⚡ electrical engineering

Metriplectic Conditional Flow Matching for Dissipative Dynamics

मेट्रिप्लेक्टिक कंडिशनल फ्लो मैचिंग (MCFM) एक नवीन ढांचा है जो न्यूरल वेक्टर फील्ड और संरचना-संरक्षण वाले सैंपलर दोनों में कंजर्वेटिव-डिसिपेटिव स्प्लिट्स को एकीकृत करके विसरणात्मक गतिकी (dissipative dynamics) को सीखता है, जिससे अस्थिर लॉन्ग-रोलआउट प्रशिक्षण पर निर्भर किए बिना भौतिक निरंतरता, स्थिर लॉन्ग-होरिज़ॉन रोलआउट और सख्त ऊर्जा क्षय सुनिश्चित होता है।

मूल लेखक: Ali Baheri, Lars Lindemann

प्रकाशित 2026-06-12

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ali Baheri, Lars Lindemann

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 रोबोट को पेंडुलम (pendulum) झुलाना सिखाने की कोशिश कर रहे हैं। आप उसे हवा के प्रतिरोध (air resistance) के कारण धीमे होते हुए पेंडुलम के झूलने के हजारों छोटे क्लिप दिखाते हैं। आपका लक्ष्य यह है कि रोबोट नियमों को सीख ले ताकि वह पेंडुलम की भविष्य की गति की सटीक भविष्यवाणी कर सके।

समस्या यह है कि मानक "स्मार्ट" रोबोट (न्यूरल नेटवर्क) बहुत उत्साही छात्रों की तरह होते हैं। वे छोटे क्लिप्स को याद करने में माहिर होते हैं, लेकिन जब उनसे लंबे समय के लिए भविष्य बताने को कहा जाता है, तो वे खुद से भौतिकी (physics) बनाने लगते हैं। वे गलती से सिस्टम में ऊर्जा जोड़ सकते हैं, जिससे पेंडुलम अपने शुरुआती बिंदु से भी ऊंचा झूलने लगता है, या वे पूरी तरह से भूल सकते हैं कि घर्षण (friction) कैसे काम करता है। वास्तविक दुनिया में, पेंडुलम अपने आप कभी ऊंचा नहीं झूलता; यह हमेशा ऊर्जा खोता है।

यह शोध पत्र एक नई विधि पेश करता है जिसे मेट्रिप्लेक्टिक कंडिशनल फ्लो मैचिंग (Metriplectic Conditional Flow Matching - MCFM) कहा जाता है। इसे ऐसे समझें जैसे आपने रोबोट के दिमाग में सीधे "भौतिक नियमों" का एक सख्त सेट डाल दिया हो, बजाय इसके कि केवल इस उम्मीद पर छोड़ दें कि वह उन्हें संयोग से सीख लेगा।

यह कैसे काम करता है, यहाँ सरल उपमाओं के माध्यम से बताया गया है:

1. दो-इंजन प्रणाली (The Metriplectic Split)

लेखकों ने महसूस किया कि वास्तविक दुनिया की गति में आमतौर पर दो अलग-अलग भाग होते हैं:

कंजर्वेटिव इंजन (The Conservative Engine): यह वह हिस्सा है जो बिना ऊर्जा खोए चीजों को गतिशील रखता है, जैसे कि एक आदर्श घर्षण रहित झूला। यह गति के "आकार" को बनाए रखता है।
डिसिपेटिव इंजन (The Dissipative Engine): यह वह हिस्सा है जो घर्षण या हवा के प्रतिरोध की तरह कार्य करता है। यह केवल ऊर्जा को कम करता है; यह कभी ऊर्जा जोड़ता नहीं है।

मानक AI मॉडल इन दोनों को मिला देते हैं, जिससे अक्सर "घर्षण" वाला हिस्सा गलती से ऊर्जा जोड़ देता है। MCFM इन दोनों इंजनों को अलग रखने के लिए मजबूर करता है। यह एक "कंजर्वेटिव चैनल" बनाता है जो ऊर्जा को सुरक्षित रखता है और एक "डिसिपेटिव चैनल" बनाता है जो ऊर्जा जोड़ने के लिए सख्त वर्जित है—यह केवल इसे कम कर सकता है।

