🔢 mathematics

Discovering Scaling Exponents with Physics-Informed Müntz-Szász Networks

यह शोध पत्र फिजिक्स-इन्फॉर्म्ड मुंट्ज़-साज़ नेटवर्क (MSN-PINN) प्रस्तुत करता है, जो एक नवीन आर्किटेक्चर है जो पावर-लॉ स्केलिंग एक्सपोनेंट्स को सटीक और अद्वितीय रूप से भौतिक स्केलिंग नियमों को विरल और शोर वाले डेटा से पुनः प्राप्त करने के लिए प्रशिक्षित पैरामीटर के रूप में मानता है, जो बाधा-जागरूक प्रशिक्षण के माध्यम से मानक न्यूरल नेटवर्क की तुलना में काफी बेहतर प्रदर्शन करते हुए सिंगुलैरिटी और क्रिटिकल पॉइंट एक्सपोनेंट्स की पहचान करने में लगभग पूर्ण सटीकता प्राप्त करता है।

मूल लेखक: Gnankan Landry Regis N'guessan, Bum Jun Kim

प्रकाशित 2026-02-02

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Gnankan Landry Regis N'guessan, Bum Jun Kim

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 जटिल पहेली को हल करने की कोशिश कर रहे हैं जहाँ पहेली के टुकड़े अदृश्य हैं। भौतिकी (physics) की दुनिया में, कई प्रणालियाँ एक विशिष्ट तरीके से व्यवहार करती हैं, विशेष रूप से "परेशानी वाले स्थानों" (जैसे किसी सामग्री में दरार का सिरा या कमरे का एक नुकीला कोना) के पास। ये प्रणालियाँ एक पावर लॉ (power law) नामक नियम का पालन करती हैं, जो मूल रूप से एक गणितीय रेसिपी है जो कहती है, "यदि आप आकार को इतना बदलते हैं, तो परिणाम उस만큼 बदल जाता है।" यह "उस만큼" एक विशेष संख्या है जिसे एक्सपोनेंट (exponent) कहा जाता है।

दशकों से, वैज्ञानिक जानते हैं कि ये संख्याएँ मौजूद हैं और ब्रह्मांड को समझने के लिए महत्वपूर्ण हैं। हालाँकि, इन समस्याओं को हल करने के लिए उपयोग किए जाने वाले मानक कंप्यूटर प्रोग्राम (न्यूरल नेटवर्क) एक 'ब्लैक बॉक्स' की तरह होते हैं। वे उत्तर का बहुत सटीक अनुमान लगा सकते हैं, लेकिन वे "रेसिपी" (एक्सपोनेंट) को लाखों सूक्ष्म, अदृश्य सेटिंग्स के भीतर छिपा देते हैं। यह एक ऐसे शेफ की तरह है जो एक बेहतरीन केक तो बनाता है लेकिन आपको गुप्त सामग्री नहीं बताता, या इससे भी बदतर, वह गुप्त सामग्री को एक तिजोरी के अंदर छिपा देता है।

नया समाधान: एक पारदर्शी रेसिपी बुक

यह पेपर एक नए टूल का परिचय देता है जिसे MSN-PINN कहा जाता है। इसे भौतिकी के लिए एक "पारदर्शी रेसिपी बुक" के रूप में समझें। गुप्त सामग्री को छिपाने के बजाय, यह टूल एक्सपोनेंट को एक वेरिएबल (variable) के रूप में सामने के पन्ने पर लिख देता है जिसे सीखा जा सकता है।

यह कैसे काम करता है, इसके कुछ सरल उदाहरण यहाँ दिए गए हैं:

1. "जादुई फॉर्मूला" बनाम "ब्रूट फोर्स" (The "Magic Formula" vs. The "Brute Force")

