🤖 machine learning

STFlow: Data-Coupled Flow Matching for Geometric Trajectory Simulation

STFlow एक नवीन जनरेटिव मॉडल है जो ज्यामितीय समरूपताओं (geometric symmetries) का सम्मान करते हुए N-body, आणविक और मानव गतिकी प्रणालियों में जटिल, बहु-स्तरीय प्रक्षेप पथों (multi-scale trajectories) को कुशलतापूर्वक और सटीक रूप से सिम्युलेट करने के लिए इन्फॉर्म्ड रैंडम-वॉक प्रायर्स (informed random-walk priors) के साथ डेटा-कपल्ड फ्लो मैचिंग का लाभ उठाता है।

मूल लेखक: Kiet Bennema ten Brinke, Koen Minartz, Vlado Menkovski

प्रकाशित 2026-05-28

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kiet Bennema ten Brinke, Koen Minartz, Vlado Menkovski

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 पक्षियों के झुंड, नर्तकों के समूह, या यहाँ तक कि एक अणु (molecule) में परमाणुओं के पथ की भविष्यवाणी करने की कोशिश कर रहे हैं। आप देखते हैं कि वे अभी कहाँ हैं और कुछ सेकंड पहले वे कहाँ थे। आपका लक्ष्य यह अनुमान लगाना है कि वे एक क्षण बाद कहाँ होंगे।

यह ट्रैजेक्टरी सिमुलेशन (trajectory simulation) की समस्या है। यह पेचीदा है क्योंकि ये प्रणालियाँ अराजक (chaotic) होती हैं; एक मामूली सा धक्का भी पक्षी को पूरी तरह से अलग दिशा में उड़ा सकता है, और उनकी गतिविधियाँ अक्सर जटिल और बहु-स्तरीय होती हैं।

यह शोध पत्र एक नया टूल पेश करता है जिसे STFlow (स्पैटियो-टेम्पोरल फ्लो) कहा जाता है। यह कैसे काम करता है, इसके लिए कुछ रोजमर्रा के उदाहरणों का उपयोग किया गया है:

पुराना तरीका: अंधेरे में अनुमान लगाना

अधिकांश पिछले AI मॉडल इसे एक पूरी तरह से रैंडम अनुमान के साथ सीखने की कोशिश करते थे—जैसे कि एक पक्षी की सटीक तस्वीर बनाने की कोशिश करना, जहाँ आप एक खाली कैनवास से शुरू करते हैं और तब तक रैंडम रंगों के छींटे डालते हैं जब तक कि वह सही न दिखने लगे।

समस्या: क्योंकि शुरुआती बिंदु (रैंडम शोर/noise) वास्तविक उत्तर (वास्तविक पक्षी का पथ) से बहुत दूर होता है, इसलिए AI को इसे सही करने के लिए बहुत अधिक "सफाई" और "पेंटिंग" करने की आवश्यकता होती है। इसमें बहुत समय लगता है, कई चरणों की आवश्यकता होती है, और अक्सर गलतियाँ जमा होती जाती हैं।

STFlow का तरीका: "सूचित" शुरुआती रेखा (The "Informed" Starting Line)

STFlow खेल बदल देता है क्योंकि यह एक खाली कैनवास से शुरू नहीं होता है। इसके बजाय, यह एक स्मार्ट स्केच से शुरू होता है।

"इन्फॉर्म्ड प्रायर" (एक स्मार्ट स्केच):
कल्पना कीजिए कि आप एक धावक को देख रहे हैं। आप देखते हैं कि वह एक स्थिर गति से दौड़ रहा है। उनके भविष्य के पथ का शून्य से अनुमान लगाने के बजाय, STFlow कहता है, "ठीक है, आइए मान लें कि वे कुछ और कदमों के लिए उसी गति से दौड़ते रहेंगे, लेकिन शायद वे थोड़ा डगमगा सकते हैं।"