2. छोटे क्लिप्स से सीखना (Conditional Flow Matching)

पूरे भविष्य का सिमुलेशन करने की कोशिश करने के बजाय (जो कठिन है और गलतियों की संभावना अधिक होती है), AI बहुत छोटे, लगातार स्नैपशॉट्स (जैसे कि वीडियो के दो फ्रेम देखना) से सीखता है। यह उन दो फ्रेमों के बीच "वेग" (velocity - वह कितनी तेजी से और किस दिशा में बढ़ रहा है) को सीखता है। यह सीखने की प्रक्रिया को सरल और स्थिर रखता है, जिससे पूरे भविष्य के प्रक्षेपवक्र (trajectory) का अनुमान लगाने की आवश्यकता नहीं पड़ती।

3. "सिकुड़ने" वाला चरण (The "Shrink" Step - The Sampler)

जब AI वास्तव में भविष्य की भविष्यवाणी करने के लिए सिमुलेशन चलाता है, तो वह स्ट्रैंग-प्रॉक्स स्कीम (Strang-prox scheme) नामक एक विशेष चरण-दर-चरण प्रक्रिया का उपयोग करता है। कल्पना कीजिए कि आप एक कमरे में चल रहे हैं:

चरण A: आप एक आदर्श, ऊर्जा-संरक्षण वाला कदम उठाते हैं (कंजर्वेटिव हिस्सा)।
चरण B: आप एक "सिकुड़ने" वाला कदम लेते हैं जहाँ आप जानबूझकर धीमे हो जाते हैं, यह सुनिश्चित करते हुए कि आप थोड़ी ऊर्जा खो देते हैं (डिसिपेटिव हिस्सा)।
चरण C: आप एक और आदर्श कदम उठाते हैं।

इन चरणों को बारी-बारी से अपनाकर, AI यह गारंटी देता है कि प्रत्येक चरण पर सिस्टम की कुल ऊर्जा कम हो जाती है (या समान रहती है)। यह भौतिक रूप से ऊर्जा को "बना" नहीं सकता। यदि AI पेंडुलम को ऊंचा झूलाने की कोशिश करता है, तो इस "सिकुड़ने वाले चरण" का गणित उसे रोक देता है।

4. परिणाम

लेखकों ने इसका परीक्षण एक डैम्प्ड पेंडुलम (एक झूलता हुआ भार जो धीमा होता जाता है) पर किया।

पुराना तरीका (Unconstrained AI): AI ने शुरुआत सही ढंग से की लेकिन बाद में भ्रमित हो गया। इसने सिस्टम में वापस ऊर्जा जोड़ना शुरू कर दिया, जिससे पpendulum बेकाबू होकर झूलने लगा या अपने सही पथ से भटक गया।
नया तरीका (MCFM): AI ने पूरे समय पेंडुलम को सही ढंग से झूलाते रखा। इसने "मुफ्त ऊर्जा नहीं मिलेगी" के नियम का सम्मान किया, जिससे गति सुचारू और यथार्थवादी बनी रही, बिल्कुल वास्तविक भौतिकी की तरह।

मुख्य निष्कर्ष

यह शोध पत्र एक ऐसा तरीका प्रस्तुत करता है जिससे ऐसे AI मॉडल बनाए जा सकें जो "झूलने" और "धीमा होने" के बीच के अंतर को समझते हों। इन भौतिक नियमों को मॉडल की संरचना और उसकी सीखने की प्रक्रिया में सीधे शामिल करके, AI ऐसी भविष्यवाणियां करता है जो स्थिर, यथार्थवादी और थर्मोडायनामिक्स के बुनियादी नियमों का उल्लंघन न करने वाली होती हैं, और यह सब जटिल, महंगी प्रशिक्षण विधियों के बिना संभव होता है।

