🔢 mathematics

A PINNs approach for the computation of eigenvalues in elliptic problems

यह शोध पत्र भौतिकी-सूचित तंत्रिका नेटवर्क (PINNs) पर आधारित एक आयाम-स्वतंत्र (dimension-independent) डीप लर्निंग विधि प्रस्तावित करता है ताकि निचले आइजनमानों (eigenvalues) की पूर्व गणना किए बिना दीर्घवृत्तीय (elliptic) और गैररेखीय आइजन मान समस्याओं के अनिश्चित आइजनमानों की गणना की जा सके।

मूल लेखक: Julian Fernandez Bonder, Ariel M. Salort

प्रकाशित 2026-03-04

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Julian Fernandez Bonder, Ariel M. Salort

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 ड्रम बजाने वाले विशिष्ट संगीत नोट्स (आवृत्तियों/frequencies) को खोजने की कोशिश कर रहे हैं। भौतिकी और इंजीनियरिंग में, इन "नोट्स" को आइजनवैल्यू (eigenvalues) कहा जाता है। वे हमें बताते हैं कि कोई सिस्टम कैसे कंपन करता है, गर्मी कैसे फैलती है, या परमाणु के चारों ओर इलेक्ट्रॉन कैसे घूमते हैं।

दशकों से, इन नोट्स को खोजना एक विशाल, अदृश्य ऑर्केस्ट्रा को ट्यून करने जैसा रहा है। पारंपरिक तरीके शुरुआती कुछ कम नोट्स खोजने में बहुत अच्छे हैं, लेकिन उनमें एक बड़ी खामी है: आपको उन्हें क्रम में खोजना होता है। 10वां नोट खोजने के लिए, आपको पहले 1ला, 2रा, 3रा, और 9वें तक के नोट्स खोजने होंगे। यदि आप 100वें नोट तक पहुँचना चाहते हैं, तो आपको पहले बहुत सारा दोहराव वाला काम करना होगा। इसके अलावा, यदि ड्रम किसी अजीब, गैर-मानक सामग्री (एक "नॉनलीनियर" समस्या) से बना है, तो पुराने नियम पूरी तरह से टूट जाते हैं।

यह शोध पत्र आर्टिफिशियल इंटेलिजेंस (AI), विशेष रूप से PINNs (फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क) नामक एक प्रकार के न्यूरल नेटवर्क का उपयोग करके इन नोट्स को खोजने का एक नया, चतुर तरीका पेश करता है।

यहाँ उनका नया तरीका सरल उपमाओं के साथ समझाया गया है:

1. पुराना तरीका: "सीढ़ी" वाली समस्या

पुराने तरीकों को सीढ़ियाँ चढ़ने के रूप में सोचें। आप 10वीं सीढ़ी पर सीधे कूद नहीं सकते; आपको नीचे की हर एक सीढ़ी चढ़कर ही ऊपर जाना होगा। यदि आप 50वां आइजनवैल्यू (50वां नोट) जानना चाहते हैं, तो आपको पहले पहले 49 को कैलकुलेट करना होगा। यह धीमा है, और यदि "ड्रम" का आकार या सामग्री अजीब है, तो सीढ़ियाँ गायब हो सकती हैं, जिससे आप बीच में ही फंस सकते हैं।

2. नया तरीका: "लैंडस्केप" की खोज

लेखक एक अलग दृष्टिकोण प्रस्तावित करते हैं। सीढ़ियाँ चढ़ने के बजाय, कल्पना करें कि आप एक विशाल, पहाड़ी परिदृश्य (landscape) में खड़े हैं।

पहाड़ियाँ और घाटियाँ: यह परिदृश्य उत्तर के लिए सभी संभावित "अनुमानों" (guesses) का प्रतिनिधित्व करता है।
लक्ष्य: आप इस परिदृश्य में सबसे गहरे घाटियों (valleys) की तलाश कर रहे हैं। ये घाटियाँ सही उत्तरों (वास्तविक आइजनवैल्यूज) का प्रतिनिधित्व करती हैं।
जादू: इस नए परिदृश्य में, 1ला, 10वां और 100वां नोट, सभी की घाटियाँ एक साथ दिखाई देती हैं। आपको 100वें नोट तक पहुँचने के लिए ऊपर चढ़ने की आवश्यकता नहीं है; आप सीधे उस घाटी को देख सकते हैं जो 100वें नोट के अनुरूप है।

