कल्पना कीजिए कि आप एक रोबोट को यह सिखाने की कोशिश कर रहे हैं कि कांच के गिलास में पानी के माध्यम से स्याही की एक बूंद कैसे फैलती है, या एक धातु की छड़ के माध्यम से ऊष्मा (heat) कैसे यात्रा करती है। विज्ञान और इंजीनियरिंग की दुनिया में, ये गतियाँ जटिल गणितीय नियमों द्वारा नियंत्रित होती हैं जिन्हें "भौतिकी समीकरण" (physics equations) कहा जाता है। दशकों से, वैज्ञानिकों ने इन समीकरणों को हल करने के लिए शक्तिशाली कंप्यूटरों का उपयोग किया है, लेकिन यह अक्सर हेडफ़ोन की एक विशाल गांठ को सुलझाने जैसा होता है: धीमा, कठिन और अटक जाने की संभावना वाला। हाल ही में, एक नया प्रकार का "स्मार्ट रोबोट" जिसे न्यूरल नेटवर्क (Neural Network) कहा जाता है, इस तरह की पहेलियों को हल करने के लिए पेश किया गया है। ये नेटवर्क उन सुपर-इंटेलिजेंट छात्रों की तरह हैं जो उदाहरणों को देखकर सीखते हैं। हालाँकि, जब ये छात्र भौतिकी सीखने की कोशिश करते हैं, तो वे अक्सर एक अजीब दीवार से टकरा जाते हैं। वे शुरुआती बिंदु (जैसे समय शून्य पर स्याही की बूंद) या किनारों के नियमों को याद कर सकते हैं, लेकिन वे बीच के हिस्से में क्या होता है, इसे समझने में पूरी तरह विफल रहते हैं। यह ऐसा है जैसे छात्र ने परीक्षा के पहले प्रश्न का उत्तर तो जान लिया, लेकिन बीच के पन्नों के बारे में सब कुछ भूल गया, जिससे बीच का हिस्सा खाली या निरर्थक हो गया। इस निराशाजनक घटना को वैज्ञानिक "प्रोपैगेशन फेलियर" (propagation failure) कहते हैं।

"ProPINN: Demystifying Propagation Failures in Physics-Informed Neural Networks" नामक एक नया शोध पत्र इस बात की गहराई से जांच करता है कि ऐसा क्यों होता है और इसका एक चतुर समाधान भी देता है। इसके लेखक, जो त्सिंगहुआ विश्वविद्यालय (Tsinghua University) के शोधकर्ता हैं, ने महसूस किया कि समस्या केवल यह नहीं थी कि रोबोट "भूल" रहा था; बल्कि यह थी कि रोबोट कैसे बनाया गया था। उन्होंने पाया कि मानक डिज़ाइन प्रत्येक एकल बिंदु को एक अलग द्वीप (isolated island) के रूप में मानता है। एक कक्षा की कल्पना करें जहाँ प्रत्येक छात्र एक विशाल पहेली के अपने हिस्से पर काम कर रहा है, लेकिन उन्हें अपने पड़ोसियों से बात करने से मना किया गया है। भले ही किनारे पर बैठा छात्र पूरी तस्वीर जानता हो, वह बीच वाले छात्र को यह नहीं बता सकता कि उसे क्या करना है क्योंकि वहां कोई संबंध नहीं है। यह शोध पत्र सिद्ध करता है कि "पड़ोसी संवाद" की यह कमी सीखने में विफल होने का कारण बनती है। इसे ठीक करने के लिए, उन्होंने ProPINN नामक एक नया आर्किटेक्चर बनाया। बिंदुओं को द्वीपों के रूप में मानने के बजाय, ProPINN उन्हें पड़ोसियों के समूहों में बांटता है और उन्हें निर्णय लेने से पहले अपने "विचारों" (गणितीय रूप से, उनके ग्रेडिएंट्स) को साझा करने के लिए मजबूर करता है। यह सरल परिवर्तन सूचना के लिए एक सुपर-हाईवे की तरह कार्य करता है, जिससे सही समाधान किनारों से केंद्र तक सुचारू रूप से प्रवाहित हो पाता है। परीक्षणों में, इस नई पद्धति ने न केवल विफलताओं को ठीक किया; बल्कि इसने पिछले सर्वोत्तम तरीकों की तुलना में 46% बेहतर सटीकता के साथ जटिल भौतिक समस्याओं को हल किया, और यह सब कम कंप्यूटर शक्ति और तेजी से हुआ।