यह उस वास्तविक डेटा का उपयोग करता है जो आपके पास पहले से मौजूद है (वीडियो के पिछले कुछ फ्रेम) और बुनियादी भौतिकी (जैसे जड़त्व/inertia) का उपयोग करके इसे थोड़ा आगे बढ़ाता है।
यह एक ऐसा "शोर युक्त" (noisy) शुरुआती बिंदु बनाता है जो वास्तविक उत्तर के बहुत करीब है। यह AI को रेस ट्रैक के पार्किंग लॉट से शुरू करने के बजाय, रेस ट्रैक पर एक बढ़त देने जैसा है।

"फ्लो मैचिंग" (एक निर्देशित पथ):
चूंकि AI सच्चाई के बहुत करीब से शुरू होता है, इसलिए इसे पथ को ठीक करने के लिए बहुत अधिक काम करने की आवश्यकता नहीं होती है। इसे बस छोटे, सटीक समायोजन करने की आवश्यकता है।

इसे कार चलाने की तरह समझें। यदि आप सीधे चल रहे हैं लेकिन थोड़े रास्ते से भटक गए हैं, तो आपको वापस पटरी पर आने के लिए बस स्टीयरिंग व्हील को थोड़ा सा घुमाने की आवश्यकता है। यदि आप पूरी तरह से गलत दिशा में जा रहे होते, तो आपको पूरा यू-टर्न लेना पड़ता। STFlow यह सुनिश्चित करता है कि AI हमेशा केवल उन छोटे, आसान मोड़ों को ही ले।

यह क्यों महत्वपूर्ण है

शोध पत्र का दावा है कि यह दृष्टिकोण तीन मुख्य कारणों से एक बड़ी जीत है:

यह तेज़ है: क्योंकि AI उत्तर के करीब से शुरू होता है, इसलिए इसे सिमुलेशन पूरा करने के लिए बहुत कम चरणों की आवश्यकता होती है। अपने परीक्षणों में, STFlow केवल 5 चरणों में परिणाम दे सका, जबकि अन्य तरीकों को सैकड़ों चरणों की आवश्यकता थी। यह पूरे शहर के ब्लॉक के चारों ओर घूमने के बजाय पार्क के माध्यम से शॉर्टकट लेने जैसा है।
यह अधिक सटीक है: गति के प्राकृतिक नियमों (जैसे कि वस्तुएं तब तक चलती रहती हैं जब तक उन्हें रोका न जाए) का सम्मान करते हुए, इसकी भविष्यवाणियां बहुत अधिक यथार्थवादी हैं। उन्होंने पाया कि STFlow ने कण भौतिकी (particle physics), आणविक गतिविधियों और यहाँ तक कि मानव बास्केटबॉल खिलाड़ियों के पथ की भविष्यवाणी करने में पिछले शीर्ष मॉडलों की तुलना में काफी कम गलतियाँ कीं।
यह अच्छी तरह से स्केल करता है: यह विधि इतनी कुशल है कि यह बड़ी संख्या में वस्तुओं (जैसे हजारों कणों) को संभालने में सक्षम है बिना कंप्यूटर की मेमोरी या समय समाप्त किए। यह रैखिक (linearly) रूप से स्केल करता है, जिसका अर्थ है कि यदि आप वस्तुओं की संख्या दोगुनी करते हैं, तो आप केवल काम को दोगुना करते हैं, न कि कंप्यूटर को जटिलता से विस्फोट करने देते हैं।

उन्होंने इसका परीक्षण कहाँ किया

लेखकों ने केवल बातें नहीं कीं; उन्होंने इसे तीन बहुत अलग "दुनियाओं" पर परखा:

N-बॉडी सिस्टम: आवेशित कणों या ग्रहों को गुरुत्वाकर्षण के साथ खींचने वाले सिस्टम का अनुकरण करना।
आणविक गतिकी (Molecular Dynamics): यह देखना कि छोटे अणुओं (जैसे एस्पिरिन या इथेनॉल) में परमाणु कैसे हिलते और कंपन करते हैं।
मानव प्रक्षेपवक्र (Human Trajectories): उनकी पिछली गतिविधियों के आधार पर बास्केटबॉल खिलाड़ी आगे कहाँ जाएंगे, इसकी भविष्यवाणी करना।

