🤖 AI

ASP-Assisted Symbolic Regression: Uncovering Hidden Physics in Fluid Mechanics

यह शोधपत्र एक हाइब्रिड सिम्बोलिक रिग्रेशन और आंसर सेट प्रोग्रामिंग (SR/ASP) फ्रेमवर्क प्रस्तुत करता है जो डेटा-संचालित फॉर्मूला डिस्कवरी को डोमेन-विशिष्ट बाधाओं को पूरा करने के लिए डिक्लेरेटिव रीजनिंग के साथ जोड़कर 3D लैमिनार फ्लूइड फ्लो के लिए व्याख्या योग्य, भौतिक रूप से सुसंगत गणितीय नियमों को सफलतापूर्वक उजागर करता है।

मूल लेखक: Theofanis Aravanis, Grigorios Chrimatopoulos, Mohammad Ferdows, Michalis Xenos, Efstratios Em Tzirtzilakis

प्रकाशित 2026-05-05

📖 4 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

CC BY 4.0

मूल लेखक: Theofanis Aravanis, Grigorios Chrimatopoulos, Mohammad Ferdows, Michalis Xenos, Efstratios Em Tzirtzilakis

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 बेहतरीन केक की गुप्त रेसिपी का पता लगाने की कोशिश कर रहे हैं। आपके पास सामग्री की एक विशाल सूची और केक का अंतिम स्वाद है, लेकिन आपको निर्देश नहीं पता हैं।

समस्या: "ब्लैक बॉक्स" का रहस्य
परंपरागत रूप से, वैज्ञानिक इसे हल करने के दो मुख्य तरीके अपनाते हैं:

पुराना तरीका (भौतिकी): वे बेकिंग के नियमों को लिखते हैं (जैसे "गर्मी आटे को फुलाती है") और जटिल गणितीय समीकरणों को हल करते हैं। यह सटीक है, लेकिन यह एक पहेली को भारी जूते पहनकर हल करने जैसा है—इसमें बहुत समय और प्रयास लगता है।
आधुनिक तरीका (मशीन लर्निंग): वे कंप्यूटर को हजारों केक के उदाहरण खिलाते हैं और उसे रेसिपी का अनुमान लगाने देते हैं। यह तेज़ है, लेकिन कंप्यूटर एक "ब्लैक बॉक्स" की तरह व्यवहार करता है। वह आपको सही उत्तर तो देता है, लेकिन यह नहीं बताता कि क्यों या आपको पढ़ने के लिए एक सरल रेसिपी कार्ड नहीं देता। वह बस कहता है, "मुझ पर भरोसा करो, यह काम करता है।"

नया दृष्टिकोण: सिम्बोलिक रिग्रेशन (SR)
यह पेपर एक स्मार्ट तरीके को पेश करता है जिसे सिम्बोलिक रिग्रेशन (SR) कहा जाता है। SR को एक सुपर-स्मार्ट शेफ के रूप में सोचें जो केवल स्वाद का अनुमान नहीं लगाता, बल्कि वास्तव में साधारण अंग्रेजी (या गणित) में रेसिपी लिखता है।

एक विशिष्ट आकार में डेटा को फिट करने के बजाय, SR बुनियादी गणितीय उपकरणों (जैसे जोड़, गुणा और संख्याओं का वर्ग करना) के एक टूलबॉक्स में खोज करता है ताकि सबसे सरल, पठनीय सूत्र पाया जा सके जो डेटा से मेल खाता हो।

लक्ष्य: एक छोटा, मानव-पठनीय समीकरण खोजना जो यह समझा सके कि तरल कैसे चलता है, न कि केवल यह कि वह कहाँ जाता है।

प्रयोग: आयताकार पाइप
शोधकर्ताओं ने इसका परीक्षण एक बहुत ही विशिष्ट समस्या पर किया: एक आयताकार पाइप (जैसे एक लंबा, चपटा बॉक्स) के माध्यम से पानी का सुचारू रूप से बहना।