पुराना तरीका (मानक न्यूरल नेटवर्क): कल्पना कीजिए कि आप केवल छोटे, सीधे लेगो ब्रिक्स (Lego bricks) का उपयोग करके एक चिकनी वक्र रेखा (जैसे पावर लॉ) खींचने की कोशिश कर रहे हैं। इसे सही दिखाने के लिए आपको हजारों ब्रिक्स की आवश्यकता होगी। "गुप्त संख्या" (एक्सपोनेंट) उन ब्रिक्स को व्यवस्थित करने के तरीके के भीतर गहराई में दबी हुई है। आप इसे देख नहीं सकते, और आप इसे आसानी से बदल भी नहीं सकते।
नया तरीका (MSN-PINN): यह टूल एक "जादुई फॉर्मूला" का उपयोग करता है जहाँ एक्सपोनेंट एक ऐसा 'नॉब' (knob) है जिसे आप घुमा सकते हैं। हजारों ब्रिक्स के बजाय, यह $c \times x^{\text{knob}}$ जैसे कुछ ही पदों का उपयोग करता है। यहाँ "नॉब" ही एक्सपोनेंट है। कंप्यूटर का काम बस उस नॉब को तब तक घुमाना है जब तक कि फॉर्मूला भौतिकी के साथ पूरी तरह फिट न हो जाए।

2. "शांत कमरे" की समस्या (The "Silent Room" Problem)

लेखकों ने एक पेचीदा समस्या की खोज की। कभी-कभी, भौतिकी समीकरण (खेल के नियम) कंप्यूटर को यह संकेत देने के लिए पर्याप्त सुराग नहीं देते कि नॉब को किस दिशा में घुमाना है।

उदाहरण: कल्पना कीजिए कि आप एक शांत कमरे में एक विशिष्ट रेडियो स्टेशन खोजने की कोशिश कर रहे हैं। यदि रेडियो में कोई शोर (static) नहीं है लेकिन वॉल्यूम इतना कम है कि आप संगीत नहीं सुन पा रहे हैं, तो आप डायल को बेतरतीब ढंग से घुमा सकते हैं। आप एक ऐसे स्टेशन पर पहुँच सकते हैं जो सुनने में तो ठीक लगता है (सीमा नियमों के अनुसार फिट बैठता है) लेकिन वह सही स्टेशन नहीं है।
परिणाम: अपने परीक्षणों में, बिना अतिरिक्त मदद के, कंप्यूटर ने अनुमान लगाया कि एक्सपोनेंट लगभग 0.57 था, जबकि वास्तविक उत्तर 0.66 था। भौतिकी की दुनिया में यह एक बड़ी गलती है।

3. "कन्स्ट्रेंट" सेफ्टी नेट (The "Constraint" Safety Net)

इसे ठीक करने के लिए, लेखकों ने एक "सेफ्टी नेट" जोड़ा जिसे Constraint-Aware Training कहा जाता है।

उदाहरण: कल्पना कीजिए कि आप अभी भी उसी शांत कमरे में हैं, लेकिन अब आपके पास एक मानचित्र (map) है जो कहता है, "आप जिस स्टेशन की तलाश कर रहे हैं वह ठीक 12 बजे की स्थिति पर है।" भले ही संगीत धीमा हो, मानचित्र आपके हाथ को सही जगह पर रुकने के लिए मजबूर करता है।
परिणाम: इस "मानचित्र" (समस्या के आकार पर आधारित एक गणितीय नियम) को जोड़ने से, कंप्यूटर तुरंत सही उत्तर पर पहुँच गया। त्रुटि 14.6% से गिरकर 0.009% रह गई। यह एक जंगली अनुमान से बदलकर 1967 के प्रसिद्ध गणितीय सिद्धांतों के साथ एक लगभग सटीक मिलान बन गया।

उन्होंने वास्तव में क्या सिद्ध किया?

यह पेपर यह दावा नहीं करता कि यह बीमारियों का इलाज करेगा या कल मौसम की भविष्यवाणी करेगा। यह सख्ती से एक विशिष्ट गणितीय पहेली को हल करने का दावा करता है:

यह काम करता है: उन्होंने परीक्षण के लिए भौतिकी के तीन अलग-अलग प्रकार के "परेशानी वाले स्थानों" (एक सिंगुलर समीकरण, एक नुकीला कोना और एक अजीब बल) का उपयोग किया।
यह सटीक है: सबसे कठिन परीक्षण में (नुकीला कोना), इसने सही संख्या को इतनी कम त्रुटि के साथ पाया कि वह लगभग अदृश्य है (0.009%)।
यह विश्वसनीय है: उन्होंने गणितीय रूप से सिद्ध किया कि यदि डेटा स्पष्ट है, तो कंप्यूटर को वह एक सच्चा नंबर ढूंढना ही होगा, और वह शोर (noise) से भ्रमित नहीं होगा।
यह सीखने में तेज़ है: उन्होंने पाया कि यदि वे कंप्यूटर को "नॉब्स" (एक्सपोनेंट्स) को धीरे-धीरे और "वेट्स" (कोएफिशिएंट्स) को तेज़ी से समायोजित करने के लिए सिखाते हैं, तो वह बेहतर सीखता है।

