता (Reliability): यहाँ तक कि जब शोधकर्ताओं ने सेटिंग्स (जैसे कि सीखने की गति) को बदला, तब भी RISN स्थिर रहा और क्रैश नहीं हुआ, जबकि अन्य अस्थिर हो गए।

मुख्य निष्कर्ष (The Bottom Line)

यह शोध पत्र एक नए, स्मार्ट AI टूल RISN को पेश करता है। यह वास्तविक दुनिया की प्रणालियों का वर्णन करने वाली जटिल गणितीय पहेलियों को हल करता है, इसे सीखने के लिए एक "शॉर्टकट" (रेसिडुअल कनेक्शन) और गणित को संभालने के लिए एक "परिशुद्ध कैलकुलेटर" देकर।

लेखक दिखाते हैं कि RISN इन कठिन समीकरणों को हल करने के लिए पिछले तरीकों की तुलना में कहीं अधिक विश्वसनीय और सटीक उपकरण है, विशेष रूप से जब समस्याओं में कई आयाम, स्मृति प्रभाव, या अजीब, लहरदार पैटर्न शामिल हों। यह एक ऐसा उपकरण है जिसे उन गणितीय समस्याओं को हल करने के लिए डिज़ाइन किया गया है जो पहले कंप्यूटरों और गणितज्ञों को हार मानने पर मजबूर कर देती थीं।

तकनीकी सारांश: जटिल समाकल समीकरणों के लिए रेसिडुअल इंटीग्रल सॉल्वर नेटवर्क (RISN)

समस्या विवरण
समाकल (Integral) और समाकल-अवकल (Integro-differential) समीकरण भौतिकी, इंजीनियरिंग और जीव विज्ञान में उन घटनाओं को मॉडल करने के लिए मौलिक हैं जिनमें स्मृति प्रभाव (memory effects), वंशानुगत लक्षण (hereditary characteristics) और गैर-स्थानीय अंतःक्रियाएं (non-local interactions) शामिल होती हैं। जबकि शास्त्रीय संख्यात्मक विधियों (जैसे, परिमित अंतर, परिमित तत्व, स्पेक्ट्रल विधियां) का व्यापक रूप से उपयोग किया जाता रहा है, वे अक्सर उच्च कम्प्यूटेशनल लागत, उच्च-आयामी सेटिंग्स में मेमोरी बाधाओं और सिंगुलर कर्नेल या भिन्नात्मक डेरिवेटिव (fractional derivatives) को संभालने में कठिनाइयों से ग्रस्त होते हैं।

फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स (PINNs) एक आशाजनक विकल्प के रूप में उभरे हैं, जो भौतिक नियमों को सीधे लॉस फंक्शन में एम्बेड करते हैं। हालांकि, मानक PINNs जटिल समाकल समीकरणों पर लागू होने पर महत्वपूर्ण सीमाओं का सामना करते हैं, विशेष रूप से गहरे नेटवर्क में वैनिशिंग ग्रेडिएंट (vanishing gradient) की समस्या, प्रशिक्षण अस्थिरता, और बहु-आयामी, भिन्नात्मक, या अत्यधिक गैर-रैखिक प्रणालियों के साथ खराब अभिसरण (convergence)। मौजूदा उन्नत संस्करण, जैसे कि ऑक्सिलरी PINN (A-PINN) और सेल्फ-एडेप्टिव PINN (SA-PINN), इन मुद्दों को हल करने का प्रयास करते हैं लेकिन अक्सर जटिल कर्नेल संरचनाओं और भिन्नात्मक गतिकी (fractional dynamics) के प्रति प्रभावी ढंग से सामान्यीकरण करने में विफल रहते हैं।

कार्यप्रणाली: रेसिडुअल इंटीग्रल सॉल्वर नेटवर्क (RISN)
इन चुनौतियों से निपटने के लिए, लेखक रेसिडुअल इंटीग्रल सॉल्वर नेटवर्क (RISN) का प्रस्ताव करते हैं, जो एक नवीन आर्किटेक्चर है जो उच्च-सटीकता वाली शास्त्रीय संख्यात्मक तकनीकों के साथ रेसिडुअल कनेक्शन को एकीकृत करता है।