उन्होंने पानी कैसे चलता है (गति और दबाव) इस पर डेटा उत्पन्न करने के लिए एक शक्तिशाली कंप्यूटर सिमुलेशन का उपयोग किया।
उन्होंने इस डेटा को अपने SR "शेफ" में डाला।
परिणाम: SR शेफ ने केवल अनुमान नहीं लगाया; उसने दो सुंदर, सरल सूत्र लिखे।
- एक सूत्र ने पानी की गति का वर्णन किया। यह एक क्लासिक "पैराबोला" (U-आकार) जैसा दिखता था, जो बिल्कुल वही है जो भौतिकी कहती है कि एक पाइप में होना चाहिए।
- दूसरे सूत्र ने दबाव का वर्णन किया। इसने एक सीधा, रैखिक (linear) गिरावट दिखाई, जो ठीक वही है जिसकी भौतिकी भविष्यवाणी करती है।

ये सूत्र इतने सटीक थे कि वे जटिल कंप्यूटर सिमुलेशन के लगभग पूरी तरह से मेल खाते थे, लेकिन वे इतने सरल भी थे कि कोई भी इंसान उन्हें तुरंत पढ़ और समझ सके।

ट्विस्ट: "लॉजिक पुलिस" (ASP)
यहाँ इस पेपर का सबसे बड़ा नवाचार है। कभी-कभी, कंप्यूटर पैटर्न खोजने के लिए इतना उत्सुक होता है कि वह एक ऐसी "रेसिपी" बना सकता है जो गणितीय रूप से तो काम करती है लेकिन वास्तविक दुनिया में कोई अर्थ नहीं रखती। उदाहरण के लिए, यह सुझाव दे सकता है कि यदि आप पाइप को उल्टा कर दें तो पानी की गति बढ़ जाती है, जो भौतिकी के नियमों का उल्लंघन करता है।

इसे ठीक करने के लिए, लेखकों ने आंसर सेट प्रोग्रामिंग (ASP) नामक एक दूसरा स्तर जोड़ा।

उपमा: कल्पना कीजिए कि SR शेफ 100 संभावित रेसिपी लिखता है। ASP मॉड्यूल एक सख्त खाद्य सुरक्षा निरीक्षक या लॉजिक पुलिस ऑफिसर की तरह है।
यह कैसे काम करता है: निरीक्षक के पास "भौतिक नियमों" की एक नियम पुस्तिका होती है (जैसे "पानी दीवारों पर रुकना चाहिए," "गति सममित (symmetrical) होनी चाहिए," "दबाव रैखिक रूप से गिरना चाहिए")।
निरीक्षक उन 100 रेसिपीओं को देखता है जो शेफ ने लिखी हैं और उनमें से उन सभी को बाहर कर देता है जो नियमों को तोड़ती हैं, भले ही वे गणितीय रूप से स्वादिष्ट क्यों न हों।
परिणाम: अंतिम सूची में केवल वे रेसिपी शामिल होती हैं जो सटीक (डेटा से मेल खाती हैं) और तार्किक (भौतिकी के नियमों का पालन करती हैं) दोनों हैं।

यह क्यों महत्वपूर्ण है
पेपर का दावा है कि "क्रिएटिव गेसिंग" (सिम्बोलिक रिग्रेशन) को "सख्त नियम पालन" (आंसर सेट प्रोग्रामिंग) के साथ जोड़कर, उन्होंने एक ऐसा सिस्टम बनाया है जो है:

तेज़: यह जल्दी उत्तर ढूंढ लेता है।
सटीक: यह जटिल सिमुलेशन से मेल खाता है।
ईमानदार: यह आपको एक ऐसा सूत्र देता है जिसे आप वास्तव में पढ़ और समझ सकते हैं, जिससे यह सुनिश्चित होता है कि यह प्रकृति के नियमों को नहीं तोड़ता है।

संक्षेप में, उन्होंने एक ऐसा उपकरण बनाया है जो वैज्ञानिकों को तरल गति के "गुप्त व्यंजनों" की खोज करने में मदद करता है, यह सुनिश्चित करते हुए कि रेसिपी न केवल गणितीय रूप से चतुर हैं, बल्कि भौतिक रूप से भी सत्य हैं।

तकनीकी सारांश: द्रव यांत्रिकी में ASP-सहायता प्राप्त प्रतीकात्मक प्रतिगमन (Symbolic Regression)