अटके हुए छात्र की कहानी

ProPINN के जादू को समझने के लिए, हमें पहले "अटके हुए छात्र" की समस्या को देखना होगा। भौतिकी समीकरणों को हल करने की दुनिया में, कंप्यूटर को सिखाने के दो मुख्य तरीके हैं। पुराना तरीका, जो वर्षों से उपयोग किया जा रहा है, एक मानचित्र पर ग्रिड बनाने और हर एक वर्ग के लिए एक-एक करके उत्तर की गणना करने जैसा है। यह विश्वसनीय है लेकिन धीमा है। नया तरीका फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स (PINNs) का उपयोग करता है। एक PINN को एक न्यूरल नेटवर्क के रूप में सोचें—जो एक प्रकार का AI है जो पैटर्न सीखता है—जिसे न केवल डेटा पर, बल्कि स्वयं भौतिकी के नियमों पर प्रशिक्षित किया गया है। आप AI को बताते हैं, "आपको इन नियमों का पालन करना चाहिए," और वह समाधान का अनुमान लगाने की कोशिश करता है।

समस्या तब आती है क्योंकि AI को केवल शुरुआत (प्रारंभिक स्थितियाँ) और किनारों (सीमा स्थितियों) पर ही सीधे सही उत्तर बताया जाता है। शेष स्थान के लिए—विशाल आंतरिक क्षेत्र के लिए—AI को केवल भौतिकी के नियमों का उपयोग करके स्वयं उत्तर खोजना होता है। शोध पत्र का तर्क है कि मानक सेटअप में, AI उस आंतरिक स्थान के प्रत्येक एकल बिंदु को एक अलग, अलग-थलग छात्र के रूप में मानता है। जब AI एक बिंदु के आधार पर अपने "मस्तिष्क" (इसके पैरामीटर्स) को अपडेट करता है, तो यह वास्तव में उसके पड़ोसियों की मदद नहीं करता है। यह ऐसा है जैसे आपने संख्या 5 के लिए एक गणितीय ट्रिक सीखी, लेकिन उस ज्ञान ने आपको संख्या 6 को समझने में मदद नहीं की। चूंकि बिंदु इतने अलग-थलग हैं, इसलिए किनारों से मिलने वाली "सही" जानकारी कभी भी बीच तक नहीं पहुँच पाती। AI एक स्थानीय जाल (local trap) में फंस जाता है, और अक्सर यह अनुमान लगाकर अटक जाता है कि हर जगह उत्तर शून्य है, क्योंकि नियमों को संतुष्ट करने का यह सबसे आसान तरीका है, भले ही यह गलत हो।

जुड़ाव की "कठोरता" (Stiffness)

शोधकर्ताओं ने यह जांचने का निर्णय लिया कि यह अलगाव क्यों होता है। उन्होंने एक पुराने, भरोसेमंद तरीके की जांच की जिसे फाइनाइट एलीमेंट मेथड (FEM) कहा जाता है। FEM में, कंप्यूटर समस्या को जुड़े हुए त्रिकोणों या वर्गों के एक जाल (mesh) में तोड़ देता है। मुख्य अंतर यह है कि FEM में, एक बिंदु पर मान गणितीय रूप से उसके पड़ोसियों से बंधा होता है। यदि आप एक बिंदु को धकेलते हैं, तो पड़ोसी उसे तुरंत महसूस करते हैं। यह स्प्रिंग्स के एक जुड़े हुए जाल की तरह है; एक को खींचें, और पूरा जाल हिलने लगता है।

शोधकर्ताओं ने पूछा: "न्यूरल नेटवर्क में यह स्प्रिंग जैसा जुड़ाव क्यों नहीं है?" उन्होंने सिद्ध किया कि मानक PINNs में, पास के बिंदुओं के बीच का संबंध अविश्वसनीय रूप से कमजोर है। उन्होंने इस जुड़ाव को मापने का एक नया तरीका पेश किया जिसे ग्रेडिएंट कोरिलेशन (gradient correlation) कहा जाता है। कल्पना करें कि "ग्रेडिएंट" वह दिशा है जिसमें AI अपने मस्तिष्क को बेहतर उत्तर प्राप्त करने के लिए बदलना चाहता है। यदि दो पड़ोसियों के ग्रेडिएंट एक ही दिशा में इशारा करते हैं, तो वे "सहसंबंधित" (correlated) हैं और मिलकर काम कर रहे हैं। यदि वे विपरीत दिशाओं में इशारा करते हैं, तो वे एक-दूसरे से लड़ रहे हैं।