3. AI इसे कैसे करता है

AI एक मेटल डिटेक्टर के साथ एक बहुत ही स्मार्ट हाइकर (हाइकर) की तरह कार्य करता है।

सेटअप: शोधकर्ता AI को बताते हैं, "हमें लगता है कि उत्तर नोट 40 और नोट 55 के बीच कहीं हैं।"
स्कैन: AI इस पूरे रेंज को स्कैन करता है। प्रत्येक संभावित नोट जिसे वह चेक करता है, उसके लिए वह पूछता है: "यह अनुमान वास्तविक समाधान के कितने करीब है?"
लॉस फंक्शन (मेटल डिटेक्टर): AI "शोर" या "त्रुटि" (error) को मापने के लिए एक विशेष फॉर्मूला (जिसे "लॉस फंक्शन" कहा जाता है) का उपयोग करता है।
- यदि अनुमान गलत है, तो परिदृश्य ऊबड़-खाबड़ और शोर वाला (उच्च त्रुटि) होता है।
- यदि अनुमान बिल्कुल सही नोट है, तो परिदृश्य पूरी तरह से समतल और शांत (शून्य त्रुटि) हो जाता है।
खोज: AI उन स्थानों को ढूंढता है जहाँ परिदृश्य समतल हो जाता है। ये समतल स्थान ही आइजनवैल्यूज हैं। क्योंकि यह एक साथ पूरे क्षेत्र को स्कैन करता है, यह बिना बीच के काम किए 1ला नोट और 50वां नोट एक साथ खोज सकता है।

4. यह एक बड़ी बात क्यों है

क्रम की आवश्यकता नहीं: आप निचले नोट्स की गणना किए बिना सीधे ऊंचे नोट्स पर कूद सकते हैं। यह शेल्फ पर मौजूद किसी विशिष्ट पुस्तक को खोजने जैसा है, जिसके लिए आपको उससे पहले की हर किताब को पढ़ने की आवश्यकता नहीं होती।
किसी भी आयाम (Dimension) में काम करता है: चाहे ड्रम एक सपाट वृत्त (2D) हो, एक गेंद (3D) हो, या 10 आयामों वाला कोई आकार हो, यह तरीका उतना ही अच्छा काम करता है। पारंपरिक तरीके उच्च आयामों में उलझ जाते हैं और धीमे हो जाते हैं, लेकिन यह AI दृष्टिकोण इसकी परवाह नहीं करता।
अजीब आकारों को संभालता है: यह त्रिकोण, डोनट और जटिल आकारों पर भी काम करता है जहाँ पारंपरिक गणित संघर्ष करता है।
"नॉनलीनियर" ड्रम्स को संभालता है: यदि ड्रम की सामग्री कंपन के साथ अपने गुणों को बदलती है (एक नॉनलीनियर समस्या), तो पुराना "सीढ़ी" वाला तरीका टूट जाता है क्योंकि सीढ़ियाँ अब एक समान नहीं रहतीं। इस नए "लैंडस्केप" तरीके को इससे फर्क नहीं पड़ता; यह बस समतल घाटियों की तलाश जारी रखता है।

निष्कर्ष

लेखक यह दावा नहीं कर रहे हैं कि यह पहले कुछ सरल नोट्स को खोजने का सबसे तेज़ तरीका है (पारंपरिक गणित अभी भी इसके लिए बहुत अच्छा है)। इसके बजाय, वे कठिन समस्याओं के लिए एक लचीला, शक्तिशाली उपकरण पेश कर रहे हैं: ऊंचे नोट्स खोजना, जटिल 3D या 4D स्पेस में काम करना, और उन समस्याओं को हल करना जहाँ जाने के साथ भौतिकी के नियम बदल जाते हैं।

उन्होंने अपने कोड को उपयोग के लिए उपलब्ध भी कराया है, जिससे इस जटिल गणितीय "लैंडस्केप" खोज को एक ऐसे उपकरण में बदल दिया गया है जिसका उपयोग इंजीनियर और वैज्ञानिक बेहतर सामग्री डिजाइन करने से लेकर क्वांटम मैकेनिक्स को समझने तक, वास्तविक दुनिया की समस्याओं को हल करने के लिए कर सकते हैं।