समस्या विवरण
द्रव यांत्रिकी मॉडलिंग (Fluid mechanics modeling) पारंपरिक कम्प्यूटेशनल फ्लूइड डायनेमिक्स (CFD) और आधुनिक मशीन लर्निंग (ML) के बीच एक द्वंद्व का सामना कर रही है। जहाँ CFD भौतिक रूप से पारदर्शी है लेकिन गणनात्मक रूप से महंगा है, वहीं आधुनिक ML दृष्टिकोण कुशल तो हैं लेकिन अक्सर व्याख्यात्मकता (interpretability) की कमी ("ब्लैक बॉक्स" व्यवहार) प्रदर्शित करते हैं। यद्यपि प्रतीकात्मक प्रतिगमन (Symbolic Regression - SR) एक आशाजनक विकल्प के रूप में उभरा है जो डेटा से व्याख्या योग्य गणितीय व्यंजक खोजने में सक्षम है, फिर भी शुद्ध रूप से डेटा-संचालित SR मॉडल सांख्यिकीय रूप से सटीक लेकिन भौतिक रूप से अवास्तविक समीकरण उत्पन्न करने का जोखिम उठाते हैं। वे डोमेन-विशिष्ट बाधाओं या मौलिक भौतिक नियमों का उल्लंघन कर सकते हैं क्योंकि वे अंतर्निहित भौतिकी के स्पष्ट ज्ञान के बिना कार्य करते हैं। यह अध्ययन तीन-आयामी (3D) आयताकार चैनल में लैमिनार प्रवाह (laminar flow) के मॉडलिंग को संबोधित करता है, जो विशेष रूप से अक्षीय वेग (axial velocity) और दबाव क्षेत्रों के लिए संक्षिप्त, व्याख्या योग्य सूत्रों को प्राप्त करने पर केंद्रित है जो सटीक और भौतिक रूप से सुसंगत दोनों हों।

कार्यप्रणाली
यह शोध एक दो-चरणीय कार्यप्रणाली का उपयोग करता है: एक मानक प्रतीकात्मक प्रतिगमन दृष्टिकोण और उसके बाद 'आंसर सेट प्रोग्रामिंग' (ASP) को एकीकृत करने वाला एक अभिनव हाइब्रिड ढांचा।

