तकनीकी सारांश: जनसंख्यात्मक व्युत्क्रम समस्याओं में कुशल वि-कन्वोल्यूशन (Deconvolution)

1. समस्या विवरण

यह शोध पत्र जनसंख्यात्मक व्युत्क्रम समस्याओं (populational inverse problems) को संबोधित करता है, जहाँ उद्देश्य एक एकल पैरामीटर मान के बजाय, एक भौतिक प्रणाली को नियंत्रित करने वाले मॉडल मापदंडों ($\mu^\dagger$) के वितरण का अनुमान लगाना है। यह तब उत्पन्न होता है जब डेटा $N$ अलग-अलग भौतिक प्रणालियों (जैसे कि निर्मित संपत्तियां या वायुमंडलीय वास्तविकताएं) के संग्रह से एकत्र किया जाता है, जिनमें से प्रत्येक एक सामान्य परिवार से प्राप्त विभिन्न पैरामीटर सेटिंग्स द्वारा नियंत्रित होती है।

इस क्षेत्र में एक महत्वपूर्ण चुनौती ब्लाइंड डीकनवोल्यूशन (blind deconvolution) है: अवलोकनीय शोर वितरण ($\eta^\dagger$) अक्सर अज्ञात होता है। पारंपरिक व्युत्क्रम समस्याएँ ज्ञात शोर विशेषताओं को मानती हैं; हालाँकि, जनसंख्यात्मक सेटिंग्स में, शोर पैरामीटर वितरण के 'पुशफॉरवर्ड' (pushforward) को दूषित करता है, जिससे पैरामीटर वितरण और शोर वितरण के बीच अलगाव करना कठिन हो जाता है। यह समस्या निम्नलिखित कारणों से और भी जटिल हो जाती है:

• गणना संबंधी लागत (Computational Cost): फॉरवर्ड मॉडल (जैसे PDE सॉल्वर) और उसके डेरिवेटिव का मूल्यांकन करना अत्यधिक महंगा है।
• ब्लैक-बॉक्स बाधाएं (Black-Box Constraints): चिकित्सकों के पास अक्सर लीगेसी न्यूमेरिकल कोड होता है जो डिफरेंशिएबल नहीं होता या जिसमें ऑटोमैटिक डिफरेंशिएशन टूल्स तक पहुँच नहीं होती है।
• असंततता (Discontinuity): कुछ प्रणालियों में (जैसे कि अराजक गतिकी/chaotic dynamics), पैरामीटर-टू-सॉल्यूशन मैप असंतत हो सकता है।

लक्ष्य मॉडल मापदंडों के वितरण और अवलोकनीय शोर के वितरण को बड़े डेटासेट का उपयोग करके एक साथ सीखना है।

2. कार्यप्रणाली

लेखक डीकनवोल्यूशन (deconvolution), वितरण संबंधी व्युत्क्रम (distributional inversion), और सक्रिय शिक्षण सरोगेट मॉडलिंग (active learning surrogate modeling) को संयोजित करने वाला एक एकीकृत ढांचा प्रस्तावित करते हैं।

2.1. गणितीय सूत्रीकरण

डेटा जनरेशन प्रक्रिया को इस प्रकार मॉडल किया गया है:
$$y^{(n)} = g \circ F^\dagger(z^{(n)}) + \xi^{(n)}$$
जहाँ $z^{(n)} \sim \mu^\dagger$ (अज्ञात पैरामीटर वितरण), $\xi^{(n)} \sim \eta^\dagger$ (अज्ञात शोर, जिसे गाऊसी $N(0, \Gamma^\dagger)$ माना गया है), और $g \circ F^\dagger$ फॉरवर्ड ऑपरेटर है। अवलोकित डेटा वितरण $\nu$, शोर और पैरामीटर वितरण के पुशफॉरवर्ड का कन्वोल्यूशन है:
$$\nu = \eta^\dagger * (g \circ F^\dagger)^\# \mu^\dagger$$