मुख्य निष्कर्ष (The Bottom Line)

यह पेपर कंप्यूटर को भौतिकी की समस्याओं को हल करने के लिए सिखाने का एक नया तरीका प्रस्तुत करता है। कंप्यूटर को उत्तर का अनुमान लगाने और "क्यों" को छिपाने देने के बजाय, यह नया तरीका कंप्यूटर को सीधे स्केलिंग रूल्स (एक्सपोनेंट्स) सीखने के लिए मजबूर करता है। यह एक 'ब्लैक बॉक्स' को एक स्पष्ट खिड़की में बदल देता है, जिससे वैज्ञानिकों को उन मौलिक संख्याओं को देखने की अनुमति मिलती है जो भौतिक दुनिया के सबसे चरम बिंदुओं के पास उसके व्यवहार को नियंत्रित करती हैं।

तकनीकी सारांश: भौतिकी-सूचित मुंज-साज़ (Müntz-Szász) नेटवर्क के माध्यम से स्केलिंग घातांकों की खोज

समस्या विवरण
विलक्षणताओं (singularities), इंटरफेस और क्रिटिकल पॉइंट्स के पास भौतिक प्रणालियाँ अक्सर पावर-लॉ स्केलिंग (जैसे, क्रैक टिप के लिए $r^{-1/2}$ , या टर्बुलेंट स्पेक्ट्रा के लिए $k^{-5/3}$ ) प्रदर्शित करती हैं। निर्धारित स्केलिंग घातांकों (scaling exponents) की पहचान करना एक प्राथमिक वैज्ञानिक लक्ष्य है, क्योंकि ये समरूपता (symmetries), संरक्षण नियमों और समाधान की नियमितता (regularity) को समाहित करते हैं। हालाँकि, मानक न्यूरल नेटवर्क, जिनमें फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINNs) भी शामिल हैं, इन घातांकों को लाखों वेट्स (weights) के भीतर छिपे हुए 'इम्प्लिसिट फीचर्स' के रूप में देखते हैं। PINNs PDE अवशेषों (residuals) को कम करके फॉरवर्ड और इनवर्स समस्याओं को हल कर सकते हैं, लेकिन उनमें स्केलिंग संरचना को स्पष्ट रूप से आउटपुट करने की आर्किटेक्चरल क्षमता नहीं होती है। मानक आर्किटेक्चर (जैसे, पावर लॉ को अनुमानित करने के लिए $\Omega(\epsilon^{-2})$ इकाइयों वाले MLP या स्मूथ एक्टिवेशन) विफल हो जाते हैं और व्याख्या योग्य घातांक प्रदान करने में असमर्थ होते हैं, जिससे अक्सर उन्हें निकालने के लिए नाजुक पोस्ट-होक विश्लेषण की आवश्यकता होती है।

कार्यप्रणाली: MSN-PINN
लेखक फिजिक्स-इन्फॉर्म्ड मुंज-साज़ नेटवर्क (MSN-PINN) पेश करते हैं, जो एक ऐसा ढांचा है जो स्केलिंग घातांकों को स्पष्ट, प्रशिक्षण योग्य (trainable) मापदंडों के रूप में मानता है।

