कल्पना कीजिए कि आप किसी जटिल मशीन के काम करने के तरीके को समझने की कोशिश कर रहे हैं, जैसे कि कार का इंजन या धड़कता हुआ दिल, केवल उसके चलने का वीडियो देखकर। विज्ञान में, इसे "डायनेमिकल सिस्टम का पुनर्निर्माण" (reconstructing a dynamical system) कहा जाता है। यह एक जासूस होने जैसा है जिसके पास केवल पैरों के निशान हैं और उसे जूतों का आकार, चलने वाले का वजन और उसके द्वारा तय किए गए रास्ते का पता लगाना है। वैज्ञानिकों ने लंबे समय से इन प्रणालियों का वर्णन करने के लिए गणितीय समीकरणों का उपयोग किया है, लेकिन हाल ही में, उन्होंने इन नियमों को स्वचालित रूप से सीखने के लिए आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग करना शुरू कर दिया है। लक्ष्य केवल यह अनुमान लगाना नहीं है कि आगे क्या होगा; बल्कि यह समझना है कि वह क्यों होता है। ऐसा करने के लिए, AI मॉडल को एक "जेनरेटिव सरोगेट" (generative surrogate) होना चाहिए—एक डिजिटल जुड़वा (digital twin) जो अपने आप चल सके और वास्तविक प्रणाली के दीर्घकालिक व्यवहार, या "जलवायु" (climate), को फिर से बना सके। हालाँकि, एक समस्या है: अधिकांश वास्तविक दुनिया की चीजें, जैसे न्यूरॉन्स का सक्रिय होना या मौसम के पैटर्न, समय के एक सुचारू और निरंतर प्रवाह में होती हैं, न कि टूटे-फूटे, चरण-दर-चरण स्नैपशॉट्स में।

कुछ समय के लिए, सबसे अच्छे AI जासूस "डिस्क्रीट-टाइम" (discrete-time) मॉडल का उपयोग कर रहे थे। इन्हें "फ्लिपबुक एनिमेशन" की तरह समझें: प्रणाली एक फ्रेम से दूसरे फ्रेम पर कूदती है। जबकि ये फ्लिपबुक अगले फ्रेम का अनुमान लगाने में बहुत अच्छी हैं, वे अजीब और अनियमित समय पर आने वाले डेटा (जैसे कि एक हार्टबीट मॉनिटर जो केवल तब रिकॉर्ड करता है जब डॉक्टर जांच करता है) या अचानक होने वाले तीव्र बदलावों (जैसे कि एक न्यूरॉन का सक्रिय होना और तुरंत रीसेट हो जाना) के साथ संघर्ष करती हैं। दूसरी ओर, कुछ मॉडल निरंतर समय के लिए डिज़ाइन किए गए हैं, लेकिन वे अक्सर "ब्लैक बॉक्स" की तरह होते हैं: वे काम तो करते हैं, लेकिन वे गणितीय रूप से इतने जटिल होते हैं कि वैज्ञानिक यह देखने के लिए उनके भीतर झाँक नहीं पाते कि गियर कैसे घूम रहे हैं। वे प्रशिक्षण (training) के मामले में भी बहुत धीमे होते हैं, जैसे कि हर एक टुकड़े को एक-एक करके परखकर एक विशाल पहेली को हल करने की कोशिश करना।

यह शोध पत्र एक नए प्रकार के AI जासूस से परिचय कराता है जिसे कंटीन्यूअस-टाइम पीसवाइज-लीनियर रिकरेंट न्यूरल नेटवर्क (cPLRNN) कहा जाता है। यह दोनों दुनियाओं के सर्वश्रेष्ठ गुणों को मिलाकर इस पहेली को सुलझाता है। एक सड़क यात्रा की कल्पना करें जहाँ कार सुचारू रूप से चलती है, लेकिन सड़क सीधे, सपाट खंडों से बनी है। क्योंकि प्रत्येक खंड में सड़क सीधी है, आपको हर छोटे मोड़ की गणना करने के लिए GPS की आवश्यकता नहीं है; आप बस एक सरल सूत्र का उपयोग करके जान सकते हैं कि आप किसी भी क्षण कहाँ होंगे। cPLRNN बिल्कुल यही करता है। यह एक प्रणाली के जटिल और अव्यवस्थित व्यवहार को सरल, सीधी रेखाओं के टुकड़ों में विभाजित करता है। यह इसे अनियमित समय पर आने वाले डेटा और अचानक होने वाले बदलावों को आसानी से संभालने में सक्षम बनाता है, जबकि यह तेज़ और गणितीय रूप से पारदर्शी भी रहता है। लेखक दिखाते हैं कि यह नया मॉडल पुराने, टूटे-फूटे फ्लिपबुक या धीमे, सुचारू ब्लैक बॉक्स की तरह ही जटिल प्रणालियों का पुनर्निर्माण कर सकता है, लेकिन यह उससे कहीं अधिक तेज़ी से करता है और वैज्ञानिकों को प्रणाली की छिपी हुई संरचनाओं, जैसे कि इसके विश्राम बिंदुओं (resting points) और दोहराव वाले लूप (repeating loops) का एक स्पष्ट मानचित्र देता है।