इन तीनों मामलों में, STFlow ने प्रतिस्पर्धा को पछाड़ दिया, कम कंप्यूटिंग पावर के साथ अधिक सहज और सटीक पथ प्रदान किए।

निचोड़ (The Bottom Line)

STFlow चलती हुई चीजों के भविष्य की भविष्यवाणी करने के लिए AI को सिखाने का एक नया तरीका है। रैंडम शोर का उपयोग करके AI को शून्य से सीखने के लिए मजबूर करने के बजाय, यह AI को जो उसने अभी देखा है उसके आधार पर एक "स्मार्ट अनुमान" देता है। यह सीखने की प्रक्रिया को तेज़, भविष्यवाणियों को अधिक सटीक और पूरे सिस्टम को बहुत अधिक कुशल बनाता है।

तकनीकी सारांश: STFlow – ज्यामितीय प्रक्षेपवक्र सिमुलेशन के लिए डेटा-युग्मित फ्लो मैचिंग (Data-Coupled Flow Matching)

1. समस्या का निरूपण (Problem Formulation)

गतिक प्रणालियों (dynamical systems) का सिमुलेशन, जिसमें आणविक गतिशीलता (molecular dynamics) से लेकर खगोल भौतिकी (astrophysics) और पैदल यात्रियों की गतिशीलता तक शामिल है, समय के साथ $N$ -बॉडी प्रणालियों के विकास को मॉडल करने की आवश्यकता रखता है। ये प्रणालियाँ तीव्र अंतःक्रियाओं (strong interactions), बहु-पैमाने की अस्थायी निर्भरताओं (multi-scale temporal dependencies), और विक्षोभों (perturbations) के प्रति उच्च संवेदनशीलता द्वारा अभिलक्षित होती हैं, जो अक्सर द्विभाजन (bifurcations) की ओर ले जाती हैं।

मुख्य चुनौती सशर्त प्रक्षेपवक्र सिमुलेशन (conditional trajectory simulation) है: दिए गए प्रारंभिक अनुक्रम वाले फ्रेम ( $x_{0:c}$ ) के आधार पर, मॉडल को भविष्य के प्रक्षेपवक्र ( $x_{c:T}$ ) की भविष्यवाणी करनी चाहिए जबकि अंतर्निहित समरूपताओं (कणों की क्रम विनिमय अपरिवर्तनीयता/permutation invariance और समय-शिफ्ट समरूपता/time-shift equivariance) का सम्मान करना चाहिए। जबकि हालिया उन्नत गहन जनरेटिव मॉडलिंग (डिफ्यूजन और फ्लो मैचिंग) ने आशाजनक परिणाम दिखाए हैं, मौजूदा विधियाँ आमतौर पर असूचित गॉसियन प्रायर्स (uninformed Gaussian priors) पर निर्भर करती हैं। यह चुनाव प्रायोर (prior) और लक्ष्य वितरण (target distribution) के बीच एक बड़ा "परिवहन लागत" (transport cost) उत्पन्न करता है, जिससे मॉडल को पर्याप्त डीनॉइजिंग करने के लिए जटिल वेक्टर फील्ड्स सीखने के लिए मजबूर होना पड़ता है। इसके परिणामस्वरूप अनुमान (inference) के दौरान उच्च कम्प्यूटेशनल लागत (कई फंक्शन इवैलुएशन की आवश्यकता) और हाइपरपैरामीटर ट्यूनिंग के प्रति संवेदनशीलता होती है। इसके अलावा, ये विधियाँ प्रायोर वितरण का निर्माण करते समय देखे गए प्रारंभिक फ्रेमों में उपलब्ध समृद्ध जानकारी का लाभ उठाने में विफल रहती हैं।

2. कार्यप्रणाली: STFlow

लेखक STFlow (स्पैटियो-टेम्पोरल फ्लो) का प्रस्ताव करते हैं, जो एक फ्लो मैचिंग आधारित जनरेटिव मॉडल है जो डेटा-निर्भर युग्मन (data-dependent couplings) और एक विशिष्ट आर्किटेक्चर के माध्यम से इन सीमाओं को संबोधित करता है।