2.2. लॉस फंक्शन और अनुकूलन (योगदान C1 और C2)

अज्ञातों को हल करने के लिए, लेखक एम्पिरिकल डेटा मेजर और जेनेरेटिव मॉडल मेजर के बीच स्लाइस्ड-वॉसरस्टीन (Sliced-Wasserstein - SW) दूरी पर आधारित एक लॉस फंक्शन को परिभाषित करते हैं। उद्देश्य को कम करना है:
$$J(\alpha, \Gamma) = \frac{d_y}{2} SW^2_{2, \Gamma}(\nu_N, \eta(\Gamma) * (g \circ F^\dagger)^\# \mu(\alpha)) + h(\alpha) + r(\Gamma)$$
जहाँ $\alpha$, $\mu(\alpha)$ को पैरामीटराइज़ करता है और $\Gamma$, $\eta(\Gamma)$ को पैरामीटराइज़ करता है।

एक प्रमुख सैद्धांतिक योगदान कट-ग्रेडिएंट (Cut-Gradient) अनुकूलन योजना का परिचय है।

• मानक ग्रेडिएंट डिसेंट (Standard Gradient Descent): पैरामीटर वितरण और शोर सहप्रसरण (noise covariance) दोनों के संबंध में एक साथ ग्रेडिएंट की गणना करता है।
• कट-ग्रेडिएंट डिसेंट (Cut-Gradient Descent): एक संशोधित एल्गोरिदम जहाँ शोर सहप्रसरण $\Gamma$ के संबंध में ग्रेडिएंट की गणना तब की जाती है जब दूरी मेट्रिक गणना में उपयोग किए जाने वाले शोर पद के माध्यम से ग्रेडिएंट प्रवाह को "काट" (रोक) दिया जाता है (विशेष रूप से, ग्रेडिएंट स्टेप के दौरान मेट्रिक के प्रीकंडीशनिंग मैट्रिक्स को स्थिर मानकर)।
• सैद्धांतिक परिणाम: अनंत डेटा सीमा ($N \to \infty$) में, दोनों विधियाँ एक ही ग्लोबल मिनिमाइज़र पर अभिसरित होती हैं। हालाँकि, परिमित डेटा सेटिंग्स ($N < \infty$) में, कट-ग्रेडिएंट दृष्टिकोण एम्पिरिकलइजेशन त्रुटियों (सैंपलिंग शोर) के प्रति अधिक मजबूत होने का प्रमाण देता है, और उन स्केलिंग डिपेंडेंसी से बचता है जो मानक ग्रेडिएंट दृष्टिकोण को प्रभावित करती हैं।

2.3. सरोगेट मॉडलिंग (योगदान C3)

फॉरवर्ड ऑपरेटर $F^\dagger$ की गणना संबंधी लागत और ब्लैक-बॉक्स बाधाओं को दूर करने के लिए, इसे एक ट्रेन करने योग्य सरोगेट मॉडल $F^\phi$ (जैसे कि फूरियर न्यूरल ऑपरेटर या MLP) द्वारा प्रतिस्थापित किया जाता है।

• समवर्ती शिक्षण (Concurrent Learning): सरोगेट पैरामीटर्स $\phi$ को व्युत्क्रम समस्या के मापदंडों $(\alpha, \Gamma)$ के साथ एक साथ सीखा जाता है।
• सक्रिय शिक्षण योजना (Active Learning Scheme): सरोगेट को एक अनुकूली एम्पिरिकल मेजर $P_t^{z,u}$ पर प्रशिक्षित किया जाता है। यह मेजर प्रशिक्षण डेटा अधिग्रहण को पैरामीटर स्पेस के उन क्षेत्रों में केंद्रित करता है जहाँ वर्तमान अनुमान $\mu(\alpha_t)$ के तहत उच्च संभाव्यता है। यह सुनिश्चित करता है कि सरोगेट वर्तमान अनुमान चरण के लिए सबसे महत्वपूर्ण स्थानों पर सटीक हो, जिससे अभिसरण (convergence) तेज होता है और मूल कोड के ब्लैक-बॉक्स होने पर भी सरोगेट पर ऑटोमैटिक डिफरेंशिएशन का उपयोग संभव होता है।