तकनीकी सारांश: विसरित गतिकी (Dissipative Dynamics) के लिए मेट्रिप्लेक्टिक कंडीशनल फ्लो मैचिंग (Metriplectic Conditional Flow Matching)

समस्या विवरण

डेटा से सीधे गतिशील मॉडलों (dynamical models) को सीखना पूर्वानुमान, नियंत्रण और सिमुलेशन के लिए आवश्यक है। हालाँकि, शुद्ध न्यूरल सरोगेट्स अक्सर मौलिक भौतिक नियमों का उल्लंघन करते हैं, विशेष रूप से विसरित प्रणालियों (dissipative systems) में जहाँ सही व्यवहार ऊर्जा की एक निरंतर हानि (monotone loss of energy) शामिल होता है। मानक अनकन्स्ट्रेंड न्यूरल नेटवर्क ऊर्जा को इंजेक्ट करने, इनवेरिएंट मैनिफोल्ड्स से भटकने और दीर्घकालिक क्षितिज (long horizons) पर अस्थिर होने की प्रवृत्ति रखते हैं। मौजूदा दृष्टिकोणों के सामने एक द्वंद्व है:

सॉफ्ट पेनल्टी/फिजिक्स-इन्फॉर्म्ड रेसिडुअल्स: ये ऊर्जा क्षय को प्रोत्साहित करते हैं लेकिन कोई कठोर गारंटी नहीं देते हैं और हाइपरपैरामीटर्स (वेट और स्टेप साइज) के प्रति संवेदनशील होते हैं।
संरचना-संरक्षण करने वाले कंजर्वेटिव मॉडल (जैसे हैमिल्टोनियन/लैग्रेंजियन नेटवर्क): ये बंद प्रणालियों (closed systems) में उत्कृष्ट हैं लेकिन विसरण (dissipation) को संबोधित करने में विफल रहते हैं या घर्षण प्रभावों का गलत प्रतिनिधित्व कर सकते हैं।

जबकि हालिया फ्लो-आधारित और डिफ्यूजन लर्नर्स कम अंतराल के ट्रांजिशन से स्थानीय वेग (local velocities) को अच्छी तरह से कैप्चर करते हैं, उनके अनकन्स्ट्रेंड पैरामीट्रिज़ेशन अभी भी दीर्घकालिक रोलआउट के दौरान गैर-भौतिक ऊर्जा निर्माण की अनुमति देते हैं। एक ऐसी विधि की आवश्यकता है जो डेटा से सीख सके और साथ ही उस कंजर्वेटिव-डिसिपेटिव स्प्लिट (conservative–dissipative split) को सख्ती से लागू कर सके जो वास्तविक दुनिया की गतिकी को नियंत्रित करता है।

कार्यप्रणाली (Methodology)

लेखक मेट्रिप्लेक्टिक कंडीशनल फ्लो मैचिंग (MCFM) प्रस्तावित करते हैं, एक ऐसा ढांचा जो मॉडल के आर्किटेक्चर और सैंपलिंग प्रक्रिया में भौतिक नियम के कंजर्वेटिव-डिसिपेटिव स्प्लिट को सीधे समाहित करता है।

1. मेट्रिप्लेक्टिक पैरामीट्रिज़ेशन (Metriplectic Parameterization)

सीखे गए वेक्टर फील्ड $v_\theta(x, t)$ को एक मेट्रिप्लेक्टिक अपघटन (decomposition) के रूप में सीमित किया जाता है:
$v_\theta(x, t) = J(x, t) \nabla H_\theta(x, t) - G_\theta(x, t) \nabla \Phi_\theta(x, t)$
जहाँ:

$H_\theta$ एक सीखी गई इनवेरिएंट (ऊर्जा जैसी मात्रा) है।
$\Phi_\theta$ एक सीखी गई डिसिपेशन पोटेंशियल (जैसे एंट्रॉपी या ल्यपुनोव फंक्शन) है।
$J$ एक निश्चित स्केव-सिमेट्रिक ऑपरेटर ( $J^\top = -J$ ) है।
$G_\theta$ एक पॉजिटिव सेमीडेफिनिट मेट्रिक ( $G_\theta \succeq 0$ ) है।