2.1. डेटा-निर्भर युग्मन और सूचित प्रायर्स (Informed Priors)

मानक फ्लो मैचिंग दृष्टिकोणों के विपरीत, जहाँ $x_0$ को $x_1$ से स्वतंत्र रूप से सैंपल किया जाता है (जैसे, $x_0 \sim \mathcal{N}(0, I)$ ), STFlow एक डेटा-निर्भर युग्मन $\pi(x_0, x_1)$ का निर्माण करता है।

सूचित प्रायोर निर्माण (Informed Prior Construction): $x_0$ का निर्माण इस प्रकार किया जाता है कि देखे गए प्रारंभिक फ्रेम ( $x_{0:c}$ ) यथावत रहें, जबकि अनदेखे भविष्य के फ्रेमों को एक स्टोकेस्टिक प्रक्रिया द्वारा प्रतिस्थापित किया जाता है।
रैंडम वॉक प्रायोर (Random Walk Prior): साधारण गॉसियन शोर के बजाय, अनदेखे हिस्से को देखे गए प्रक्षेपवक्र के सांख्यिकी द्वारा पैरामीटराइज्ड एक रैंडम वॉक ( $\zeta$ ) के रूप में मॉडल किया जाता है। विशेष रूप से, औसत वेग ( $\mu$ ) और वेग प्रसरण ( $\sigma_o$ ) का अनुमान देखे गए टाइमस्टेप्स $x_{0:c}$ से लगाया जाता है।
$\zeta_t = \zeta_{t-1} + \mu + \sigma_o \odot z_t$
जहाँ $z_t \sim \mathcal{N}(0, I)$ ।
लाभ: यह "सूचित" प्रायोर सिस्टम के भौतिक गुणों (निरंतरता, जड़त्व) के साथ शुरुआती वितरण को संरेखित करता है, जिससे प्रायोर और लक्ष्य वितरण के बीच परिवहन लागत काफी कम हो जाती है। यह सीखने के कार्य को सरल बनाता है, जिससे एक सीधा फ्लो प्राप्त होता है और अनुमान के दौरान कम इंटीग्रेशन स्टेप्स की आवश्यकता होती है।

2.2. मॉडल आर्किटेक्चर

STFlow एक क्रम विनिमय-अपरिवर्तनीय (permutation-equivariant) और समय-शिफ्ट-समरूप (time-shift equivariant) आर्किटेक्चर का उपयोग करता है ताकि उस वेक्टर फील्ड $v_\theta$ की भविष्यवाणी की जा सके जो प्रायोर से डेटा की ओर प्रवाह को संचालित करता है। आर्किटेक्चर दो मुख्य परतों के बीच बारी-बारी से काम करता है:

स्पेशियल मैसेज पासिंग (SMP): यह इक्विवेरिएंट ग्राफ कनवल्शनल लेयर्स (EGCL) पर आधारित है। यह नोड दूरियों द्वारा परिभाषित किनारों (edges) के साथ संदेशों को एकत्रित करता है, जो क्रम विनिमय-अपरिवर्तनीय (permutation-equivariant) तरीके से स्थानिक अंतःक्रियाओं को कैप्चर करता है। ग्राफ टोपोलॉजी को डीनॉइज्ड स्थितियों के आधार पर पुनरावृत्ति से अपडेट किया जाता है।
टेम्पोरल मिक्सिंग (TM): यह एक UNet आर्किटेक्चर का उपयोग करता है (जो मूल रूप से इमेज डिफ्यूजन के लिए डिज़ाइन किया गया था) जिसे 1D टेम्पोरल कनवल्शन के लिए अनुकूलित किया गया है। यह बहु-पैमाने की अस्थायी गतिशीलता को कैप्चर करता है और प्रक्षेपवक्र में कंडीशनिंग सिग्नल (नॉइज़ लेवल $\tau$ ) को प्रसारित करता है। लेखक ग्लोबल सेल्फ-अटेंशन बनाम लोकल कनवल्शन का आकलन करने के लिए एक ट्रांसफार्मर के साथ भी प्रयोग करते हैं।

