🔢 mathematics

Numerical identification of the time-dependent coefficient in the heat equation with fractional Laplacian

यह शोध पत्र एक स्पेक्ट्रल फ्रैक्शनल लाप्लासियन वाले एक-आयामी ऊष्मा समीकरण में एक समय-निर्भर स्रोत गुणांक की पहचान करने की व्युत्क्रम समस्या को एक वोल्टेरा समीकरण में बदलकर संबोधित करता है, जो फ्रैक्शनल मैट्रिक्स पावर्स और क्रैंक-निकोल्सन विविक्तीकरण (डिस्क्रीटाइजेशन) पर आधारित एक स्थिर और अभिसारी संख्यात्मक योजना प्रस्तावित करता है, और शोर युक्त डेटा के साथ भी मजबूत पुनर्निर्माण प्रदर्शन प्रदर्शित करता है।

मूल लेखक: Arshyn Altybay, Gulzat Nalzhupbayeva

प्रकाशित 2026-09-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Arshyn Altybay, Gulzat Nalzhupbayeva

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

भौतिक दुनिया में, ऊष्मा हमेशा उस सुचारू और अनुमानित तरीके से नहीं फैलती जैसा कि हम स्कूल में सीखते हैं। कभी-कभी, यह अजीब, अनिश्चित पैटर्न में चलती है, अंतराल के पार कूदती है या उन तरीकों से ठहर जाती है जो सरल स्पष्टीकरण को चुनौती देते हैं। यह घटना, जिसे 'एनोमलस डिफ्यूजन' (anomalous diffusion) कहा जाता है, भूजल में प्रदूषकों की गति से लेकर जटिल जैविक ऊतकों के माध्यम से संकेतों के यात्रा करने के तरीके तक, हर जगह देखी जाती है। इन व्यवहारों का वर्णन करने के लिए, वैज्ञानिक एक परिष्कृत गणितीय उपकरण का उपयोग करते हैं जिसे 'फ्रैक्शनल लैपलेसियन' (fractional Laplacian) कहा जाता है। इस उपकरण को एक ऐसे तरीके के रूप में समझें जो यह मापता है कि कोई प्रणाली अपने परिवेश को न केवल अपने तत्काल पड़ोसियों से, बल्कि दूरी से भी कैसे "महसूस" करती है, जिससे उन दीर्घ-रेंज अंतःक्रियाओं को पकड़ा जा सके जिन्हें मानक मॉडल छोड़ देते हैं। हालांकि ये समीकरण प्रकृति का वर्णन करने के लिए शक्तिशाली हैं, लेकिन इनमें अक्सर छिपे हुए चर होते हैं—अज्ञात कारक जो प्रणाली को संचालित करते हैं लेकिन सीधे देखे नहीं जा सकते। वैज्ञानिकों को फिर पीछे की ओर काम करना पड़ता है, सीमित अवलोकनों का उपयोग करके यह पता लगाना पड़ता है कि अंदर क्या हो रहा है। यह एक 'इनवर्स प्रॉब्लम' (inverse problem) का सार है: दृश्य प्रभावों से अदृश्य इंजन को पुनर्गठित करने का प्रयास करना।

शोधकर्ताओं के एक दल ने अब इस पहेली के एक विशेष रूप से कठिन संस्करण को सुलझाया है जिसमें 'स्पेक्ट्रल फ्रैक्शनल लैपलेसियन' द्वारा नियंत्रित ऊष्मा समीकरण शामिल है। अपने अध्ययन में, उन्होंने एक ऐसी स्थिति पर ध्यान केंद्रित किया जहाँ ऊष्मा का स्रोत समय के साथ बदलता है, लेकिन उपलब्ध डेटा केवल पूरे स्थान के तापमान का एक एकल, भारित औसत (weighted average) है, न कि प्रत्येक बिंदु का विस्तृत मानचित्र। यह एक सामान्य वास्तविक दुनिया की सीमा है; सेंसर अक्सर समग्र डेटा प्रदान करते हैं, जैसे कि एक कमरे का औसत तापमान, न कि हर वर्ग इंच की रीडिंग। चुनौती यह थी कि केवल इस विरल, औसत जानकारी का उपयोग करके ऊष्मा स्रोत की सटीक समय-परिवर्तनीय तीव्रता का पता लगाना, जबकि फ्रैक्शनल डिफ्यूजन की जटिल, गैर-स्थानीय प्रकृति को भी ध्यान में रखना था।

