Physics-Informed Neural Networks: Bridging the Divide Between Conservative and Non-Conservative Equations

यहाँ अरुण गोविंद नीलन और अन्य लेखकों के शोध पत्र "Physics-Informed Neural Networks: Bridging the Divide Between Conservative and Non-Conservative Equations" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

कंप्यूटेशनल फ्लूइड डायनेमिक्स (CFD) में, आंशिक अवकल समीकरणों (PDEs) को कंजर्वेटिव (संरक्षी) या नॉन-कंजर्वेटिव (असंरक्षीय) रूपों के रूप में प्रस्तुत करना, विशेष रूप से शॉक (shocks) और विच्छिन्नताओं (discontinuities) वाले प्रवाहों में संख्यात्मक सटीकता (numerical accuracy) को महत्वपूर्ण रूप से प्रभावित करता है।

• कंजर्वेटिव रूप (Conservative Form): यह नियमों (द्रव्यमान, संवेग, ऊर्जा) को डाइवर्जेंस फॉर्म ($\partial_t U + \nabla \cdot F(U) = 0$) में व्यक्त करता है। यह शॉक को सही ढंग से कैप्चर करने के लिए मानक है क्योंकि यह स्वाभाविक रूप से रैंकिन-ह्यूगोनियट (Rankine-Hugoniot - RH) जंप स्थितियों को संतुष्ट करता है, जिससे शॉक की गति और भौतिक मात्राओं का संरक्षण सुनिश्चित होता है।
• नॉन-कंजर्वेटिव रूप (Non-Conservative Form): इसे चेन रूल (जैसे प्रिमिटिव वेरिएबल्स जैसे वेग और दबाव का उपयोग करके) के माध्यम से प्राप्त किया जाता है। हालांकि स्मूथ (smooth) क्षेत्रों में यह कंजर्वेटिव रूप के गणितीय रूप से समान है, लेकिन यह विच्छिन्नताओं (discontinuities) के दौरान संरक्षण नियमों को बनाए रखने में विफल रहता है। इससे निम्नलिखित समस्याएं होती हैं:
  • गलत शॉक स्पीड।
  • धुंधले (smeared) या गैर-मौजूद शॉक।
  • एंट्रॉपी स्थितियों का उल्लंघन।
• अंतराल (The Gap): कई जटिल भौतिक घटनाएं (जैसे मल्टी-फेज फ्लो, परिवर्तनशील टोपोग्राफी के साथ उथला जल, नॉन-न्यूटनियन तरल पदार्थ) स्वाभाविक रूप से नॉन-कंजर्वेटिव होती हैं। पारंपरिक संख्यात्मक सॉल्वर अक्सर इन रूपों में संघर्ष करते हैं, जिसके लिए जटिल, समस्या-विशिष्ट स्थिरीकरण तकनीकों (जैसे आर्टिफिशियल विस्कोसिटी ट्यूनिंग, पाथ-कंजर्वेटिव मेथड्स) की आवश्यकता होती है।
• परिकल्पना (Hypothesis): लेखक यह जांच रहे हैं कि क्या फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स (PINNs), विशेष रूप से जो एडेप्टिव मैकेनिज्म से लैस हैं, कंजर्वेटिव और नॉन-कंजर्वेटिव दोनों स्वरूपों को समान सटीकता के साथ हल कर सकते हैं, और प्रभावी रूप से उस विभाजन को पाट सकते हैं जिससे पारंपरिक संख्यात्मक विधियां जूझती हैं।

2. कार्यप्रणाली (Methodology)

यह अध्ययन PINNs के एक विशिष्ट संस्करण का उपयोग करता है जिसे PINNs-AWV (Adaptive Weight and Viscosity के साथ PINNs) कहा जाता है।

A. मुख्य आर्किटेक्चर (PINNs-AWV)

मानक PINNs एक लॉस फंक्शन को कम करते हैं जिसमें डेटा मिसमैच और PDE रेजिडुअल्स शामिल होते हैं। हालांकि, शॉक के पास, PDE रेजिडुअल्स अत्यधिक बड़े हो जाते हैं, जिससे ट्रेनिंग अस्थिर हो जाती है। PINNs-AWV आर्किटेक्चर इसे दो एडेप्टिव मैकेनिज्म के माध्यम से संबोधित करता है:

1. एडेप्टिव वेटिंग (Adaptive Weighting): लॉस टर्म्स के वेट्स को ग्रेडिएंट नॉर्म्स के आधार पर गतिशील रूप से समायोजित किया जाता है। यह उच्च रेजिड्यू (शॉक के पास) वाले क्षेत्रों में PDE लॉस के प्रभाव को कम करता है, जिससे ऑप्टिमाइज़र को इन सिंगुलैरिटीज़ (singularities) द्वारा हावी होने से रोका जा सके।
   • सूत्र: $\lambda_{PDE} = \frac{1}{\|\nabla_\theta L_i\| + \epsilon}$
2. एडेप्टिव विस्कोसिटी (Adaptive Viscosity): एक फिक्स्ड आर्टिफिशियल विस्कोसिटी (जो शॉक को धुंधला कर देती है) के बजाय, नेटवर्क एक सब-नेटवर्क के माध्यम से एक इष्टतम, स्थानिक रूप से परिवर्तनशील विस्कोसिटी गुणांक ($\nu$) सीखता है।
   • एक "विस्कस लॉस" टर्म ($L_\nu = \nu^2$) को कुल लॉस में जोड़ा जाता है ताकि जहाँ विस्कोसिटी की आवश्यकता नहीं है वहां इसे न्यूनतम किया जा सके, जिससे शार्प शॉक रेजोल्यूशन बना रहे।
   • संशोधित PDE रेजिड्यूल में सीखी गई विस्कोसिटी शामिल है: $R = \partial_t u + u \partial_x u - \nu \partial_{xx} u$।

B. बेंचमार्क समस्याएं (Benchmark Problems)

लेखकों ने तीन समस्याओं पर इस कार्यप्रणाली का परीक्षण किया:

1. बर्गर्स इक्वेशन (Burgers' Equation):
   • स्मूथ IC (Initial Condition): बेसलाइन प्रदर्शन को सत्यापित करने के लिए।
   • डिस्कंटीन्यूअस IC (Riemann Problem): बिना आर्टिफिशियल विस्कोसिटी ट्यूनिंग के शॉक कैप्चरिंग क्षमताओं का परीक्षण करने के लिए।
2. सोड शॉक ट्यूब (Sod Shock Tube - Unsteady 1D Euler Equations):
   • यह कंप्रेसिबल फ्लो के लिए एक क्लासिक टेस्ट है जिसमें एक शॉक वेव, कॉन्टैक्ट डिस्कंटीन्यूटी और एक्सपेंशन फैन शामिल है।
   • कंजर्वेटिव बनाम नॉन-कंजर्वेटिव रूपों का उपयोग करते हुए PINNs-AWV और पारंपरिक संख्यात्मक सॉल्वर (HLLC सॉल्वर, MUSCL स्कीम) के बीच तुलना की गई।
3. वेज ओवर सुपरलुमिनल फ्लो (Supersonic Flow over a Wedge - Steady 2D Euler Equations):
   • एक तिरछे (oblique) शॉक को उत्पन्न करने के लिए 10-डिग्री वेज के ऊपर Mach 2 फ्लो का सिमुलेशन।
   • स्टेडी-स्टेट, मल्टी-डायमेंशनल सेटिंग में तिरछे शॉक को हल करने की क्षमता का परीक्षण।

3. प्रमुख योगदान (Key Contributions)

1. फॉर्मुलेशन इंडिपेंडेंस (Formulation Independence): मुख्य योगदान यह प्रदर्शित करना है कि PINNs-AWV हाइपरबोलिक PDEs के नॉन-कंजर्वेटिव रूप को कंजर्वेटिव रूप के समान सटीकता के साथ हल कर सकता है। पारंपरिक संख्यात्मक विधियां बिना व्यापक, समस्या-विशिष्ट ट्यूनिंग के सही शॉक स्पीड कैप्चर करने में विफल रहती हैं।
2. एकीकृत ढांचा (Unified Framework): यह अध्ययन एक एकीकृत ढांचे का प्रस्ताव करता है जहाँ कंजर्वेटिव और नॉन-कंजर्वेटिव रूपों के बीच का चुनाव सॉल्वर की सफलता को निर्धारित नहीं करता है। यह जटिल प्रणालियों (जैसे मल्टी-फेज फ्लो) के लिए महत्वपूर्ण है जहाँ कंजर्वेटिव रूप मौजूद नहीं हो सकता है या उसे प्राप्त करना कठिन हो सकता है।
3. ऑटोमैटिक स्टेबिलाइजेशन (Automatic Stabilization): पारंपरिक तरीकों के विपरीत, जिन्हें आर्टिफिशियल विस्कोसिटी गुणांकों के मैनुअल ट्यूनिंग (जो अक्सर सब-ऑप्टिमल होते हैं) की आवश्यकता होती है, PINNs-AWV शॉक स्मियरिंग को कम करते हुए इष्टतम विस्कोसिटी वितरण को सीखता है।
4. RH कंडीशंस का सत्यापन (Validation of RH Conditions): परिणाम दिखाते हैं कि PINNs-AWV भले ही नॉन-क meskipun जब समीकरणों को नॉन-कंजर्वेटिव रूप में लिखा गया हो, तब भी रैंकिन-ह्यूगोनियट स्थितियों को स्पष्ट रूप से संतुष्ट करता है, जो एक ऐसी उपलब्धि है जो मानक नॉन-कंजर्वेटिव संख्यात्मक स्कीम्स द्वारा शायद ही कभी प्राप्त की जाती है।

4. परिणाम (Results)