यहाँ शोध पत्र "A PINNs approach for the computation of eigenvalues in elliptic problems" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र एलिप्टिक आंशिक अवकल समीकरणों (PDEs) के लिए आइगेनवैल्यू समस्याओं (eigenvalue problems) को हल करने की कम्प्यूटेशनल चुनौती को संबोधित करता है, विशेष रूप से श्रोडिंगर-प्रकार (Schrödinger-type) के समीकरण के लिए:
$-\Delta u + V(x)u = Eu$
जहाँ $u$ आइगेनफंक्शन (eigenfunction) है, $E$ आइगेनवैल्यू (eigenvalue) है, और $V(x)$ एक पोटेंशियल फंक्शन (potential function) है।

मौजूदा विधियों की सीमाएँ:

क्रमिक निर्भरता (Sequential Dependency): आइगेनवैल्यू के लिए पारंपरिक फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINN) दृष्टिकोण अक्सर रेले कोटिएंट (Rayleigh quotient) को कम करने पर निर्भर करते हैं। उच्च-क्रम की आइगेनवैल्यूज़ ( $E_k$ ) खोजने के लिए, इन विधियों को सभी निम्न-क्रम की आइगेनवैल्यूज़ ( $E_1, \dots, E_{k-1}$ ) की पूर्व गणना करने और ऑर्थोगोनैलिटी (orthogonality) बाधाओं को लागू करने की आवश्यकता होती है। यह कम्प्यूटेशनल रूप से अक्षम है और इसमें त्रुटि संचय (error accumulation) की संभावना बनी रहती है।
गैर-रैखिकता (Nonlinearity): मौजूदा विधियाँ गैर-रैखिक आइगेनवैल्यू समस्याओं (जैसे, $p$ -Laplacian वाले मामले) के साथ संघर्ष करती हैं क्योंकि आइगेनफंक्शंस के बीच ऑर्थोगोनैलिटी संरचना, जो क्रमिक विधियों के लिए महत्वपूर्ण है, गैर-रैखिक सेटिंग्स में मौजूद नहीं होती है।
विमीयता (Dimensionality): कई मेश-आधारित या क्रमिक न्यूरल नेटवर्क विधियाँ उच्च-आयामी स्थानों में लागू करना कठिन हो जाता है।

2. कार्यप्रणाली (Methodology)

लेखक एक नवीन, गैर-क्रमिक (non-sequential) दृष्टिकोण प्रस्तावित करते हैं जो आइगेनवैल्यू के कंप्यूटेशन को स्पेक्ट्रम के क्रम से अलग (decouple) कर देता है।

A. लॉस फंक्शन (The Loss Function)

रेले कोटिएंट को कम करने के बजाय, लेखक एक लॉस फंक्शन $\Lambda(u, E)$ को समाधान के $L^2$ नॉर्म द्वारा सामान्यीकृत (normalized) करके परिभाषित करते हैं, जो PDE के स्क्वेर्ड रेसिडुअल (squared residual) पर आधारित है:
$\Lambda(u, E) = \frac{\int (\Delta u - V(x)u + Eu)^2 \, dx}{\int u^2 \, dx}$
(नोट: डिरिचलेट बाउंड्री कंडीशंस के लिए, यदि $V=0$ है, तो अंश $(\Delta u + Eu)^2$ होगा।)