2.3. प्रशिक्षण और अनुमान (Training and Inference)

प्रशिक्षण: मॉडल को कंडीशनल फ्लो मैचिंग ऑब्जेक्टिव का उपयोग करके प्रशिक्षित किया जाता है, जो अनुमानित वेक्टर फील्ड $v_\theta$ और ग्राउंड ट्रुथ वेक्टर फील्ड $u = x_1 - x_0$ के बीच मीन स्क्वेर्ड एरर (MSE) को कम करता है। प्रशिक्षण के दौरान ऊपर वर्णित डेटा-निर्भर युग्मन का उपयोग करके $(x_0, x_1)$ के जोड़े सैंपल किए जाते हैं।
अनुमान (Inference): प्रक्षेपवक्रों को सूचित प्रायोर $x_0$ से सैंपल करके और सीखे गए वेक्टर फील्ड को यूलर इंटीग्रेशन (Euler integration) का उपयोग करके एकीकृत करके जेनरेट किया जाता है। महत्वपूर्ण रूप से, STFlow केवल 5 फंक्शन इवैलुएशन (NFEs) के साथ उच्च निष्ठा (fidelity) प्राप्त करता है, जो डिफ्यूजन मॉडल्स की तुलना में एक महत्वपूर्ण कमी है जिन्हें अक्सर सैकड़ों स्टेप्स की आवश्यकता होती है।

3. प्रमुख योगदान

STFlow मॉडल: एक डेटा-संचालित सिम्युलेटर जो कण गतिशीलता पर एक क्रम विनिमय-अपरिवर्तनीय (permutation-invariant) संभाव्यता वितरण सीखता है, जो कणों की संख्या और प्रक्षेपवक्र की लंबाई दोनों के साथ रैखिक रूप से स्केल करता है।
डेटा-निर्भर युग्मन: एक नवीन प्रायोर निर्माण रणनीति जो रैंडम वॉक को इनिशियलाइज़ करने के लिए देखे गए प्रक्षेपवक्र सांख्यिकी का उपयोग करती है। यह परिवहन लागत को कम करता है, फ्लो को सरल बनाता है, और प्रशिक्षण दक्षता एवं सिमुलेशन निष्ठा दोनों में सुधार करता है।
व्यापक मूल्यांकन: तीन अलग-अलग डोमेन: सिंथेटिक $N$ -बॉडी सिस्टम, आणविक गतिशीलता (MD17), और मानव प्रक्षेपवक्र पूर्वानुमान (NBA) में सत्यापन, जो सामान्यीकरण क्षमताओं (generalization capabilities) को प्रदर्शित करता है।

4. प्रयोगात्मक परिणाम

पेपर में STFlow का स्टेट-ऑफ-द-आर्ट बेसलाइन्स के विरुद्ध मूल्यांकन किया गया है, जिसमें ऑटोरेग्रेसिव मॉडल (Trajectron++, SVAE), डिटरमिनिस्टिक मॉडल (EqMotion, EGNN), और अन्य जनरेटिव मॉडल (GeoTDM, LaM-SLidE, MoFlow) शामिल हैं।