समस्या: "फ्रेम रेट" का बेमेल होना

अधिकांश भौतिक और जैविक दुनिया एक निरंतर घड़ी पर चलती है। एक न्यूरॉन तब तक इंतजार नहीं करता जब तक कि कोई टाइमर न टिक जाए; वह सक्रिय होने के क्षण ही सक्रिय हो जाता है। एक ग्रह एक कक्षा से दूसरी कक्षा में कूदता नहीं है; वह सुचारू रूप से फिसलता है। हालाँकि, इन प्रणालियों के पुनर्निर्माण के लिए सबसे सफल AI मॉडल "डिस्क्रीट-टाइम" रहे हैं। ये मॉडल एक वीडियो गेम की तरह हैं जो प्रति सेकंड 60 बार स्क्रीन को अपडेट करते हैं। यदि आपका डेटा प्रति सेकंड 60 फ्रेम की स्थिर दर पर आता है, तो वे अच्छा काम करते हैं। लेकिन क्या होगा यदि आपका डेटा अव्यवस्थित है? क्या होगा यदि आपके पास एक मेडिकल सेंसर है जो केवल तभी रिकॉर्ड करता है जब कोई मरीज जागता है, या एक मौसम केंद्र जो केवल बैटरी फुल होने पर डेटा भेजता है?

डिस्क्रीट मॉडल यहाँ संघर्ष करते हैं। उन्हें अनियमित डेटा को एक कठोर ग्रिड में फिट करने के लिए मजबूर करना पड़ता है, जो एक गोल चीज़ को चौकोर छेद में फिट करने की कोशिश करने जैसा है। उन्हें "हार्ड थ्रेशोल्ड्स" (hard thresholds)—अचानक परिवर्तन जहाँ प्रणाली तुरंत रीसेट हो जाती है, जैसे कि न्यूरॉन का स्पाइक होना—के साथ भी समस्या होती है। इन्हें संभालने के लिए, शोधकर्ताओं ने "न्यूरल ODEs" (ऑर्डिनरी डिफरेंशियल इक्वेशंस) का उपयोग करने का प्रयास किया है, जो निरंतर समय के लिए डिज़ाइन किए गए हैं। लेकिन न्यूरल ODEs एक घने जंगल में बिना किसी रास्ते के चलने की तरह हैं; उन्हें यह समझने के लिए कि वे कहाँ हैं, बहुत छोटे और सावधानीपूर्ण कदम (न्यूमेरिकल इंटीग्रेशन) उठाने पड़ते हैं, जो उन्हें अविश्वसनीय रूप से धीमा बना देता है। इसके अलावा, वे अक्सर बहुत जटिल होते हैं ताकि उनका गणितीय विश्लेषण किया जा सके, जिससे वैज्ञानिक यह जानने से वंचित रह जाते हैं कि प्रणाली वास्तव में कैसे काम करती है।

समाधान: "सीधी रेखा" का शॉर्टकट

लेखकों ने इन छोटी और धीमी प्रक्रियाओं से बचने के लिए cPLRNN विकसित किया। उनका गुप्त हथियार "पीसवाइज-लीनर" (piecewise-linear) डिज़ाइन नामक एक गणितीय युक्ति है।

कल्पना कीजिए कि आप एक शहर से गुजर रहे हैं। एक सामान्य, जटिल शहर में घुमावदार और टेढ़ी-मेढ़ी सड़कें होती हैं जिन्हें अनुमान लगाना कठिन होता है। लेकिन एक ऐसे शहर की कल्पना करें जो पूरी तरह से सीधी, सपाट राजमार्गों से बना हो। यदि आप जानते हैं कि आप एक विशिष्ट राजमार्ग पर हैं, तो आपको यह जानने के लिए GPS की आवश्यकता नहीं है कि आप 5 मिनट में कहाँ होंगे; आपको बस अपनी गति और दिशा जानने की आवश्यकता है। आप एक सरल सूत्र का उपयोग करके तुरंत अपनी सटीक स्थिति की गणना कर सकते हैं।

cPLRNN एक प्रणाली के जटिल व्यवहार को इसी तरह देखता है। यह प्रणाली के "स्टेट स्पेस" (सभी संभावित स्थितियाँ जो प्रणाली कर सकती है) को कई छोटे क्षेत्रों में विभाजित करता है। प्रत्येक क्षेत्र के भीतर, प्रणाली एक सीधी, सपाट राजमार्ग की तरह व्यवहार करती है। AI प्रत्येक राजमार्ग के नियमों को सीखता है। जब प्रणाली इनमें से किसी एक सीधे पथ पर चल रही होती है, तो cPLRNN को यह समझने के लिए छोटे कदम लेने की आवश्यकता नहीं होती कि वह कहाँ जा रही है। यह एक "सेमी-एनालिटिकल" (semi-analytical) समाधान का उपयोग करता है—एक सीधा गणितीय सूत्र—जो सीधे उत्तर तक पहुँच जाता है।