शोधकर्ताओं ने पहले इस निरंतर गणितीय समस्या को एक ऐसे रूप में अनुवादित करके इस दृष्टिकोण को अपनाया जिसे एक कंप्यूटर संभाल सके। उन्होंने भौतिक स्थान को बिंदुओं के एक ग्रिड में विभाजित किया और जटिल फ्रैक्शनल ऑपरेटर को एक विविक्त (discrete) संस्करण से बदल दिया जिसे कुशलतापूर्वक गणना किया जा सके। इसके बाद उन्होंने इस स्थानिक ग्रिड को 'क्रैंक-निकोल्सन स्कीम' (Crank–Nicolson scheme) नामक टाइम-स्टेपिंग विधि के साथ जोड़ा, जो अपनी स्थिरता और सटीकता के लिए प्रसिद्ध है। इन उपकरणों को मिलाकर, उन्होंने एक चरण-दर-चरण एल्गोरिदम बनाया जो तापमान वितरण और अज्ञात स्रोत गुणांक (source coefficient) दोनों की गणना एक साथ कर सकता था। महत्वपूर्ण रूप से, उन्होंने सिद्ध किया कि यह विधि 'अनकंडीशनली स्टेबल' (unconditionally stable) है, जिसका अर्थ है कि यदि टाइम स्टेप बड़े भी हों, तो भी यह बेतुकी त्रुटियां उत्पन्न नहीं करेगी, और उन्होंने प्रदर्शन किया कि जब ग्रिड को अधिक बारीक बनाया जाता है या टाइम स्टेप को छोटा किया जाता है, तो परिणाम दो गुना अधिक सटीक हो जाते हैं।

इस इनवर्स प्रॉब्लम को हल करने के लिए, टीम ने एक विशिष्ट सूत्र व्युत्पन्न किया जो प्रत्येक क्षण में अज्ञात स्रोत गुणांक को पुनः प्राप्त करने की अनुमति देता है। यह सूत्र एक ऐसी शर्त पर निर्भर करता है जो यह सुनिश्चित करती है कि माप डेटा स्रोत के प्रति पर्याप्त संवेदनशील है; यदि यह शर्त पूरी होती है, तो स्रोत की विशिष्ट पहचान की जा सकती है। शोधकर्ताओं ने दिखाया कि जब तक ग्रिड पर्याप्त बारीक है, कंप्यूटर सिमुलेशन में यह शर्त सत्य बनी रहती है, जो समाधान की विशिष्टता की गारंटी देती है। उन्होंने अपने तरीके का परीक्षण दो सावधानीपूर्वक निर्मित उदाहरणों के साथ किया जहाँ वास्तविक उत्तर पहले से ज्ञात था। इन परीक्षणों में, एल्गोरिदम ने उच्च सटीकता के साथ तापमान क्षेत्र और समय-परिवर्तनीय स्रोत दोनों को सफलतापूर्वक पुनर्गठित किया, जो दूसरे क्रम की सटीकता (second-order accuracy) के सैद्धांतिक भविष्यवाणियों से मेल खाता है।

उनके कार्य का एक महत्वपूर्ण हिस्सा शोर वाले डेटा (noisy data) की वास्तविकता को संबोधित करता था। वास्तविक दुनिया में, माप कभी भी पूर्ण नहीं होते; उनमें छोटे यादृच्छिक त्रुटियाँ होती हैं। शोधकर्ताओं ने पाया कि यदि कोई इन शोर वाले मापों के परिवर्तन की दर की सीधे गणना करने का प्रयास करता है, तो त्रुटियां अनियंत्रित होकर बढ़ जाती हैं, जिससे परिणाम बेकार हो जाता है। इसे ठीक करने के लिए, उन्होंने 'सैटविट्ज़-गोले' (Savitzky–Golay) विभेदन नामक एक स्मूथिंग तकनीक का उपयोग किया, जो डेरिवेटिव की गणना करने से पहले शोर वाले डेटा पर एक स्थानीय वक्र (local curve) फिट करती है। यह दृष्टिकोण एक फिल्टर के रूप में कार्य करता है, जो सिग्नल के आवश्यक आकार को संरक्षित करते हुए शोर को नियंत्रित करता है। उनके प्रयोगों ने दिखाया कि पांच प्रतिशत तक की माप त्रुटियों के साथ भी, विधि स्रोत गुणांक को उचित सटीकता के साथ पुनः प्राप्त कर सकती है। पुनर्गठित स्रोत अपने मुख्य प्रोफाइल को बनाए रखता है, और गणना किया गया तापमान क्षेत्र स्थिर रहता है, जो यह सिद्ध करता है कि यह विधि वास्तविक दुनिया के डेटा की खामियों को संभालने के लिए पर्याप्त मजबूत है।