मॉडल डिसिजेनसी स्थितियों ( $G_\theta \nabla H_\theta = 0$ और $J \nabla \Phi_\theta = 0$ ) को या तो "हार्ड" (निर्माण द्वारा, रेंज को प्रतिबंधित करके) या "सॉफ्ट" (पेनल्टी के माध्यम से) लागू करता है। ये स्थितियाँ सुनिश्चित करती हैं कि कंजर्वेटिव चैनल डिसिपेशन पोटेंशियल को नहीं बदल सकता, और डिसिपेटिव चैनल ऊर्जा को नहीं बदल सकता। फलस्वरूप, निरंतर-समय गतिकी यह गारंटी देती है कि $\frac{d}{dt}H_\theta = 0$ और $\frac{d}{dt}\Phi_\theta \leq 0$ ।

2. प्रशिक्षण: कंडीशनल फ्लो मैचिंग (Conditional Flow Matching)

प्रशिक्षण महंगे लॉन्ग-रोलआउट एडजॉइंट मेथड्स से बचता है। इसके बजाय, यह स्टेप $\Delta t$ पर एकत्र किए गए संक्षिप्त, क्रमिक डेटा युग्मों $(x_k, x_{k+1})$ पर कंडीशनल फ्लो मैचिंग (CFM) का उपयोग करता है।

लॉस (loss) वेक्टर फील्ड और कंडीशनल टारगेट वेलोसिटी $u_\tau = (x_{k+1} - x_k)/\Delta t$ के बीच रिग्रेशन लॉस को कम करता है।
लॉस में डिसिजेनसी उल्लंघन के लिए सॉफ्ट पेनल्टी और रेगुलराइजेशन टर्म्स शामिल हैं।
यदि एक विश्वसनीय भौतिक इनवेरिएंट $E_{phys}$ ज्ञात है, तो $H_\theta$ को $E_{phys}$ के रूप में फिक्स किया जाता है, और केवल डिसिपेशन सीखा जाता है; अन्यथा, दोनों डेटा से सीखे जाते हैं।

3. इन्फरेंस: स्ट्रक्चर-प्रिजर्विंग सैंपलर (Structure-Preserving Sampler)

डिस्क्रीट-टाइम ऊर्जा क्षय सुनिश्चित करने के लिए, MCFM एक स्ट्रैंग-प्रॉक्स स्प्लिटिंग स्कीम (Strang-prox splitting scheme) का उपयोग करता है:

हैमिल्टोनियन हाफ-स्टेप: कंजर्वेटिव भाग $\dot{x} = J \nabla H_\theta$ के लिए एक सिम्प्लेक्टिक अपडेट (जैसे वेलोसिटी-वेलेट)।
मेट्रिक स्टेप: डिसिपेटिव भाग $\dot{x} = -G_\theta \nabla \Phi_\theta$ के लिए एक प्रॉक्सिमल "श्रिंक" स्टेप। सामान्य पैरामीट्रिज़ेशन के लिए, इसका क्लोज्ड-फॉर्म समाधान होता है जो डिसिपेशन पोटेंशियल को मोनोटोनली कम करता है।
हैमिल्टोनियन हाफ-स्टेप: दूसरा सिम्प्लेक्टिक अपडेट।

यदि एक विश्वसनीय ऊर्जा फंक्शन उपलब्ध है, तो $\nabla E_{phys} \cdot v \leq 0$ को सख्ती से लागू करने के लिए एक वैकल्पिक प्रोजेक्शन स्टेप लागू किया जा सकता है।

मुख्य योगदान (Key Contributions)