डेटा जनरेशन और सेटअप:
- भौतिक समस्या एक सममित आयताकार डक्ट ( $L=5, H=W=1$ ) में 3D लैमिनार प्रवाह से संबंधित है।
- शासी समीकरण (Governing equations) गैर-आयामी नेवियर-स्टोक्स समीकरण और द्रव्यमान संरक्षण (conservation of mass) हैं।
- संख्यात्मक समाधानों को MATLAB में कार्यान्वित फाइनाइट वॉल्यूम मेथड (FVM) का उपयोग करके एक $50 \times 25 \times 25$ ग्रिड पर उत्पन्न किया गया है।
- प्रवाह एक निरंतर स्ट्रीमवाइज प्रेशर ग्रेडिएंट ( $c$ ) द्वारा संचालित होता है, जो एक प्राथमिक नियंत्रण पैरामीटर के रूप में कार्य करता है। SR मॉडलों के लिए एक स्केलर नियंत्रण पैरामीटर के रूप में एक प्रभावी रेनॉल्ड्स नंबर ($Re$) को 'ए पोस्टीरियो' (a posteriori) गणना के माध्यम से निकाला गया है।
- डेटासेट में प्रशिक्षण ( $Re \in \{34, 105, 174, 209, 279\}$ ) और परीक्षण ( $Re \in \{70, 139, 244\}$ ) सेट शामिल हैं।
प्रतीकात्मक प्रतिगमन (SR) चरण:
- डोमेन-प्रेरित ऑपरेटरों के रूप में डोमेन-मोटिवेटेड ऑपरेटरों तक खोज स्थान को सीमित करने के लिए PySR लाइब्रेरी (v0.19.4) का उपयोग किया गया है।
- प्रिमिटिव्स (Primitives): खोज स्थान को बुनियादी अंकगणित ( $+, -, *, /$ ) और निम्न-क्रम बहुपदों (वर्ग, घन) तक सीमित किया गया है।
- बाधाएं: व्याख्यात्मकता सुनिश्चित करने के लिए, व्यंजक जटिलता को 25 ऑपरेशनों तक सीमित किया गया है। नेस्टेड बाधाएं अनावश्यक उच्च-क्रम कार्यों को रोकती हैं।
- अनुकूलन (Optimization): MSE (मीन स्क्वेर्ड एरर) को कम करने के लिए मॉडलों को 1000 पुनरावृत्तियों (iterations) में विकसित किया गया है, जिससे सटीकता और सरलता के बीच संतुलन बनाने वाले एक 'पारेटो फ्रंट' (Pareto front) के समाधान उत्पन्न होते हैं।
हाइब्रिड SR/ASP चरण:
- शुद्ध डेटा-संचालित मॉडलों की सीमा को दूर करने के लिए, लेखक उत्तर सेट प्रोग्रामिंग (ASP) को एकीकृत करने वाला एक हाइब्रिड ढांचा उपयोग करते हैं, जो बाधा संतुष्टि (constraint satisfaction) के लिए एक डिक्लेरेटिव प्रोग्रामिंग प्रतिमान है।
- वर्कफ़्लो: SR संभावित समीकरण उत्पन्न करता है। इन्हें तथ्यों (जैसे जटिलता, लॉस, $Re $या$ Y^2$ जैसे विशिष्ट पदों की उपस्थिति) के रूप में पार्स किया जाता है।
- फिल्टरिंग: एक ASP प्रोग्राम डोमेन-विशिष्ट भौतिक बाधाओं (जैसे गैर-भौतिक पदों जैसे $X^3$ या $Y^3$ का बहिष्करण, $Re$ के समावेश की आवश्यकता, नो-स्लिप बाउंड्री कंडीशंस का पालन, और समरूपता आवश्यकताओं) को एनकोड करता है।
- सॉल्विंग: एक ASP सॉल्वर (CLASP) इन तथ्यों और बाधाओं को संसाधित करता है ताकि SR आउटपुट को फ़िल्टर किया जा सके, जिससे केवल वे समीकरण रखे जाते हैं जो सांख्यिकीय रूप से सटीक और भौतिक रूप से वैध दोनों हैं।

प्रमुख योगदान

संक्षिप्त भौतिक नियमों का व्युत्पन्न: अध्ययन सफलतापूर्वक 3D लैमिनार प्रवाह वेग और दबाव के लिए स्पष्ट, क्लोज्ड-फॉर्म प्रतीकात्मक समीकरणों को प्राप्त करता है जो संख्यात्मक समाधानों और स्थापित विश्लेतिक प्रवृत्तियों से निकटता से मेल खाते हैं।
नवाचारी SR/ASP एकीकरण: यह शोध, लेखकों के ज्ञान के अनुसार, प्रतीकात्मक प्रतिगमन को आंसर सेट प्रोग्रामिंग के साथ जोड़ने का पहला प्रयास प्रस्तुत करता है। यह हाइब्रिड ढांचा भौतिक सिद्धांतों का पालन सुनिश्चित करने के लिए SR की जेनेरेटिव शक्ति और ASP की डिक्लेरेटिव रीजनिंग का लाभ उठाता है।
मजबूती का सत्यापन (Robustness Validation): इस दृष्टिकोण को शोर इंजेक्शन (डेटा में 2% शोर जोड़ा गया) और ऑपरेटर सेट के विस्तार (त्रिकोणमितीय/घातांकीय कार्यों सहित) के माध्यम से मान्य किया गया है, जो यह दर्शाता है कि खोजे गए बहुपद संबंध खोज स्थान के आर्टिफैक्ट नहीं बल्कि प्रवाह भौतिकी के वास्तविक प्रतिबिंब हैं।