B. एल्गोरिदम (The Algorithm)

इंटरवल चयन (Interval Selection): एक लक्षित अंतराल $[E_{min}, E_{max}]$ परिभाषित करें जहाँ आइगेनवैल्यू के होने की अपेक्षा की जाती है।
विस्कृतीकरण (Discretization): इस अंतराल के भीतर परीक्षण आइगेनवैल्यू $E_i$ का एक समान ग्रिड बनाएँ।
ऑप्टिमाइज़ेशन लूप (Optimization Loop): प्रत्येक निश्चित $E_i$ $E_{i}$ के लिए:
- एक न्यूरल नेटवर्क (NN) को नेटवर्क पैरामीटर्स (जो $u$ का सन्निकटन करते हैं) के संबंध में $\Lambda(u, E_i)$ को कम करने के लिए प्रशिक्षित करें।
- वार्म-स्टार्टिंग (Warm-starting): दक्षता में सुधार के लिए, $E_{i-1}$ पर प्रशिक्षण के वेट्स (weights) का उपयोग $E_i$ के लिए प्रशिक्षण को इनिशियलाइज़ करने के लिए किया जाता है।
लॉस कर्व विश्लेषण (Loss Curve Analysis): न्यूनतम लॉस मान $\Lambda(E_i)$ $Λ (E_{i})$ को $E_i$ $E_{i}$ के विरुद्ध प्लॉट करें।
- सैद्धांतिक अंतर्दृष्टि: लॉस कर्व $\Lambda(E)$ , $\min_k (E_k - E)^2$ द्वारा ऊपर से सीमित (bounded above) है।
- आइगेनवैल्यू की पहचान: कर्व $\Lambda(E)$ के स्थानीय मिनिमा (local minima) आइगेनवैल्यू $E_k$ के अनुरूप होते हैं। इन मिनिमा पर संबंधित नेटवर्क आउटपुट आइगेनफंक्शंस का सन्निकटन करते हैं।

C. कार्यान्वयन विवरण (Implementation Details)

आर्किटेक्चर (Architecture): 3 हिडन लेयर्स (प्रत्येक में 128 न्यूरॉन्स) वाला एक फुली कनेक्टेड फीडफॉरवर्ड न्यूरल नेटवर्क (MLP) और $\tanh$ एक्टिवेशन।
बाउंड्री कंडीशंस (Boundary Conditions): होमोजेनियस डिरिचलेट कंडीशंस ( $u=0$ on $\partial\Omega$ ) को लागू करने के लिए, कच्चे न्यूरल नेटवर्क आउटपुट $\tilde{u}(x)$ को एक बाउंड्री डिस्टेंस फंक्शन $B(x)$ (जैसे, यूनिट डिस्क के लिए $1-x^2$ ) से गुणा किया जाता है, जिससे यह सुनिश्चित होता है कि $u(x) = B(x)\tilde{u}(x)$ बाउंड्री पर शून्य हो जाए।
नॉर्मलाइजेशन (Normalization): $\|u\|_2=1$ (या गैर-रैखिक मामलों के लिए $\|u\|_p=1$ ) को लागू करने के लिए लॉस फंक्शन में एक पेनल्टी टर्म जोड़ा जाता है।
इंटीग्रेशन (Integration): सभी इंटीग्रल्स का अनुमान मोंटे कार्लो सैंपलिंग (Monte Carlo sampling) का उपयोग करके लगाया जाता है।

3. मुख्य योगदान (Key Contributions)

गैर-क्रमिक कंप्यूटेशन (Non-Sequential Computation): यह विधि बिना $E_1$ से $E_9$ की गणना किए सीधे किसी भी मनचाही आइगेनवैल्यू (जैसे, $E_{10}$ ) की गणना कर सकती है। यह क्रमिक ऑर्थोगोनलाइजेशन की आवश्यकता को समाप्त करता है।
विमीय स्वतंत्रता (Dimension Independence): यह दृष्टिकोण मेश-आधारित विधियों की विशिष्ट "कर्स ऑफ डायमेंशनैलिटी" (curse of dimensionality) समस्याओं के बिना उच्च-आयामी समस्याओं ( $d=3, 4, \dots$ ) में स्वाभाविक रूप से स्केल करता है।
गैर-रैखिक समस्याओं के लिए प्रयोज्यता (Applicability to Nonlinear Problems): इस विधि को सफलतापूर्वक $p$ -Laplacian आइगेनवैल्यू समस्या के लिए विस्तारित किया गया है। चूंकि यह रैखिक ऑर्थोगोनैलिटी पर निर्भर नहीं है, इसलिए यह उन गैर-रैखिक सेटिंग्स में उच्च आइगेनपेयर्स (eigenpairs) खोज सकता है जहाँ पारंपरिक विधियाँ विफल हो जाती हैं।
ज्यामितीय लचीलापन (Geometric Flexibility): यह विधि बाउंड्री फैक्टर $B(x)$ को अनुकूलित करके जटिल डोमेन (एनुलस, त्रिकोण, वर्ग) पर काम करती है, जिससे जटिल मेश जनरेशन की आवश्यकता नहीं होती।