स्ट्रक्चर-फर्स्ट पैरामीट्रिज़ेशन: MCFM का परिचय, जो पोस्ट-होक रेगुलराइज़र पर निर्भर रहने के बजाय डिज़ाइन द्वारा कंजर्वेटिव-डिसिपेटिव स्प्लिट को एनकोड करता है।
स्ट्रक्चर-प्रिजर्विंग सैंपलर: मॉडल को स्ट्रैंग-प्रॉक्स इंटीग्रेटर के साथ जोड़ना जो हल्के अनुकूलन (mild conditions) के तहत डिस्क्रीट ऊर्जा क्षय की गारंटी देता है।
सैद्धांतिक गारंटी: निरंतर और डिस्क्रीट दोनों समय में संरक्षण, मोनोटोनिक डिसिपेशन, और स्थिर रोलआउट से जोड़ने वाले प्रमाण।

अनुभवजन्य परिणाम (Empirical Results)

विधि का मूल्यांकन अलग-अलग डैम्पिंग कोएफिशिएंट्स के साथ एक डैम्प्ड पेंडुलम (नियंत्रित डिसिपेटिव सिस्टम) पर किया गया।

बेसलाइन: एक अनकन्स्ट्रेंड न्यूरल वेलोसिटी फील्ड (UF) जिसे समान CFM ऑब्जेक्टिव के साथ प्रशिक्षित किया गया और RK4 के माध्यम से इंटीग्रेट किया गया।
मेट्रिक्स: एनर्जी इंक्रीज फ्रैक्शन, मैक्सिमम एनर्जी रेश्यो, फाइनल एनर्जी रेश्यो, साइन-एरर फ्रैक्शन (पॉजिटिव एनर्जी रेट्स), और टर्मिनल डिस्ट्रीब्यूशन फिट (स्लाइस्ड वासेरस्टीन-2)।

निष्कर्ष:

फेज पोर्ट्रेट्स: अनकन्स्ट्रेंड बेसलाइन (UF) तेजी से ओरिजिन की ओर ढह गई और बाहरी लेवल सेट्स से भटक गई। MCFM ने पूरे होराइजन के लिए वास्तविक फ्लो की ज्योमेट्री को ट्रैक किया।
ऊर्जा विकास: जबकि दोनों मॉडल्स ने शुरुआत में ऊर्जा कम की, UF ने लेट-होराइजन में ऊर्जा वृद्धि (मोनोटोनिसिटी का उल्लंघन) प्रदर्शित की। MCFM ने छोटे दोलनों के साथ एक सुचारू, काफी हद तक मोनोटोनिक क्षय बनाए रखा।
भौतिक निरंतरता: MCFM ने UF की तुलना में ऊर्जा-वृद्धि घटनाओं और साइन एरर्स के अंश को काफी कम कर दिया।
डिस्ट्रीबशनल फिट: MCFM ने अनकन्स्ट्रेंड बेसलाइन के समान टर्मिनल डिस्ट्रीबशनल फिट (SW-2) को मैच किया, जिससे पता चलता कि भौतिक बाधाओं ने डेटा फिडेलिटी से समझौता नहीं किया।

महत्व और दावे

पेपर का दावा है कि MCFM एक "ड्रॉप-इन रिप्लेसमेंट" प्रदान करता है जो बिना किसी हैंड-ट्यून्ड पेनल्टी या महंगे लॉन्ग-होराइजन ट्रेनिंग के स्थिर, भौतिक रूप से सुसंगत रोलआउट उत्पन्न करता है। वेक्टर फील्ड और सैंपलर दोनों में कंजर्वेटिव-डिसिपेटिव स्प्लिट को बनाकर, यह विधि डिस्क्रीट ऊर्जा क्षय और भौतिक सिद्धांतों के पालन को सुनिश्चित करती है। लेखक इसे वास्तविक दुनिया की प्रणालियों को नियंत्रित करने वाले मौलिक नियमों का सम्मान करने वाले डिसिपेटिव डायनेमिक्स को सीखने की दिशा में एक कदम के रूप में देखते हैं, जो डेटा-संचालित लर्निंग और ज्योमेट्रिक इंटीग्रेशन के बीच के अंतर को पाटता है। भविष्य के कार्यों के लिए समृद्ध पैरामीट्रिज़ेशन, PDE और कंट्रोल के विस्तार, और लॉन्ग-होराइजन व्यवहार पर कड़े सैद्धांतिक दावों का सुझाव दिया गया है।