पूर्वानुमान सटीकता (Prediction Accuracy): STFlow अधिकांश बेंचमार्क्स में लगातार सबसे कम पूर्वानुमान त्रुटियां (Average Displacement Error - ADE और Final Displacement Error - FDE) प्राप्त करता है।
- N-body सिस्टम पर, STFlow ने पिछले सर्वश्रेष्ठ मॉडल (LaM-SLidE) की तुलना में ADE में औसतन 48.1% और FDE में 56.9% की कमी की।
- आणविक गतिशीलता (MD17) पर, इसने 8 में से 7 अणुओं पर सबसे कम त्रुटि प्राप्त की, जिसमें LaM-SLidE की तुलना में ADE में 15.6% और FFE में 22.6% की औसत कमी देखी गई।
- मानव प्रक्षेपवक्र पूर्वानुमान (Human Trajectory Forecasting) पर, STFlow ने प्रतिस्पर्धी मीन त्रुटियां उत्पन्न कीं, हालांकि इसने नोट किया कि यह विविधता (diversity) के बजाय निष्ठा (fidelity) को प्राथमिकता देता है (कुछ विशेष मानव प्रक्षेपवक्र मॉडलों की तुलना में उच्च min20 त्रुटियां)।
दक्षता और स्केलेबिलिटी:
- अनुमान गति (Inference Speed): STFlow को केवल 5 NFEs की आवश्यकता होती है, जबकि GeoTDM को काफी अधिक (कुछ तुलनाओं में 200x अधिक तक) की आवश्यकता होती है।
- स्केलिंग: MD17 एस्पिरिन (Aspirin) डेटासेट (ऊपर $T=4000$ फ्रेम्स तक) पर प्रयोग दर्शाते हैं कि STFlow समय और मेमोरी में रैखिक रूप से स्केल करता है। इसे GeoTDM और LaM-SLidE की तुलना में काफी कम GPU मेमोरी और प्रशिक्षण समय की आवश्यकता होती है, जो मेमोरी बाधाओं के कारण बड़े प्रक्षेपवक्र लंबाई तक स्केल करने में विफल रहे थे।
एब्लेशन अध्ययन (Ablation Studies): डेटा-निर्भर युग्मन को हटाने (गॉसियन प्रायर्स पर वापस जाने) से पूर्वानुमान त्रुटियां 74–85% तक बढ़ गईं। स्थानिक या टेम्पोरल लेयर्स को हटाने से प्रदर्शन में भारी गिरावट आई, जो विशिष्ट आर्किटेक्चरल डिज़ाइन की आवश्यकता की पुष्टि करता है।

5. महत्व और दावे

पेपर का दावा है कि STFlow प्रक्षेपवक्र सिमुलेशन के लिए एक सिद्धांत-आधारित दृष्टिकोण प्रस्तुत करता है। जनरेटिव प्रायोर में कंडीशनिंग जानकारी को सीधे शामिल करके, मॉडल प्रायोर से लक्ष्य वितरण तक अधिक प्रत्यक्ष मैपिंग सीखता है।

लेखक इस बात पर जोर देते हैं कि यह दृष्टिकोण पूर्वानुमान सटीकता में निरंतर सुधार के साथ-साथ कम्प्यूटेशनल दक्षता को भी बढ़ाता है। लंबी टेम्पोरल हॉरिजन का "वन-शॉट" सिमुलेशन करने की क्षमता, जो रैखिक स्केलिंग के साथ आती है, इस पद्धति को उन बड़े पैमाने के सिस्टम के लिए व्यावहारिक बनाती है जहाँ पारंपरिक भौतिक-आधारित मॉडलिंग या तो असंभव है या अत्यधिक महंगी है। यह कार्य प्रमाणित करता है कि संभावabilistic प्रक्षेपवक्र सिमुलेशन में प्रदर्शन के लिए कंडीशनिंग सिग्नल के सांख्यिकी को प्रतिबिंबित करने वाले प्रायर्स का निर्माण करना एक प्रमुख कारक है।

लेखकों द्वारा नोट की गई सीमाएं: वर्तमान दृष्टिकोण प्रत्येक डेटासेट के लिए समान-लंबाई के प्रक्षेपवक्र मानकर चलता है और एक रैंडम वॉक प्रायोर का उपयोग करता है, जो मजबूत आवधिकता (periodicity), कठोर बाधाओं (hard constraints), या महत्वपूर्ण बाहरी प्रभावों वाले सिस्टम के लिए अनुपयुक्त हो सकता है। भविष्य के कार्य के रूप में ऑटोरेग्रेसिव डिकंपोजिशन, न्यूरल ऑपरेटर्स और अधिक जटिल प्रायोर डिस्ट्रीब्यूशन का पता लगाने का सुझाव दिया गया है।