द एन्सैट्ज़ (The Ansatz): मानक आधार फलनों (basis functions) के बजाय, मॉडल एक मुंज-साज़ विस्तार का उपयोग करता है:
$u_\theta(x) = \sum_{k=1}^K c_k x^{\mu_k}$
जहाँ गुणांकों $\{c_k\}$ और घातांकों $\{\mu_k\}$ दोनों को अनुकूलित (optimize) किया जाता है। यह नेटवर्क को सही ढंग से सीखा गया घातांक होने पर एक एकल पद (term) के साथ पावर-लॉ लक्ष्यों को सटीक रूप से दर्शाने की अनुमति देता है।
फिजिक्स-इन्फॉर्म्ड ट्रेनिंग: नेटवर्क को लेबल किए गए समाधान डेटा के बिना PDE और बाउंड्री कंडीशंस (BCs) को संतुष्ट करने के लिए प्रशिक्षित किया जाता है। कुल लॉस फंक्शन निम्नलिखित को जोड़ता है:
- PDE रेसिड्यूल लॉस ( $L_{res}$ ): गवर्निंग इक्वेशन के उल्लंघन को मापता है।
- बाउंड्री कंडीशन लॉस ( $L_{BC}$ ): सीमाओं पर डेटा को लागू करता है।
- स्पैरसिटी लॉस ( $L_{sparse}$ ): स्प्यूरियस टर्म्स को दबाने और पहचान क्षमता (identifiability) में सहायता के लिए गुणांकों पर $\ell_1$ पेनल्टी लगाता है।
कन्स्ट्रेंट-अवेयर ट्रेनिंग: लेखक कुछ समस्याओं (जैसे, वेज (wedge) पर लाप्लास समीकरण) के लिए "नेटिव" (naive) MSN-PINN ट्रेनिंग में एक महत्वपूर्ण विफलता मोड की पहचान करते हैं। इन मामलों में, PDE रेसिड्यूल घातांक $\mu$ के संबंध में फ्लैट होता है (कोई भी हार्मोनिक फंक्शन PDE को संतुष्ट करता है), जिससे "एक्सपोनेंट ड्रिफ्ट" होता है जहाँ नेटवर्क भौतिक रूप से गलत मानों की ओर अभिसरित (converge) हो जाता है (जैसे, 14.6% त्रुटि)।
इसे हल करने के लिए, लेखक कन्स्ट्रेंट-अवेयर लॉस पेश करते हैं जो विशिष्ट भौतिक आवश्यकताओं, जैसे एज कम्पैटिबिलिटी कंडीशंस को एनकोड करते हैं। एक वेज के लिए, कोण $\omega$ के साथ, कंस्ट्रेंट $L_{constraint} = \sum |c_k| \sin^2(\mu_k \omega)$ जोड़ा जाता है। यह एक क्वांटाइजेशन फोर्स के रूप में कार्य करता है, जो घातांकों को भौतिक रूप से वैध मानों ( $\mu = n\pi/\omega$ ) के डिस्क्रीट सेट की ओर धकेलता है और अभिसरण के लिए आवश्यक ग्रेडिएंट सिग्नल प्रदान करता है।
ऑप्टिमाइज़ेशन स्ट्रैटेजी: एक टू-टाइमस्केल ऑप्टिमाइज़ेशन योजना का उपयोग किया जाता है। गुणांकों ( $c$ ) को फिक्स्ड एक्सपोनेंट्स के लिए लीनियर लीस्ट-स्क्वायर्स समस्या को हल करने के लिए तेजी से अपडेट किया जाता है (फास्ट टाइमस्केल), जबकि घातांकों ( $\mu$ ) को लॉस फंक्शन के जटिल, नॉन-लीनियर लैंडस्केप में अस्थिरता के बिना नेविगेट करने के लिए धीरे-धीरे अपडेट किया जाता है (स्लो टाइमस्केल)।

प्रमुख योगदान

फ्रेमवर्क इंटीग्रेशन: लेबल किए गए डेटा के बिना सीधे PDE अवशेषों से घातांकों की खोज करने के लिए MSN को फिजिक्स-इन्फॉर्म्ड फ्रेमवर्क के भीतर समाहित करना।
सैद्धांतिक गारंटी:
- आइडेंटिफिएबिलिटी (Identifiability): यह सिद्ध करना कि पावर-लॉ सम अपने घातांकों द्वारा अद्वितीय रूप से निर्धारित होते हैं; यदि कोई फंक्शन सटीक रूप से प्रतिनिधित्व किया गया है, तो घातांकों को वास्तविक भौतिक मानों से मेल खाना चाहिए।
- स्टेबिलिटी (Stability): स्थिरता सीमाएं निकालना जो दिखाती हैं कि रिकवरी सटीकता शोर (noise) के साथ कैसे घटती है, जो रेले लिमिट ( $O(\sigma / \Delta^2 \sqrt{N})$ ) के समान एक सेपरेशन कंडीशन द्वारा नियंत्रित होती है।
- एप्रोक्सिमेशन रेट्स: दिखाना कि स्क्वेर्ड एरर $O(|\mu - \alpha|^2)$ के रूप में स्केल होता है, जो पावर-लॉ लक्ष्यों के लिए मानक नेटवर्क की तुलना में बेहतर दक्षता प्रदान करता है।
कन्स्ट्रेंट-अवेयर मैकेनिज्म: उन मामलों को हल करने के लिए लॉस टर्म्स पेश करना जहाँ PDE रेसिड्यूल पर्याप्त ग्रेडिएंट सिग्नल प्रदान करने में अपर्याप्त थे (जैसे, BC कम्पैटिबिलिटी)।
एम्पिरिकल वैलिडेशन: कई बेंचमार्क्स पर स्केलिंग एक्सपोनेंट्स की उच्च-परिशुद्धता रिकवरी का प्रदर्शन करना।