3. मुख्य योगदान

यह शोध पत्र छह विशिष्ट योगदानों को रेखांकित करता है:

1. सूत्रीकरण (Formulation): शोर के डीकनवोल्यूशन और PDE पैरामीटर वितरणों की पहचान के लिए एक नियमितीकृत संभाव्य लॉस फंक्शन।
2. अनुकूलन एल्गोरिदम (Optimization Algorithm): एक संशोधित ग्रेडिएंट डिसेंट (कट-ग्रेडिएंट) जो अनंत डेटा सीमा में मानक ग्रेडिएंट डिसेंट के सैद्धांतिक रूप से समान है, लेकिन परिमित नमूना एम्पिरिकलइजेशन के प्रति बेहतर मजबूती प्रदर्शित करता है।
3. सरोगेट प्रशिक्षण (Surrogate Training): एक सक्रिय शिक्षण योजना जो विशेष रूप से रुचि के पैरामीटर क्षेत्रों पर सरोगेट मॉडल को प्रशिक्षित करती है जो विकसित होते वितरण अनुमान द्वारा परिभाषित होते हैं।
4. पोरस मीडियम फ्लो (डार्सी - Porous Medium Flow/Darcy): अनकोरिलेटेड (uncorrelated) और कोरिलेटेड (correlated) शोर परिदृश्यों में एम्पिरिकलइजेशन के प्रति एल्गोरिदम की मजबूती का प्रदर्शन।
5. इलास्टोडायनामिक्स (Elastodynamics): तीन शोर परिदृश्यों के साथ डैम्प्ड इलास्टोडायनामिक्स पर अनुप्रयोग: अनकोरिलेटेड (स्पार्स स्पेस/डेंस टाइम), कोरिलेटेड (स्पार्स स्पेस/टाइम को अनकोरिलेटेड के रूप में सीखा गया), और कोरिलेटेड (डेंस स्पेस/टाइम)।
6. अराजक प्रणालियाँ (Chaotic Systems): समय-औसत सांख्यिकी (time-averaged statistics) का उपयोग करके लोरेंज्ज 96 (Lorenz 96) मॉडलों के लिए पद्धति का अनुकूलन, जो दोनों पैरामीटर वितरणों और परिमित-समय औसत से उत्पन्न होने वाले सेंट्रल लिमिट थ्योरम (CLT) एरर के सहप्रसरण को सीखता है।

4. प्रयोगात्मक परिणाम

कार्यप्रणाली का परीक्षण तीन अलग-अलग भौतिक डोमेन पर किया गया था:

• पोरस मीडियम फ्लो (डार्सी मॉडल):

  • कट-ग्रेडिएंट एल्गोरिदम ने शोर वेरिएंस के अनुमान में, विशेष रूप से छोटे डेटा सेट ($N < 1000$) के साथ, मानक-ग्रेडिएंट एल्गोरिदम की तुलना में लगातार बेहतर प्रदर्शन किया।
  • विधि ने अनकोरिलेटेड (स्केल्ड आइडेंटिटी) और कोरिलेटेड (व्हिटल-मैटरन - Whittle-Matérn) शोर के लिए मापदंडों को सफलतापूर्वक रिकवर किया, जिसमें शोर आयाम, लेंथस्केल और पारगम्यता (permeability) वितरण मापदंडों का संयुक्त अनुमान शामिल है।

• इलास्टोडायनामिक्स (Elastodynamics):

