⚡ electrical engineering

Forecasting in the presence of scale-free noise

यह शोध पत्र सर्वव्यापी स्केल-फ्री शोर (scale-free noise) की उपस्थिति में छिपी हुई प्रक्रियाओं के पूर्वानुमान के लिए प्रदर्शन गारंटी के साथ एक नई विधि प्रस्तुत करता है, जो तर्कसंगत पावर स्पेक्ट्रा (rational power spectra) की आवश्यकता वाली वर्तमान तकनीकों की सीमाओं को दूर करता है, और न्यूरोसाइंस, वित्त एवं फ्लूइड डायनेमिक्स जैसे क्षेत्रों में वितरित प्रणालियों (distributed systems) में नियंत्रण डिजाइन में इसकी प्रयोज्यता को प्रदर्शित करता है।

मूल लेखक: Serhii Kryhin, Tatiana Mouzykantskii, Vivishek Sudhir

प्रकाशित 2026-02-02

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Serhii Kryhin, Tatiana Mouzykantskii, Vivishek Sudhir

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 भीड़भाड़ वाले, शोर वाले कमरे में अपने दोस्त की आवाज़ (संकेत/सिग्नल) सुनने की कोशिश कर रहे हैं (शोर/नॉइज़)। आपका लक्ष्य यह अनुमान लगाना है कि आपका दोस्त अब आगे क्या कहेगा। यह पूर्वानुमान (forecasting) लगाने की समस्या है।

दशकों से, वैज्ञानिकों के पास इसे हल करने के लिए एक सटीक नुस्खा रहा है, जिसे विनर फ़िल्टर (Wiener Filter) कहा जाता है। हालाँकि, इस नुस्खे में एक सख्त सामग्री आवश्यकता है: पृष्ठभूमि का शोर "व्यवस्थित" (well-behaved) होना चाहिए। गणितीय शब्दों में, विभिन्न आवृत्तियों (frequencies) में शोर का "आयतन" एक साफ, अनुमानित पैटर्न (जैसे कि एक तर्कसंगत फलन/rational function) का पालन करना चाहिए।

समस्या: "जंगली" शोर
वास्तविक दुनिया में, शोर अक्सर अव्यवस्थित और "जंगली" होता है। समुद्र की लहरों के अराजक मंथन, रेडियो के स्टैटिक, या शेयर बाजार के अनिश्चित उतार-चढ़ाव के बारे में सोचें। इस तरह के शोर को "स्केल-फ्री" (scale-free) कहा जाता है। इसका आयतन किसी व्यवस्थित पैटर्न का पालन नहीं करता है; बल्कि, यह एक "पावर लॉ" (power law) का पालन करता है, जिसका अर्थ है कि यह वैसा ही व्यवहार करता है चाहे आप ज़ूम इन करें या ज़ूम आउट करें, लेकिन यह पुराने विनर फ़िल्टर नुस्खे के नियमों को तोड़ देता है। इस कारण से, वैज्ञानिक इन अव्यवस्थित वातावरणों में संकेतों का विश्वसनीय रूप से पूर्वानुमान नहीं लगा सके।

समाधान: एक नया गणितीय "अनुवादक"
इस शोध पत्र के लेखकों ने इस जंगली, स्केल-फ्री शोर को संभालने के लिए एक नया तरीका आविष्कार किया है। उन्होंने इसे सरल उपमाओं का उपयोग करके कैसे किया है, यहाँ दिया गया है:

"जादुई लेंस" (रूपांतरण):
कल्पना कीजिए कि जंगली शोर एक विकृत छवि है जो विश्लेषण करने के लिए बहुत धुंधली है। लेखकों ने एक "जादुई लेंस" (एक गणितीय फलन जिसे $f(\omega)$ कहा जाता है) बनाया है जिसके माध्यम से आप देख सकते हैं। जब आप इस लेंस के माध्यम से शोर को देखते हैं, तो वह जंगली, अव्यवस्थित पैटर्न एक शांत, व्यवस्थित पैटर्न में बदल जाता है जिसे पुराना, भरोसेमंद नुस्खा संभाल सकता है। यह एक अराजक रेखाचित्र को एक विशेष फिल्टर का उपयोग करके एक साफ, सीधी रेखा में बदलने जैसा है।
"परफेक्ट ग्रिड" (आइजनफंक्शंस/Eigenfunctions):
एक बार जब शोर को वश में कर लिया गया, तो लेखकों को भविष्यवाणी की पहेली को हल करने के लिए एक तरीके की आवश्यकता थी। उन्होंने आइजनफंक्शंस (eigenfunctions) नामक विशेष गणितीय निर्माण ब्लॉकों का उपयोग किया जो एक परफेक्ट ग्रिड या लेगो (Lego) ब्रिक्स के सेट की तरह कार्य करते हैं। ये ईंटें विशेष रूप से "कार्य-कारणता" (causality) के नियमों में फिट होने के लिए डिज़ाइन की गई हैं (जिसका अर्थ है कि आप केवल अतीत की जानकारी का उपयोग भविष्य की भविष्यवाणी करने के लिए कर सकते हैं, भविष्य का उपयोग अतीत की भविष्यवाणी करने के लिए कभी नहीं)। इन ईंटों को एक के ऊपर एक रखकर, वे बिना पुराने, जटिल "विनर-हॉफ गुणनखंडन" (Wiener-Hopf factorization) के—जो कि निकास से पीछे की ओर काम करके भूलभुलैया सुलझाने जैसा है—एक आदर्श भविष्यवाणी फ़िल्टर बना सकते हैं।
"सीमित खिड़की" (वास्तविक दुनिया का डेटा):
एक वास्तविक प्रयोग में, आप शोर को अनंत काल तक नहीं सुन सकते; आपके पास केवल एक निश्चित लंबाई की रिकॉर्डिंग होती है। लेखकों ने यह पता लगाया कि यह "छोटी खिड़की" कितनी त्रुटि उत्पन्न करती है। उन्होंने दिखाया कि यदि आप अपने जादुई लेंस के लिए सही "ज़ूम स्तर" (एक विशिष्ट आवृत्ति पैमाना) चुनते हैं, तो आप सीमित डेटा के कारण होने वाली गलतियों को कम कर सकते हैं।

परिणाम
यह शोध पत्र एक चरण-दर-चरण एल्गोरिदम (नुस्खा) प्रदान करता है जिसे कोई भी उपयोग कर सकता है:

अपने अव्यवस्थित, स्केल-फ्री डेटा को लें।
इसे व्यवस्थित बनाने के लिए "जादुई लेंस" लागू करें।
निर्माण ब्लॉकों के "परफेक्ट ग्रिड" का उपयोग करके भविष्यवाणी की पहेली को हल करें।
उत्तर को मूल अव्यवस्थित दुनिया में वापस अनुवादित करें।

यह क्यों महत्वपूर्ण है
लेखक यह सिद्ध करते हैं कि यह विधि काम करती है और यह आपको गारंटी देती है कि आपका पूर्वानुमान कितना सटीक होगा। उन्होंने इसे एक कंप्यूटर सिमुलेशन के साथ प्रदर्शित किया है जहाँ एक सिग्नल को ऐसे शोर में छिपाया गया था जो वास्तविक दुनिया की अराजकता (जैसे अशांति या तंत्रिका संकेतों) की नकल करता है। नया फ़िल्टर छिपे हुए सिग्नल की सफलतापूर्वक भविष्यवाणी करता है, जबकि पुराने तरीके विफल हो जाते या उन्हें लागू करना असंभव होता।

इसका उपयोग कहाँ किया जा सकता है
शोध पत्र स्पष्ट रूप से बताता है कि यह विधि निम्नलिखित पर लागू होती है:

न्यूरोसाइंस (Neuroscience): मस्तिष्क के संकेतों को समझना।
वित्त (Finance): बाजार के उतार-चढ़ाव की भविष्यवाणी करना।
द्रव गतिकी (Fluid Dynamics): विक्षुब्ध प्रवाह (turbulent flows) का विश्लेषण करना।
क्वांटम माप (Quantum Measurements): संवेदनशील भौतिक प्रयोगों में शोर से निपटना।
नियंत्रण प्रणाली (Control Systems): वितरित प्रणालियों (जैसे पावर ग्रिड या रोबोटिक झुंड) के लिए बेहतर नियंत्रक डिजाइन करना, "अनुमान लगाने" और "नियंत्रित करने" के बीच के संबंध का उपयोग करके।

संक्षेप में, लेखकों ने एक पुल बनाया है जो हमें भविष्य की भविष्यवाणी करने की अनुमति देता है, भले ही वर्तमान का शोर अराजक और अप्रत्याशित हो।

तकनीकी सारांश: स्केल-फ्री शोर की उपस्थिति में पूर्वानुमान (Forecasting)

समस्या विवरण
शोर से संकेतों (signals) को निकालना विज्ञान और इंजीनियरिंग में एक मौलिक चुनौती है। जबकि पूर्वानुमान—पिछले अवलोकनों से एक छिपी हुई प्रक्रिया के भविष्य के मूल्यों का अनुमान लगाना—एक सुस्थापित क्षेत्र है, वर्तमान तकनीकें उनके शोर स्पेक्ट्रा (noise spectra) के संबंध में अपनी धारणाओं द्वारा सीमित हैं। पारंपरिक विधियों में, जिनमें विनर-हॉपफ़ गुणनखंडन (Wiener-Hopf factorization) और कलमन फ़िल्टर (Kalman filter) शामिल हैं, यह आवश्यक है कि शोर का पावर स्पेक्ट्रा परिमेय (rational power spectra) या विश्लेषणात्मक फलनों (analytic functions) द्वारा अभिलक्षित हो। हालाँकि, कई भौतिक और आर्थिक प्रणालियाँ "स्केल-फ्री" (scale-free) शोर प्रदर्शित करती हैं, जहाँ पावर स्पेक्ट्रल डेंसिटी आवृत्ति के गैर-पूर्णांक घात ( $\omega^{-\alpha}$ ) के रूप में स्केल करती है। टर्बुलेंस (turbulence), समुद्री लहरें, वित्तीय बाजार और क्वांटम मैकेनिकल उतार-चढ़ाव इसके उदाहरण हैं। व्हाइट नॉइज़ द्वारा संचालित स्टेट-स्पेस मॉडल ऐसे स्पेक्ट्रा उत्पन्न नहीं कर सकते, जिससे कलमन फ़िल्टर प्रतिमान (paradigm) अप्रभावी हो जाता है, जबकि गैर-परिमेय, स्केल-फ्री डेटा के लिए विनर फ़िल्टर का निर्माण अस्पष्ट बना हुआ है।

कार्यप्रणाली (Methodology)
लेखक एक बाधा-युक्त रूपांतरण समस्या (constrained variational problem) के रूप में इसे पुनर्गठित करके और विशिष्ट गणितीय समरूपताओं (symmetries) का लाभ उठाकर, स्केल-फ्री शोर के लिए कारण विनर फ़िल्टरिंग (causal Wiener filtering) समस्या का एक व्यवस्थित समाधान प्रस्तावित करते हैं। कार्यप्रणाली चार प्रमुख चरणों में आगे बढ़ती है:

वैरिएशनल फॉर्मूलेशन (Variational Formulation): कारण विनर फ़िल्टर को एक कारणता बाधा (causality constraint) के अधीन त्रुटि प्रसरण (error variance) के लघुतम मान (minimizer) के रूप में परिभाषित किया गया है। आवृत्ति डोमेन में, इस बाधा को हिल्बर्ट ट्रांसफॉर्म (Hilbert transform) के माध्यम से व्यक्त किया जाता है। लेखक ऑपरेटर समीकरणों के एक जोड़े (Eq. 5) को व्युत्पन्न करते हैं जो इष्टतम फ़िल्टर को अभिलक्षित करते हैं। हालाँकि, ये समीकरण सख्ती से यह मांग करते हैं कि डेटा (स्पेक्ट्रल डेंसिटीज) और फ़िल्टर वर्ग $L^2(\mathbb{R})$ के वर्ग-समावेशी फलनों (square-integrable functions) से संबंधित हों, जो एक ऐसी स्थिति है जिसका उल्लंघन अक्सर स्केल-फ्री डेटा द्वारा किया जाता है क्योंकि वे शून्य या अनंत आवृत्तियों पर अपसारी (diverge) होते हैं।
डेटा रूपांतरण (Data Transformation): स्केल-फ्री डेटा की गैर-वर्ग-समावेशी प्रकृति (non-square-integrability) को दूर करने के लिए, लेखक एक रूपांतरण फलन $f(\omega)$ पेश करते हैं। मूल डेटा $(S_{xy}, S_{yy})$ को $f(\omega)$ और उसके संयुग्मी (conjugate) से गुणा करके संशोधित डेटा $(S'_{xy}, S'_{yy})$ में मैप करके, स्पेक्ट्रा के स्पर्शोन्मुखी व्यवहार (asymptotic behavior) को बदल दिया जाता है। लेखक सिद्ध करते हैं (प्रमेय 2) कि $f(\omega)$ का एक विशिष्ट चयन स्केल-फ्री डेटा को एक ऐसे रूप में परिवर्तित कर सकता है जो $L^2(\mathbb{R})$ की शर्तों को पूरा करता है, बिना मूल समस्या की आवश्यक जानकारी खोए।
आइजनफंक्शन विस्तार (Eigenfunction Expansion): एक बार डेटा रूपांतरित हो जाने के बाद, हिल्बर्ट ट्रांसफॉर्म के आइजनफंक्शन्स का उपयोग करके कारणता बाधा को स्पष्ट रूप से हल किया जाता है। लेखक फलनों के एक पूर्ण ऑर्थोनॉर्मल सेट $\{\phi_k\}$ की पहचान करते हैं (प्रमेय 3) जो वास्तविक रेखा को इकाई वृत्त (unit circle) पर मैप करते हैं। इस आधार (basis) में फ़िल्टर और डेटा का विस्तार करने से ऑपरेटर समीकरण एक अनंत रैखिक समीकरण प्रणाली में बदल जाते हैं, जिसे एक सममित टोप्लिट्ज़ मैट्रिक्स (symmetric Toeplitz matrix) द्वारा दर्शाया जाता है (Eq. 15)। यह चरण प्रभावी रूप से स्पष्ट विनर-हॉपफ़ गुणनखंडन की आवश्यकता को समाप्त कर देता है।
परिमित-आयामी सन्निकटन और त्रुटि विश्लेषण (Finite-Dimensional Approximation and Error Analysis): अनंत टोप्लिट्ज़ प्रणाली को $n \times n$ मैट्रिक्स तक सीमित करके सन्निकटित (approximated) किया जाता है। लेखक इस समाधान की विशिष्टता और संख्यात्मक सुदृढ़ता (numerical robustness) स्थापित करते हैं। इसके अतिरिक्त, वे सटीक फ़िल्टर के प्रति खंडित (truncated) समाधान के अभिसरण (convergence) पर कठोर सीमाएँ स्थापित करते हैं (प्रमेय 4 और 5) और त्रुटियों को कम करने के लिए अनुकूलतम आवृत्ति स्केलिंग प्रदान करते हैं।