परिणाम
पेपर कई बेंचमार्क्स पर स्केलिंग एक्सपोनेंट्स की उच्च-परिशुद्धता रिकवरी रिपोर्ट करता है:

सिंगुलर ODE: केवल भौतिकी से $\alpha=0.5$ के घातांक को 1.31% त्रुटि के साथ रिकवर किया गया।
कॉर्नर सिंगुलैरिटी (2D Laplace): $270^\circ$ वेज के लिए कोंड्रैट'व (Kondrat'ev) एक्सपोनेंट ( $\mu=2/3$ ) को रिकवर किया गया। नेटिव ट्रेनिंग 14.6% त्रुटि के साथ विफल रही, जबकि कंस्ट्रेंट-अवेयर ट्रेनिंग ने 0.009% त्रुटि प्राप्त की, जो विश्लेषणात्मक परिणाम से चार महत्वपूर्ण अंकों तक मेल खाती है।
सिंगुलर पॉइसन प्रॉब्लम: सिंगुलर फोर्सिंग द्वारा प्रेरित ड्यूल एक्सपोनेंट्स ( $x^{-1/2} \to u \sim x^{3/2}$ ) को 0.03% और 0.05% की त्रुटियों के साथ रिकवर किया गया।
वेज बेंचमार्क: 40-कॉन्फ़िगरेशन वेज बेंचमार्क पर, विधि ने 100% सफलता दर और 0.022% के औसत त्रुटि के साथ सफलता प्राप्त की।
कंस्ट्रेंट इम्पैक्ट: कंस्ट्रेंट-अवेयर ट्रेनिंग ने उन मामलों में नेटिव ट्रेनिंग की तुलना में सटीकता में तीन ऑर्डर ऑफ मैग्नीट्यूड का सुधार किया जहाँ PDE रेसिड्यूल अपर्याप्त थे।

महत्व और दावे
यह पेपर दावा करता है कि MSN-PINN न्यूरल नेटवर्क की अभिव्यक्तता (expressiveness) और एसिम्प्टोटिक विश्लेषण (asymptotic analysis) के बीच के अंतर को पाटता है। स्केलिंग एक्सपोनेंट्स को स्पष्ट प्रशिक्षण योग्य मापदंडों के रूप में बनाकर, यह विधि सीधे भौतिक अर्थ वाले सीखे गए मापदंडों का उत्पादन करती है। लेखक कहते हैं कि ये सीखे गए घातांक मौजूदा सिद्धांत को मान्य कर सकते हैं, नए भौतिक विज्ञान का सुझाव दे सकते हैं, मॉडल मिसस्पेसिफिकेशन का निदान कर सकते हैं, और प्रशिक्षण डोमेन से परे एक्सट्रपलेशन (extrapolation) को सक्षम कर सकते हैं। यह कार्य खुद को मानक PINNs के विकल्प के रूप में एक सामान्य-उद्देश्य वाले सॉल्वर के रूप में नहीं, बल्कि उन समस्याओं के लिए एक विशेष उपकरण के रूप में स्थापित करता है जहाँ अंतर्निहित स्केलिंग कानूनों की पहचान करना प्राथमिक वैज्ञानिक उद्देश्य है।

1. "जादुई फॉर्मूला" बनाम "ब्रूट फोर्स" (The "Magic Formula" vs. The "Brute Force")

2. "शांत कमरे" की समस्या (The "Silent Room" Problem)

3. "कन्स्ट्रेंट" सेफ्टी नेट (The "Constraint" Safety Net)

उन्होंने वास्तव में क्या सिद्ध किया?

मुख्य निष्कर्ष (The Bottom Line)

इसी तरह के और पेपर