अध्ययन यह निष्कर्ष निकालता है कि एक एकल, औसत माप से समय-निर्भर ऊष्मा स्रोत की विश्वसनीय रूप से पहचान करना संभव है, भले ही अंतर्निहित भौतिकी में जटिल, दीर्घ-रेंज अंतःक्रियाएं शामिल हों। एक स्थिर संख्यात्मक योजना (numerical scheme) के साथ शोर वाले डेटा को संभालने के एक स्मार्ट तरीके को जोड़कर, शोधकर्ताओं ने इस श्रेणी की इनवर्स समस्याओं को हल करने के लिए एक पूर्ण टूलकिट प्रदान किया है। उनका कार्य केवल एक सैद्धांतिक प्रमाण नहीं है बल्कि एक व्यावहारिक एल्गोरिदम भी प्रदान करता है जिसे परीक्षण और सत्यापित किया गया है। परिणाम बताते हैं कि उन प्रणालियों के लिए जहाँ केवल समग्र डेटा उपलब्ध है, अनिश्चितता की परतों को हटाकर प्रक्रिया के छिपे हुए चालकों को प्रकट करना संभव है, बशर्ते डेटा के साथ सही गणितीय देखभाल की जाए।

तकनीकी सारांश: स्पेक्ट्रल फ्रैक्शनल लैपलेसियन के साथ एक हीट इक्वेशन में समय-निर्भर गुणांक की संख्यात्मक पहचान

समस्या का निरूपण
यह शोध पत्र स्पेक्ट्रल डिरिचलेट फ्रैक्शनल लैपलेसियन, जिसे $(-\Delta_D)^s$ द्वारा दर्शाया गया है (जहाँ $0 < s < 1$ ), से नियंत्रित एक आयामी हीट इक्वेशन के लिए एक इनवर्स कोएफिशिएंट (विपरीत गुणांक) समस्या को संबोधित करता है। नियंत्रित समीकरण है:
$u_t(t, x) + (-\Delta_D)^s u(t, x) = r(t)f(t, x), \quad (t, x) \in (0, T] \times (0, l)$
जो होमोजेनियस डिरिचलेट बाउंड्री कंडीशंस और एक निर्धारित प्रारंभिक अवस्था $u(0, x) = \phi(x)$ का पालन करती है। इसका उद्देश्य अज्ञात समय-निर्भर स्रोत गुणांक $r(t)$ और अवस्था $u(t, x)$ को एक साथ निर्धारित करना है। उपलब्ध डेटा पूर्ण स्थानिक अवस्था नहीं है, बल्कि एक भारित समाकल माप (overdetermination condition) है:
$\int_0^l u(t, x)\omega(x) \, dx = w(t), \quad 0 \le t \le T,$
जहाँ $\omega(x)$ एक ज्ञात भार फलन (weight function) है और $w(t)$ मापा गया रिस्पॉन्स है। लेखक अपने दृष्टिकोण को इंटीग्रल (रिस्ट्रिक्टेड) फ्रैक्शनल लैपलेसियन वाले मॉडलों से अलग करते हैं, क्योंकि वे स्पेक्ट्रल परिभाषा का उपयोग करते हैं जो शास्त्रीय डिरिचलेट लैपलेसियन के आइगेनपेयर्स (eigenpairs) पर आधारित है और यह अंतर्निहित शास्त्रीय समस्या की ज्यामिति और बाउंड्री कंडीशंस को सुरक्षित रखता है।

कार्यप्रणाली (Methodology)
लेखक इस इनवर्स प्रॉब्लम के लिए निम्नलिखित चरणों के माध्यम से एक पूर्ण संख्यात्मक उपचार विकसित करते हैं:

सतत निरूपण (Continuous Formulation): इनवर्स प्रॉब्लम को अज्ञात गुणांक $r(t)$ के लिए द्वितीय प्रकार के वोल्टेरा इंटीग्रल इक्वेशन (Volterra integral equation of the second kind) में बदल दिया जाता है। इंटीग्रल मेजरमेंट कंडीशन को डिफरेंशिएट करके और समाधान के सेमीग्रुप रिप्रेजेंटेशन का उपयोग करके, $r(t)$ के लिए एक स्केलर रिकंस्ट्रक्शन फॉर्मूला प्राप्त किया जाता है। यह व्युत्पत्ति एक नॉन-डीजनरेसी (nondegeneracy) स्थिति पर निर्भर करती है, विशेष रूप से कि $(f(t), \omega)_{L^2}$ का आंतरिक उत्पाद (inner product) शून्य से दूर (bounded away from zero) बना रहे।
स्थानिक विविक्तिकरण (Spatial Discretization): स्पेक्ट्रल फ्रैक्शनल ऑपरेटर को फ्रैक्शनल मैट्रिक्स पावर $A_h = L_h^s$ का उपयोग करके विविक्तिकृत (discretize) किया जाता है, जहाँ $L_h$ मानक सेकंड-ऑर्डर डिरिचलेट फाइनाइट डिफरेंस लैपलेसियन है। इस ऑपरेटर को डिस्क्रीट साइन ट्रांसफॉर्म के माध्यम से परिभाषित किया जाता है, जिससे घने मैट्रिक्स (dense matrix) को स्पष्ट रूप से बनाए बिना $A_h v$ का कुशल मूल्यांकन संभव होता है।
समय विविक्तिकरण (Time Discretization): सेमी-डिस्क्रिट सिस्टम पर एक क्रैंक–निकोलसन (Crank–Nicolson) स्कीम लागू की जाती है। इस स्कीम को युग्मित अवस्था (coupled state) और गुणांक पुनर्निर्माण को एक साथ संभालने के लिए तैयार किया गया है।
पुनर्निर्माण एल्गोरिदम (Reconstruction Algorithm): प्रत्येक टाइम स्टेप पर, एल्गोरिदम अवस्था को आगे बढ़ाने और स्रोत रिस्पॉन्स की गणना करने के लिए एक ही सिस्टम मैट्रिक्स (क्रैंक-निकोलसन स्टेप से प्राप्त) के साथ दो लीनियर सॉल्व्स करता है। इसके बाद $r(t)$ को कंप्यूट किए गए स्टेट और वेट फंक्शन के डिस्क्रीट इनर प्रोडक्ट वाले एक क्लोज्ड स्केलर फॉर्मूला का उपयोग करके प्राप्त किया जाता है।
शोर युक्त डेटा को संभालना (Handling Noisy Data): शोर युक्त इंटीग्रल मेजरमेंट्स वाले मामलों के लिए, लेखक एक एडेप्टिव सवित्स्की–गोले (Savitzky–Golay) रेगुलराइज्ड डिफरेंशिएशन प्रक्रिया का उपयोग करते हैं। यह आवश्यक है क्योंकि शोर वाले डेटा का सीधा संख्यात्मक डिफरेंशिएशन हाई-फ्रीक्वेंसी एरर्स को बढ़ा देता है। स्मूथिंग विंडो का चयन शोर न्यूनीकरण और सिग्नल फिडेलिटी के बीच संतुलन बनाने के लिए एक विसंगति मानदंड (discrepancy criterion) के आधार पर किया जाता है।