प्रमुख योगदान

सामान्यीकृत ढांचा (Generalized Framework): यह शोध पत्र स्केल-फ्री शोर की एक विस्तृत श्रेणी के लिए कारण विनर फ़िल्टरिंग समस्या को हल करने की एक विधि स्थापित करता है, जो परिमेय पावर स्पेक्ट्रा के प्रतिबंध को हटा देता है।
सैद्धांतिक गारंटी (Theoretical Guarantees): लेखक प्रदर्शन की गारंटी प्रदान करते हैं, जिसमें फ़िल्टर के अस्तित्व, विशिष्टता और अभिसरण के प्रमाण शामिल हैं। वे शोर स्पेक्ट्रल घातांक $\alpha$ के संदर्भ में समाधान की सटीकता को भी स्पष्ट करते हैं।
एल्गोरिदम कार्यान्वयन (Algorithmic Implementation): यह कार्य सैद्धांतिक समाधान को एक व्यावहारिक एल्गोरिदम में अनुवादित करता है जो विनर-हॉपफ़ गुणनखंडन से बचता है। विधि रूपांतरित डेटा से एक टोप्लिट्ज़ प्रणाली बनाने पर निर्भर करती है, जो गणनात्मक रूप से सुलभ (computationally tractable) है।
त्रुटि परिमाणीकरण (Error Quantification): यह शोध पत्र फ़िल्टर की सटीकता पर परिमित डेटा लंबाई (आवृत्ति ट्रंकेशन) के प्रभाव का विश्लेषण करता है, जो मैट्रिक्स आकार और आवृत्ति स्केलिंग मापदंडों के चयन के लिए सीमाएँ निर्धारित करता है।

परिणाम
प्रस्तावित विधि को एक लोरेन्ट्ज़ियन स्पेक्ट्रम (Lorentzian spectrum) वाले सिग्नल और स्केल-फ्री घटक ( $1/\omega^{1.8}$ ) वाले व्हाइट नॉइज़ के साथ एक सिद्धांत-प्रमाण (proof-of-principle) सिमुलेशन के माध्यम से सत्यापित किया गया।

एल्गोरिदम ने सिम्युलेटेड शोर युक्त मापों से कारण विनर फ़िल्टर को सफलतापूर्वक पुनर्गठित किया।
फ़िल्टर ने "रिकॉर्डेड" (ऑफलाइन) और "रियल-टाइम" (क्रमिक/sequential) दोनों परिदृश्यों में प्रभावी ढंग से कार्य किया, जो अपेक्षाकृत छोटी डेटा लंबाई के साथ भी तीव्र अभिसरण प्रदर्शित करता है।
अनुमानित सिग्नल का त्रुटि स्पेक्ट्रम निम्न पाया गया, और जब फ़िल्टर्स को लंबी अवधि के डेटा से कंप्यूट किया गया, तो त्रुटि अनुमानों का प्रसरण (variance) लुप्त हो गया।
अध्ययन ने पुष्टि की कि जब तक रूपांतरण और ट्रंकेशन मापदंडों को प्राप्त सीमाओं के अनुसार चुना जाता है, तब तक पावर स्पेक्ट्रल डेंसी की सैंपलिंग प्रक्रिया फ़िल्टर के प्रदर्शन को महत्वपूर्ण रूप से खराब नहीं करती है।

महत्व और दावे
लेखक दावा करते हैं कि यह कार्य स्केल-फ्री शोर के लिए पूर्वानुमान समस्या का एक सटीक, सामान्य और व्यावहारिक समाधान प्रदान करता है, जो एक व्यापक मुद्दा है जिसके लिए पहले व्यवस्थित दृष्टिकोण का अभाव था। अनुमान और नियंत्रण के बीच द्वैत (duality) का लाभ उठाते हुए, इस तकनीक को स्टोकेस्टिक वितरित प्रणालियों के लिए नियंत्रकों के डिजाइन के लिए भी लागू किया जा सकता है। लेखक कहते हैं कि इन परिणामों के न्यूरोसाइंस, वित्त, फ्लुइड डायनेमिक्स और क्वांटम माप जैसे क्षेत्रों में व्यापक अनुप्रयोग की क्षमता है, जहाँ स्केल-फ्री शोर प्रचलित है लेकिन पहले मानक पूर्वानुमान उपकरणों का उपयोग करना कठिन था। इस पद्धति को इस बात पर रेखांकित किया गया है कि यह कमजोर स्थिरता (weak stationarity) के अलावा शोर की किसी विशेष संरचना पर निर्भर नहीं करती है, जो इसे वास्तविक दुनिया के डेटा विश्लेषण के लिए एक मजबूत उपकरण बनाती है।

इसी तरह के और पेपर