आर्किटेक्चरल नवाचार: RISN मानक PINN फ्रेमवर्क को रेसिडुअल कनेक्शन (ResNets से प्रेरित) को शामिल करके संशोधित करता है। नेटवर्क को परतों के एक अनुक्रम के रूप में परिभाषित किया गया है जहाँ परत $i$ का आउटपुट $A_i = \sigma_i(A_{i-1}\theta^{(i)} + b^{(i)}) + A_{i-1}$ के रूप में संगणना किया जाता है। यह संरचना बैकप्रोपेगेशन के दौरान ग्रेडिएंट प्रवाह को सुगम बनाती है, जिससे वैनिशिंग ग्रेडिएंट की समस्या कम होती है और जटिल समाकल ऑपरेटरों के लिए आवश्यक गहरे, अधिक स्थिर नेटवर्क के प्रशिक्षण को सक्षम बनाया जाता है।
संख्यात्मक समाकलन (Numerical Integration): मानक PINNs के विपरीत जो सभी पदों के लिए केवल ऑटोमैटिक डिफरेंशिएशन पर निर्भर करते हैं, RISN डीप लर्निंग को विशिष्ट संख्यात्मक विधियों के साथ हाइब्रिडाइज करता है:
- गॉसियन क्वाड्रैचर (Gaussian Quadrature): समाकल पदों ( $I(u)(x)$ ) के सटीक संख्यात्मक मूल्यांकन के लिए उपयोग किया जाता है, जो कम मूल्यांकन बिंदुओं के साथ उच्च सटीकता सुनिश्चित करता है।
- फ्रैक्शनल ऑपरेशनल मैट्रिसेस (Fractional Operational Matrices): भिन्नात्मक डेरिवेटिव ( $D(u)(x)$ ) को कुशलतापूर्वक संभालने के लिए नियोजित किया जाता है, जिससे मॉडल न्यूनतम सन्निकटन त्रुटि के साथ भिन्नात्मक समाकल-अवकल समीकरणों को संबोधित कर सकता है।
लॉस फंक्शन फॉर्मूलेशन: मॉडल एक संयुक्त लॉस फंक्शन $L(X)$ $L (X)$ को कम करता है जिसमें शामिल हैं:
- गवर्निंग इक्वेशन का रेसिडुअल ( $R(X) = F(u) + D(u) + I(u) - S(X)$ )।
- प्रारंभिक स्थितियों (IC), सीमा स्थितियों (BC), और उपलब्ध डेटा बिंदुओं के लिए मीन स्क्वेर्ड एरर्स (MSE)।
- समीकरणों के सिस्टम के लिए, लॉस को रेगुलाइजेशन गुणांकों ( $\lambda$ ) द्वारा भारित (weighted) सभी समीकरणों में एकत्रित किया जाता है।
सैद्धांतिक आधार: पेपर का विश्लेषण सोबोलेव स्पेस (Sobolev spaces) में फंक्शनल एप्रोक्सिमेशन के दृष्टिकोण से किया गया है। यह तर्क देता है कि एक सुधार पद (correction term) $r(x) = y^*(x) - g(x)$ (जहाँ $y^*$ सटीक समाधान है और $g$ एक ज्ञात सन्निकटन है) को सीखकर, एक रेसिडुअल नेटवर्क उस नेटवर्क की तुलना में अधिक कड़े एप्रोक्सिमेशन बाउंड्स प्राप्त कर सकता है जो सीधे $y^*$ को सीखने का प्रयास करता है, विशेष रूप से तब जब $g$ समाधान की मोटे ढांचे (coarse structure) को कैप्चर करता है।

प्रमुख योगदान
पेपर तीन प्राथमिक योगदानों को रेखांकित करता है:

RISN का विकास: एक रेसिडुअल-आधारित न्यूरल नेटवर्क जिसे विशेष रूप से एक विस्तृत श्रृंखला के समाकल और समाकल-अवकल समीकरणों को हल करने के लिए डिज़ाइन किया गया है, जिसमें एक-आयामी, बहु-आयामी, भिन्नात्मक और हेल्महोल्ट्ज़-प्रकार के ऑसिलेटरी कर्नेल समीकरण शामिल हैं।
संख्यात्मक तकनीकों का एकीकरण: समाकल और डिफरेंशियल ऑपरेटर गणनाओं की सटीकता बढ़ाने के लिए न्यूरल नेटवर्क फ्रेमवर्क के भीतर गॉसियन क्वाड्रैचर और फ्रैक्शनल ऑपरेशनल मैट्रिसेस का निर्बाध समावेश।
व्यापक मूल्यांकन: 20 विविध समस्या प्रकारों पर शास्त्रीय PINNs और उन्नत वेरिएंट (A-PINN, SA-PINN) के विरुद्ध RISN का व्यापक बेंचमार्किंग, जो सटीकता और स्थिरता में श्रेष्ठ प्रदर्शन प्रदर्शित करता है।