  • केस 1 (अनकोरिलेटेड शोर): हाई-फ्रीक्वेंसी एक्सेलेरेशन डेटा से शोर मानक विचलन और सामग्री गुण वितरण मापदंडों (एम्प्लीट्यूड और लेंथस्केल) को सफलतापूर्वक इन्फर किया।
  • केस 2 (मिसस्पेसिफाइड शोर): एक वास्तविक कोरिलेटेड शोर क्षेत्र को अनुमानित करने के लिए अनकोरिलेटेड शोर मॉडल सीखकर मजबूती प्रदर्शित की, और मार्जिनल स्टैंडर्ड डेविएशन को सटीक रूप से रिकवर किया।
  • केस 3 (डेंस कोरिलेटेड शोर): डेंस स्पैटियोटेम्पोरल ऑब्जर्वेशन का उपयोग करके कोरिलेटेड शोर क्षेत्र के आयाम और लेंथस्केल के साथ-साथ सामग्री मापदंडों को सफलतापूर्वक रिकवर किया।
  • सभी मामलों में, समवर्ती सरोगेट लर्निंग (FNOs का उपयोग करके) ने जटिल PDE सॉल्वर के बावजूद कुशल प्रशिक्षण की अनुमति दी।

• वायुमंडलीय गतिकी (Lorenz 96):

  • सिंगल-स्केल और मल्टी-स्केल अराजक मॉडलों पर समय-औसत सांख्यिकी का उपयोग करके लागू किया गया।
  • इसने फोर्सिंग पैरामीटर्स ($F, h, b$) के वितरण और परिमित-समय औसत के CLT अनुमान से उत्पन्न होने वाले शोर सहप्रसरण मैट्रिक्स को सफलतापूर्वक सीखा।
  • सक्रिय शिक्षण योजना ने प्रभावी ढंग से पैरामीटर स्पेस के उच्च-घनत्व वाले क्षेत्रों पर प्रशिक्षण को केंद्रित किया, और सीखा गया कोवेरिएंस मैट्रिक्स वास्तविक प्रणाली के एम्पिरिकल कोवेरिएंस से निकटता से मेल खाता था।

5. महत्व और दावे

यह शोध पत्र दावा करता है कि यह कार्य उन सेटिंग्स के लिए एक लचीला और व्यापक रूप से लागू होने वाला इन्फरेंस स्कीम प्रदान करता है जहाँ डेटा भौतिक प्रणालियों के संग्रह से प्राप्त होता है। इसका प्राथमिक महत्व है:

• संयुक्त डीकनवोल्यूशन (Simultaneous Deconvolution): शोर की संरचना के पूर्व ज्ञान की आवश्यकता के बिना भौतिक पैरामीटर वितरण और अज्ञात शोर वितरण दोनों को सीखने में सक्षम बनाना।
• मजबूती (Robustness): कट-ग्रेडिएंट एल्गोरिदम परिमित डेटा के साथ वितरण व्युत्क्रम (distributional inversion) में अक्सर पाई जाने वाली अस्थिरता के लिए एक व्यावहारिक समाधान प्रदान करता है।
• दक्षता (Efficiency): सक्रिय शिक्षण सरोगेट मॉडल का एकीकरण इस पद्धति को महंगे, ब्लैक-बॉक्स, या गैर-डिफरेंशिएबल फॉरवर्ड मॉडल को संभालने की अनुमति देता है, जिससे यह वास्तविक दुनिया की इंजीनियरिंग और वैज्ञानिक समस्याओं (जैसे निर्मित संपत्तियों की गुणवत्ता नियंत्रण, तैनात प्रणालियों की निगरानी और जनरल सर्कुलेशन मॉडल को कैलिब्रेट करना) के लिए लागू करने योग्य बनाता है।

लेखक निष्कर्ष निकालते हैं कि हालांकि यह विधि प्रभावी है, भविष्य के कार्य स्टोकेस्टिक डिफरेंशियल इक्वेशन्स, गैर-गाऊसी शोर मॉडल, और पैरामीटर पहचान क्षमता (identifiability) तथा परिमित-नमूना प्रदर्शन के संबंध में मजबूत सैद्धांतिक गारंटी की खोज कर सकते हैं।