4. परिणाम (Results)

लेखकों ने विभिन्न परिदृश्यों में विधि को सत्यापित किया:

रैखिक समस्याएँ (हेल्महोल्ट्ज़ समीकरण - Helmholtz Equation):
- 2D यूनिट डिस्क और स्क्वायर: कंप्यूटेड आइगेनवैल्यू सटीक विश्लेषणात्मक समाधानों से उच्च सटीकता के साथ मेल खाते हैं (सापेक्ष त्रुटि $< 10^{-3}$ )। लॉस कर्व ने सटीक आइगेनवैल्यू पर स्पष्ट रूप से मिनिमा की पहचान की।
- उच्च आयाम (3D और 4D बॉल्स): बेसेल फंक्शन ज़ीरो (Bessel function zeros) के साथ अनुकूल तुलना करते हुए 3D और 4D यूनिट बॉल्स में सफलतापूर्वक आइगेनवैल्यू की गणना की।
- जटिल ज्यामिति: एनुलर क्षेत्रों और त्रिकोणीय डोमेन पर मजबूती (robustness) प्रदर्शित की।
- उच्च आइगेनवैल्यू: निम्न मोड के पूर्व ज्ञान के बिना उच्च-ऊर्जा रेंज (जैसे, यूनिट स्क्वायर में $E \in [44, 55]$ ) में सफलतापूर्वक आइगेनवैल्यू को अलग किया।
गैर-रैखिक समस्याएँ ( $p$ -Laplacian):
- इसे 2D और 3D में $p=2.2$ और $p=2.5$ के साथ $p$ -Laplacian पर लागू किया गया।
- परिणामों की तुलना साहित्य के संख्यात्मक बेंचमार्क (Constrained Steepest Descent और Mountain Pass एल्गोरिदम का उपयोग करके) से की गई। PINN दृष्टिकोण ने पहले और दूसरे आइगेनपेयर के लिए प्रतिस्पर्धी सटीकता प्रदान की।
- महत्व: इस विशिष्ट फ्रेमवर्क का उपयोग करके 3D में $p$ -Laplacian आइगेनवैल्यू के लिए रिपोर्ट किए गए पहले संख्यात्मक परिणाम हैं।
सामान्य पोटेंशियल (General Potentials):
- हार्मोनिक पोटेंशियल, डबल-वेल गॉसियन पोटेंशियल और कॉम्पैक्टली सपोर्टेड मल्टी-वेल पोटेंशियल पर परीक्षण किया गया, जो सरल कन्फाइनमेंट से परे भौतिक मॉडलों के प्रति अनुकूलन क्षमता प्रदर्शित करता है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह शोध पत्र स्पेक्ट्रल समस्याओं के लिए डीप लर्निंग के उपयोग में एक प्रतिमान परिवर्तन (paradigm shift) प्रस्तुत करता है। आइगेनवैल्यू खोज को एक पैरामीटर स्पेस ( $E$ ) पर रेसिडुअल-आधारित लॉस कर्व के मिनिमाइजेशन के रूप में पुनर्गठित करके, लेखक मौजूदा PINN आइगेनवैल्यू सॉल्वर की प्राथमिक बाधाओं को दूर करते हैं:

दक्षता (Efficiency): पूरे स्पेक्ट्रम को क्रमिक रूप से खोजने की आवश्यकता नहीं है।
मजबूती (Robustness): उच्च आयामों और अनियमित ज्यातियों में प्रभावी।
व्यापकता (Generality): उन गैर-रैखिक ऑपरेटरों तक निर्बाध रूप से विस्तार करता है जहाँ ऑर्थोगोनैलिटी परिभाषित नहीं है।

हालाँकि लेखक स्वीकार करते हैं कि सरल 2D रैखिक समस्याओं के लिए क्लासिकल फाईनाइट एलिमेंट/डिफरेंस विधियाँ अभी भी उच्च सटीकता प्रदान कर सकती हैं, लेकिन उनकी विधि एक लचीला, मेश-मुक्त विकल्प प्रदान करती है जो उन उच्च-आयामी और गैर-रैखिक आइगेनवैल्यू समस्याओं को हल करने में सक्षम है जो वर्तमान में पारंपरिक क्रमिक दृष्टिकोणों के लिए दुर्गम हैं।