• बर्गर्स इक्वेशन (स्मूथ): दोनों कंजर्वेटिव और नॉन-कंजर्वेटिव रूपों ने सभी विधियों (PINNs और संख्यात्मक) में समान परिणाम दिए, जिससे पुष्टि हुई कि स्मूथ फ्लो के लिए अंतर अप्रासंगिक है।
• बर्गर्स इक्वेशन (डिस्कंटीन्यूअस):
  • पारंपरिक नॉन-कंजर्वेटिव: शॉक को आगे बढ़ाने में विफल रहा (शॉक स्पीड = 0)।
  • पारंपरिक नॉन-कंजर्वेटिव + फिक्स्ड विस्कोसिटी: शॉक को कैप्चर किया लेकिन महत्वपूर्ण स्मियरिंग (डिफ्यूजन) के साथ।
  • PINNs-AWV (नॉन-कंजर्वेटिव): इसने न्यूनतम स्मियरिंग के साथ सही गति और स्थान पर शॉक को सफलतापूर्वक कैप्चर किया, जो कंजर्वेटिव PINN समाधान से मेल खाता है।
• सोड शॉक ट्यूब:
  • पारंपरिक नॉन-कंजर्वेटिव संख्यात्मक स्कीम्स, कंजर्वेटिव स्कीम्स की तुलना में अत्यधिक डिफ्यूसिव थीं।
  • PINNs-AWV ने दोनों रूपों के लिए सटीक समाधान प्रस्तुत किए। प्रेशर कंटोर्स और शॉक लोकेशन्स कंजर्वेटिव और नॉन-कंजर्वेटिव PINN फॉर्मुलेशन के लिए लगभग समान थे, जबकि पारंपरिक नॉन-कंजर्वेटिव सॉल्वर्स ने महत्वपूर्ण विचलन दिखाया।
• सुपरसोनिक वेज:
  • PINNs-AWV ने दोनों फॉर्मुलेशन के लिए तिरछे (oblique) शॉक को सफलतापूर्वक हल किया।
  • शॉक को लगभग 3 ग्रिड पॉइंट्स के भीतर हल किया गया, जो हाई-फिडेलिटी अपेक्षाओं के अनुरूप है।
  • नॉन-कंजर्वेटिव PINN समाधान, कंजर्वेटिव समाधान और सटीक एनालिटिकल समाधान से मेल खाता था, जबकि पारंपरिक नॉन-कंजर्वेटिव सॉल्वर्स को व्यापक ट्यूनिंग के बिना बहुत अस्थिर माना गया।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह कार्य CFD की उस पारंपरिक धारणा को चुनौती देता है कि नॉन-कंजर्वेटिव रूप शॉक-कैप्चरिंग समस्याओं के लिए स्वाभाविक रूप से अनुपयुक्त हैं।

• सैद्धांतिक निहितार्थ (Theoretical Implication): यह सुझाव देता है कि नॉन-कंजर्वेटिव स्कीम्स की विफलता एक मौलिक गणितीय सीमा नहीं है, बल्कि पारंपरिक विवेकीकरण (discretization) विधियों की एक सीमा है जो डेरिवेटिव टर्म्स में विच्छिन्नताओं (discontinuities) को एडेप्टिवली हैंडल नहीं कर सकती हैं।
• व्यावहारिक प्रभाव (Practical Impact): नॉन-कंजर्वेटिव रूपों के उपयोग को सक्षम करके (जो अक्सर जटिल भौतिकी जैसे मल्टी-फेज फ्लो या मैग्नेटोहाइड्रोडायनामिक्स के लिए अधिक सहज या एकमात्र उपलब्ध रूप होते हैं) बिना शॉक सटीकता से समझौता किए, PINNs-AWV जटिल भौतिक घटनाओं के अनुकरण के लिए नए रास्ते खोलता है।
• भविष्य का दृष्टिकोण (Future Outlook): लेखक निष्कर्ष निकालते हैं कि जबकि पारंपरिक सॉल्वर को जटिल, केस-विशिष्ट स्टेबिलाइजेशन (लिमिटर्स, आर्टिफिशियल विस्कोसिटी ट्यूनिंग) की आवश्यकता होती है, PINs-AWV दृष्टिकोण नॉन-लीनियर PDEs के साथ विच्छिन्नताओं (discontinuities) को हल करने के लिए एक मजबूत, एकीकृत और डेटा-मुक्त (केवल भौतिकी पर निर्भर, ट्रेनिंग डेटा के बिना) विकल्प प्रदान करता है।

संक्षेप में: यह पेपर प्रदर्शित करता है कि एडेप्टिव वेटिंग और लर्नड विस्कोसिटी को PINN फ्रेमवर्क में एकीकृत करके, कंजर्वेटिव और नॉन-कंजर्वेटिव फॉर्मुलेशन के बीच के "विभाजन" को पाटा जा सकता है, जिससे गवर्निंग इक्वेशंस के गणितीय रूप की परवाह किए बिना सटीक शॉक रेजोल्यूशन संभव हो जाता है।