प्रमुख योगदान और सैद्धांतिक परिणाम

स्थिरता और अभिसरण (Stability and Convergence): शोध पत्र सिद्ध करता है कि डायरेक्ट प्रॉब्लम के लिए क्रैंक–निकोलसन स्कीम अनकंडीशनली स्टेबल है। एक सेकंड-ऑर्डर स्पेशियल कंसिस्टेंसी धारणा (विशेष रूप से फाइनाइट साइन एक्सपेंशंस के लिए) के तहत, यह स्कीम $L^2$ और एनर्जी नॉर्म्स में $O(\tau^2 + h^2)$ कन्वर्जेंस रेट प्राप्त करती है।
पहचान क्षमता (Identifiability): एक डिस्क्रीट आइडेंटिफिएबिलिटी कंडीशन स्थापित की गई है, जो यह दिखाती है कि पुनर्निर्माण फॉर्मूला में हर (denominator) शून्य नहीं रहता, बशर्ते कि निरंतर नॉन-डीजनरेसी कंडीशन बनी रहे और मेश पर्याप्त रूप से बारीक हो।
सशर्त अभिसरण (Conditional Convergence): लेखक युग्मित स्टेट-कोएफिशिएंट पुनर्निर्माण के सशर्त अभिसरण को स्थापित करते हैं। रिकवर्ड कोएफिशिएंट का एरर एस्टिमेट डिस्क्रीटाइजेशन एरर्स ( $\tau^2 + h^2$ ) और मेजरमेंट डेटा के डेरिवेटिव ( $w'(t)$ ) के अनुमान में त्रुटि $\eta$ पर निर्भर करता है। शोध पत्र स्पष्ट रूप से नोट करता है कि यह $\eta$ के लिए रॉ नॉइज़ लेवल के संबंध में कोई कन्वर्जेंस रेट व्युत्पन्न नहीं करता है, बल्कि इसे एरर बाउंड के लिए एक दिए गए पैरामीटर के रूप में मानता है।

संख्यात्मक परिणाम (Numerical Results)
विधि को दो मैन्युफैक्चरड उदाहरणों का उपयोग करके मान्य किया गया है जहाँ सटीक समाधान डिरिचलेट आइजनफंक्शन्स के फाइनाइट सम (finite sums) हैं।

अभिसरण (Convergence): संख्यात्मक प्रयोग शोर की अनुपस्थिति में स्टेट और कोएफिशिएंट के लिए सैद्धांतिक सेकंड-ऑर्डर कन्वर्जेंस रेट की पुष्टि करते हैं।
शोर के प्रति मजबूती (Robustness to Noise): इंटीग्रल मेजरमेंट्स में 1%, 3%, और 5% रिलेटिव नॉइज़ के साथ प्रयोग प्रदर्शित करते हैं कि एडेप्टिव रेगुलराइज्ड डिफरेंशिएशन पुनर्निर्माण को प्रभावी ढंग से स्थिर करता है। हालांकि रिकवर्ड कोएफिशिएंट में एरर नॉइज़ लेवल के साथ बढ़ता है, विधि कोएफिशिएंट के मुख्य प्रोफाइल को सफलतापूर्वक रिकवर करती है। यह दिखाया गया है कि संख्यात्मक स्टेट, कोएफिशिएंट की तुलना में विचलनों (perturbations) के प्रति कम संवेदनशील है, जो एल्गोरिथमिक संरचना के अनुरूप है जहाँ स्टेट को एक स्थिर इवोल्यूशन स्टेप के माध्यम से अपडेट किया जाता है।

महत्व
यह शोध पत्र दावा करता है कि यह स्पेक्ट्रल फ्रैक्शनल लैपलेसियन के साथ हीट इक्वेशंस में इंटीग्रल ओवरडिटरमिनेशन का उपयोग करके समय-निर्भर स्रोतों को पहचानने के लिए एक पूर्ण संख्यात्मक ढांचा प्रदान करता है। इसका महत्व एक स्थिर, सेकंड-ऑर्डर सटीक एल्गोरिदम के कठोर व्युत्पन्न में निहित है जिसमें एक क्लोज्ड-फॉर्म रिकंस्ट्रक्शन फॉर्मूला और सशर्त अभिसरण का प्रमाण शामिल है। यह कार्य इनवर्स प्रॉब्लम्स के सैद्धांतिक फॉर्मूलेशन और उनके व्यावहारिक संख्यात्मक समाधान के बीच के अंतर को पाटता है, विशेष रूप से स्पेक्ट्रल फ्रैक्शनल ऑपरेटर की नॉन-लोकल प्रकृति और शोर युक्त डेरिवेटिव डेटा द्वारा उत्पन्न अस्थिरता को संबोधित करता है। लेखक अपने कार्य को स्पेक्ट्रल परिभाषा और उससे जुड़े मैट्रिक्स-पावर विविक्तिकरण के उपयोग द्वारा विशिष्ट योगदान के रूप में प्रस्तुत करते हैं।

इसी तरह के और पेपर