प्रायोगिक परिणाम
लेखकों ने Volterra, Fredholm, और Volterra-Fredholm प्रकारों सहित विविध समस्याओं पर RISN का मूल्यांकन किया:

1D और बहु-आयामी समाकल समीकरण: RISN ने निरंतर रूप से PINN, A-PINN, और SA-PINN की तुलना में कम मीन एब्सोल्यूट एरर (MAE) प्राप्त किया। बहु-आयामी मामलों में, RISN ने वहां मजबूती दिखाई जहां PINN ग्रेडिएंट अस्थिरता से जूझ रहा था।
समीकरणों के सिस्टम: युग्मित प्रणालियों (coupled systems) के लिए, RISN ने मजबूत अंतर्निर्भरता के बावजूद कम त्रुटि दर बनाए रखी, जबकि PINN ने प्रदर्शन में गिरावट प्रदर्शित की।
भिन्नात्मक समाकल-अवकल समीकरण: RISN ने उन भिन्नात्मक समस्याओं को सफलतापूर्वक हल किया जहाँ A-PINN और SA-PINN अभिसरण करने में विफल रहे या अस्थिर समाधान उत्पन्न करते थे।
हेल्महोल्ट्ज़-प्रकार के समीकरण: एक परीक्षण में जिसमें बिना किसी स्पष्ट विश्लेषणात्मक समाधान वाला एक ऑसिलेटरी कर्नेल शामिल था (Neumann series संदर्भ का उपयोग करते हुए), RISN ने सबसे कम MAE ( $1.46 \times 10^{-3}$ ) प्राप्त किया, जो PINN ( $2.32 \times 10^{-3}$ ) से काफी बेहतर था और विफल बेसलाइन जैसे A-PINN ( $1.73 \times 10^{-1}$ ) से बहुत आगे था।
संवेदनशीलता विश्लेषण (Sensitivity Analysis): नेटवर्क डेप्थ और लर्निंग रेट ( $10^{-2}$ और $10^{-3}$ ) को बदलते हुए प्रयोगों ने दिखाया कि RISN आर्किटेक्चर के across स्थिर अभिसरण और कम MAE बनाए रखता है, जबकि PINN महत्वपूर्ण उतार-चढ़ाव और अस्थिरता प्रदर्शित करता है।

महत्व और दावे
पेपर का दावा है कि RISN मौजूदा PINN वेरिएंट के ऊपर एक मौलिक आर्किटेक्चरल सुधार का प्रतिनिधित्व करता है। रेसिडुअल कनेक्शन को शास्त्रीय संख्यात्मक विधियों के साथ जोड़कर, RISN समाकल समीकरणों को हल करने में डीप लर्निंग की मुख्य सीमाओं को संबोधित करता है: गहरे नेटवर्क में ग्रेडिएंट वैनिशिंग और गैर-स्थानीय ऑपरेटरों को अनुमानित करने की कठिनाई।

लेखक दावा करते हैं कि RISN वास्तविक दुनिया के अनुप्रयोगों के लिए एक मजबूत और कुशल उपकरण है जहाँ पारंपरिक संख्यात्मक विधियाँ कम्प्यूटेशनल रूप से निषेध योग्य (prohibitive) हैं और मानक PINNs स्थिरता की कमी रखते हैं। परिणाम बताते हैं कि रेसिडुअल आर्किटेक्चर केवल सहायक स्थितियों (A-PINN) या अनुकूलित लॉस वेटिंग (SA-PINN) पर निर्भर रणनीतियों की तुलना में जटिल, उच्च-आयामी और भिन्नात्मक समस्याओं के लिए अधिक प्रभावी समाधान प्रदान करता है। पेपर निष्कर्ष निकालता है कि RISN चुनौतीपूर्ण समाकल और समाकल-अवकल समस्याओं को हल करने के लिए एक विश्वसनीय ढांचा प्रदान करता है, जिसमें स्टोकेस्टिक समीकरणों और उच्च-आयामी वास्तविक दुनिया की प्रणालियों के लिए भविष्य के विस्तार की क्षमता है।

"बुद्धिमान छात्र" के साथ समस्या

नया समाधान: RISN

जब उन्होंने इसका परीक्षण किया तो क्या हुआ?

मुख्य निष्कर्ष (The Bottom Line)

इसी तरह के और पेपर