परिणाम

वेग मॉडल (Velocity Model): SR मॉडल ने समीकरण $u_{symb} = Re(2.18 - 8.46 Y^2)(1 - 3.89 Z^2)$ व्युत्पन्न किया। यह व्यंजक अपेक्षित परवलयिक वेग प्रोफाइल (parabolic velocity profile) को कैप्चर करता है। इसने प्रशिक्षण सेट पर 0.008% और परीक्षण सेट पर 0.010% का नॉर्मलाइज्ड मीन एब्सोल्यूट एरर (NMAE) प्राप्त किया।
दबाव मॉडल (Pressure Model): व्युत्पन्न दबाव समीकरण $p_{symb} = Re(143.43 - 28.69 X)$ है, जो एक रैखिक दबाव गिरावट (linear pressure drop) को दर्शाता है। इस मॉडल ने $10^{-8}\%$ की सीमा में NMAE प्राप्त किया, जो संख्यात्मक डेटा के साथ लगभग पूर्ण संरेखण को दर्शाता है।
साहित्य के साथ तुलना: व्युत्पन्न वेग समीकरण साहित्य (जैसे $u \propto (1-4y^2)(1-4z^2)$ ) में पाए गए आयताकार डक्ट के विश्लेतिक समाधान के करीब है, जिसमें मामूली विसंगतियां परिमित-रिज़ॉल्यूशन संख्यात्मक डेटा के कारण हैं।
ASP फ़िल्टरिंग: एक प्रतिनिधि उदाहरण में, ASP मॉड्यूल ने 14 समीकरणों के पारेटो फ्रंट को सफलतापूर्वक फ़िल्टर किया। इसने सबसे सटीक और भौतिक रूप से वैध उम्मीदवारों (अंतिम वेग समीकरण सहित) को लगभग 0.1 सेकंड में चुना, जो SR प्रशिक्षण चरण के लिए आवश्यक 15 मिनट की तुलना में नगण्य समय है। फ़िल्टरिंग ने उन समीकरणों को सफलतापूर्वक बाहर कर दिया जो समरूपता या बाउंड्री कंडीशंस का उल्लंघन करते थे।

महत्व और दावे
पेपर का दावा है कि प्रस्तावित SR/ASP कार्यप्रणाली द्रव गति विज्ञान (fluid dynamics) में AI मॉडलों की व्याख्यात्मकता, विश्वसनीयता और भौतिक संरेखण को बढ़ाने के लिए डेटा-संचालित और ज्ञान-प्रतिनिधित्व दृष्टिकोणों को मिलाने की क्षमता प्रदर्शित करती है।

व्याख्यात्मकता: "ब्लैक बॉक्स" ML मॉडलों के विपरीत, परिणामी समीकरण मानव-पठनीय हैं और अंतर्निहित भौतिकी (परवलयिक वेग, रैखिक दबाव गिरावट) को प्रकट करते हैं।
विश्वसनीयता: ASP को एकीकृत करके, ढांचा यह सुनिश्चित करता है कि मॉडल केवल डेटा को फिट नहीं करते हैं बल्कि डोमेन-विशिष्ट बाधाओं का भी सम्मान करते हैं, जिससे भौतिक रूप से असंभव समीकरणों के चयन को रोका जा सके।
दक्षता: व्युत्पन्न प्रतीकात्मक व्यंजक गणनात्मक रूप से गहन संख्यात्मक विधियों के लिए कुशल सरोगेट (surrogates) के रूप में कार्य करते हैं, जो तीव्र और सटीक भविष्यवाणियां प्रदान करते हैं।

लेखक भविष्य के निहितार्थों के संबंध में एक विनम्र स्वर बनाए रखते हैं, यह नोट करते हुए कि हालांकि वर्तमान अध्ययन एक विशिष्ट 3D चैनल ज्यामिति पर केंद्रित है, यह ढांचा सामान्यीकरण योग्य है। वे सुझाव देते हैं कि भविष्य के कार्यों में SR ऑपरेटरों में चेबिशेव बहुपदों (Chebyshev polynomials) को एकीकृत करना और डोमेन ज्ञान के प्राकृतिक भाषा विवरणों से ASP बाधाओं को स्वचालित रूप से प्राप्त करने के लिए लार्ज लैंग्वेज मॉडल्स (LLMs) का उपयोग करना शामिल हो सकता है।

तकनीकी सारांश: द्रव यांत्रिकी में ASP-सहायता प्राप्त प्रतीकात्मक प्रतिगमन (Symbolic Regression)

इसी तरह के और पेपर