शोध पत्र एक आश्चर्यजनक तथ्य सिद्ध करता है: मानक PINNs में, पास के बिंदुओं के ग्रेडिएंट अक्सर पूरी तरह से अलग दिशाओं में इशारा करते हैं, जैसे कि वे एक-दूसरे के लंबवत (orthogonal/90-डिग्री कोण पर) हों। इसका मतलब है कि AI एक ही समय में दो परस्पर विरोधी चीजों को सीखने की कोशिश कर रहा है जो बिल्कुल बगल में स्थित हैं। आपसी सहमति की यह कमी ही "प्रोपैगेशन फेलियर" का मूल कारण है। सही सीमा (boundary) से मिलने वाली जानकारी अवरुद्ध हो जाती है क्योंकि बीच का रास्ता विरोधाभासी संकेतों का एक अराजक ढेर बन जाता है।

ProPINN समाधान: पड़ोस की निगरानी (The Neighborhood Watch)

तो, आप उस छात्र को कैसे ठीक करेंगे जो अपने पड़ोसियों से बात नहीं करना चाहता? आप केवल उन्हें जोर से बोलने के लिए नहीं कहते; आप कक्षा का लेआउट बदल देते हैं। लेखक ProPINN का प्रस्ताव करते हैं, जो एक नया आर्किटेक्चर है जिसे इन पड़ोसियों को सहयोग करने के लिए मजबूर करने हेतु डिज़ाइन किया गया है।

यहाँ ProPINN कैसे काम करता है, एक मनोरंजक उपमा के साथ:
कल्पना कीजिए कि मानक PINN एक मैदान में खड़े लोगों का एक समूह है, जिनमें से प्रत्येक के हाथ में कागज का एक टुकला है। उन्हें एक पहेली हल करने के लिए कहा गया है, लेकिन वे केवल अपने स्वयं के कागज को देख सकते हैं। वे भ्रमित और फंसे हुए हैं।
ProPINN नियमों को बदल देता है। पहेली को हल करने से पहले, यह प्रत्येक व्यक्ति को एक "पड़ोस किट" (neighborhood kit) देता है।

1. डिफरेंशियल पर्टर्बेशन (Differential Perturbation): AI एक एकल बिंदु लेता है और उसके कुछ "घोस्ट" (ghost) संस्करण बनाता है, जो अलग-अलग दिशाओं में थोड़े से स्थानांतरित होते हैं (जैसे एक ही स्थान को थोड़े अलग कोणों से देखना)।
2. शेयर्ड प्रोजेक्शन (Shared Projection): इन सभी बिंदुओं (मूल और घोस्ट) को एक साझा "अनुवादक" में डाला जाता है जो उन्हें एक सामान्य भाषा में परिवर्तित करता है।
3. मल्टी-रीजन मिक्सिंग (Multi-Region Mixing): यह जादुगत कदम है। AI मूल बिंदु और उसके घोस्ट से प्राप्त जानकारी लेता है, उन्हें आपस में मिलाता है, और उनका औसत निकालता है। यह ऐसा है जैसे कमरे के बीच में बैठा छात्र अब निर्णय लेने से पहले अपने तत्काल घेरे के सभी लोगों के विचारों को सुन सकता है।

पास के बिंदुओं के ग्रेडिएंट्स (विचारों) को मिलाकर, ProPINN यह सुनिश्चित करता है कि AI केवल एक बिंदु के लिए अलग-थलग होकर न सीखे। यह एक पूरे क्षेत्र के लिए एक सुसंगत पैटर्न सीखता है। यह पड़ोसियों के बीच एक मजबूत "कठोरता" (stiffness) या जुड़ाव बनाता है, ठीक वैसे ही जैसे पुराने FEM तरीके में स्प्रिंग्स होते हैं। सीमाओं से मिलने वाला "सही" पर्यवेक्षण अब मिश्रित ग्रेडिएंट्स के माध्यम से सुचारू रूप से प्रवाहित हो सकता है, जिससे वह बिना खोए आंतरिक भाग तक पहुँच सकता है।

परिणाम: तेज़, स्मार्ट और अधिक सटीक

यह शोध पत्र केवल सिद्धांत की बात नहीं करता है; उन्होंने इसे कुछ सबसे कठिन भौतिक समस्याओं के विरुद्ध परखा है। उन्होंने इसे निम्नलिखित चीज़ों पर परखा:

• संवहन (Convection): यह सिम्युलेट करना कि गर्मी या तरल की लहर एक स्थान पर कितनी तेजी से चलती है।
• रिएक्शन-डिफ्यूजन (Reaction-Diffusion): यह मॉडल करना कि रसायन कैसे मिलते हैं और प्रतिक्रिया करते हैं, जिससे जटिल पैटर्न बनते हैं।
• द्रव गतििकी (Fluid Dynamics): एक सिलेंडर के चारों ओर हवा की भंवरदार गति (प्रसिद्ध "कर्मन वोर्टेक्स स्ट्रीट") और एक टोरस (डोनट के आकार) में पानी के प्रवाह का अनुकरण करना।

इन परीक्षणों में, मानक PINNs अक्सर बुरी तरह विफल रहे, जिससे त्रुटियां बहुत बड़ी हो गईं या वे गलत समाधानों में फंस गए। यहाँ तक कि उन्नत मॉडलों ने भी, जिन्होंने "अटेंशन मैकेनिज्म" (भाषा मॉडल में ट्रांसफॉर्मर की तरह काम करने वाला एक तरीका) का उपयोग करने की कोशिश की, संघर्ष किया। वे बहुत धीमे थे और कभी-कभी अस्थिर भी थे।

हालाँकि, ProPINN ने उत्कृष्ट प्रदर्शन किया।

• सटीकता: इसने दूसरे सबसे अच्छे मॉडल की तुलना में औसतन 46% तक त्रुटि को कम किया। कुछ विशिष्ट कार्यों में, जैसे 1D-वेव समीकरण में, इसने प्रदर्शन में 70% से अधिक का सुधार किया।
• गति: क्षेत्रों को मिलाने के लिए अधिक काम करने के बावजूद, ProPINN वास्तव में ट्रांसफार्मर-आधारित मॉडलों की तुलना में 2 से 3 गुना तेज़ था। ऐसा इसलिए है क्योंकि यह अटेंशन मैकेनिज्म के लिए आवश्यक भारी, जटिल गणनाओं के बजाय एक सरल, कुशल मिक्सिंग लेयर का उपयोग करता है।
• स्थिरता: सबसे अराजक द्रव सिमुलेशन में, जहाँ अन्य मॉडल क्रैश हो गए या "NaN" (Not a Number) त्रुटियां देने लगे, ProPINN सुचारू रूप से काम करता रहा।

लेखकों ने यह भी दिखाया कि यह विधि तब भी अच्छी तरह काम करती है जब मॉडल बड़े होते हैं। मानक PINNs जैसे-जैसे उनमें परतें जोड़ी जाती हैं (उन्हें "डीप" बनाया जाता है), वे खराब होते जाते हैं, लेकिन ProPINN वास्तव में बेहतर होता जाता है, जो दर्शाता है कि यह प्रभावी ढंग से स्केल (scale up) हो सकता है।

यह क्यों महत्वपूर्ण है

यह शोध पत्र एक बड़ी उपलब्धि है क्योंकि यह भौतिकी की समस्याओं को हल करने के लिए केवल "अलग-अलग ट्रिक्स आज़माने" से आगे बढ़ता है। यह इस मौलिक कारण की पहचान करता है कि ये AI मॉडल क्यों विफल होते हैं: उनमें पड़ोसियों के बीच भौतिक जुड़ाव की कमी है। भौतिक बलों के वास्तविक प्रसार (जैसे कि एक मेश में स्प्रिंग्स) की नकल करने के लिए आर्किटेक्चर को ठीक करके, ProPINN इन न्यूरल नेटवर्क की वास्तविक क्षमता को खोल देता है।

यह एक याद दिलाता है कि कभी-कभी, एक स्मार्ट मशीन को स्मार्ट बनाने का सबसे अच्छा तरीका उसे बड़ा बनाना या अधिक डेटा देना नहीं है, बल्कि यह बदलना है कि वह खुद के साथ कैसे जुड़ती है। ProPINN दिखाता है कि पड़ोसियों को अपना भार साझा करने की अनुमति देकर, हम भौतिकी के कुछ सबसे जटिल समीकरणों को अभूतपूर्व गति और सटीकता के साथ हल कर सकते हैं। चाहे बेहतर हवाई जहाज डिजाइन करना हो, मौसम के पैटर्न की भविष्यवाणी करना हो, या नई सामग्रियों का अनुकरण करना हो, यह नया दृष्टिकोण वैज्ञानिक कंप्यूटिंग के भविष्य के लिए एक विश्वसनीय मार्ग प्रदान करता है।