एकमात्र कठिन हिस्सा तब होता है जब कार एक "स्विचिंग बाउंड्री" (switching boundary) से टकराती है, जहाँ वह एक सीधे राजमार्ग को छोड़कर दूसरे में प्रवेश करती है। यह तब होता है जब प्रणाली का कोई चर (variable) शून्य को पार करता है (जैसे कि न्यूरॉन का वोल्टेज थ्रेशोल्ड तक पहुँचना)। cPLRNN के पास यह पता लगाने के लिए एक विशेष एल्गोरिदम है कि यह क्रॉसिंग कब होती है। अनुमान लगाने और जाँचने के बजाय, यह क्रॉसिंग लाइन को सटीक रूप से पहचानने के लिए एक चतुर "रूट-फाइंडिंग" (root-finding) विधि का उपयोग करता है। एक बार जब इसे क्रॉसिंग का समय पता चल जाता है, तो यह तुरंत अगले राजमार्ग के सूत्र पर स्विच कर जाता है।

उन्होंने क्या पाया: गति, सटीकता और स्पष्टता

शोधकर्ताओं ने इस नए मॉडल का परीक्षण कई अलग-अलग चुनौतियों पर किया ताकि देख सकें कि क्या यह वास्तविक दुनिया को संभाल सकता है।

1. अराजक तितली (Lorenz-63 System)
उन्होंने एक प्रसिद्ध अराजक प्रणाली (chaotic system) के साथ शुरुआत की जो तितली के पंखों जैसा दिखता है। यह प्रणाली AI मॉडल के लिए एक मानक परीक्षण है।

• परिणाम: cPLRNN ने प्रणाली की दीर्घकालिक "जलवायु" को फिर से बनाने में मौजूदा सर्वोत्तम मॉडलों (धीमे न्यूरल ODEs और तेज़ लेकिन टूटे-फूटे डिस्क्रीट मॉडलों सहित) के समान प्रदर्शन किया।
• गति की जीत: यहाँ एक बड़ा आश्चर्य था। जबकि न्यूरल ODEs को छोटे कदम उठाने के कारण प्रशिक्षण में बहुत समय लगा, cPLRNN कई गुना तेज़ी से प्रशिक्षित हुआ। कुछ परीक्षणों में, यह न्यूरल ODEs की तुलना में 3 से 5 गुना तेज़ था, फिर भी इसने अपनी सटीकता नहीं खोई।
• अंतर्दृष्टि: क्योंकि मॉडल सीधी रेखाओं पर आधारित है, लेखक प्रशिक्षित मॉडल पर कुछ गणित लगाकर आसानी से प्रणाली के "फिक्स्ड पॉइंट्स" (जहाँ प्रणाली आराम करना चाहती है) और "लिमिट साइकिल्स" (दोहराव वाले लूप) पा सकते थे। उन्हें इन्हें खोजने के लिए लाखों सिमुलेशन चलाने की आवश्यकता नहीं थी; वे उन्हें सीधे गणना कर सकते थे।

2. स्पाइकिंग न्यूरॉन (Leaky Integrate-and-Fire)
इसके बाद, उन्होंने एक न्यूरॉन के मॉडल का परीक्षण किया जो तुरंत फायर करता है और रीसेट होता है। इसमें एक "हार्ड थ्रेशोल्ड" और अचानक उछाल शामिल है, जिसे संभालना सुचारू मॉडलों के लिए बहुत कठिन है।

• परिणाम: cMLRNN ने इन अचानक उछालों को पूरी तरह से संभाला। इसने अपने "स्विचिंग टाइम्स" (जब इसने राजमार्ग बदला) को न्यूरॉन के फायर होने के क्षणों के साथ सटीक रूप से संरेखित किया।
• अनियमित डेटा परीक्षण: इसके बाद उन्होंने एक ऐसी स्थिति का अनुकरण किया जहाँ डेटा केवल अनियमित समय पर रिकॉर्ड किया गया था (जैसे कि डॉक्टर द्वारा यादृच्छिक रूप से रोगी की जांच करना)। पुराने डिस्क्रीट मॉडल यहाँ बुरी तरह विफल रहे; वे लगभग टूट गए क्योंकि वे अंतराल को नहीं संभाल सके। हालाँकि, cPLRNN इसमें सहजता से निकल गया। यह न्यूरॉन के व्यवहार को पूरी तरह से पुनर्गठित कर सका क्योंकि इसे अंतराल की चिंता नहीं थी—इसने बस अनियमित बिंदुओं के बीच के सुचारू पथ की गणना की।

3. वास्तविक दुनिया का डेटा: धड़कन और मस्तिष्क कोशिकाएं
अंत में, उन्होंने इसे वास्तविक डेटा पर आजमाया: मानव हृदय की रिकॉर्डिंग और मस्तिष्क में एक एकल न्यूरॉन।

• धड़कन (Heartbeats): PhysioNet डेटाबेस का उपयोग करते हुए, जहाँ धड़कनों को अनियमित अंतराल पर रिकॉर्ड किया जाता है, cPLRNN ने भविष्य की धड़कनों की भविष्यवाणी करने में डिस्क्रीट मॉडलों की तुलना में काफी बेहतर प्रदर्शन किया।
• न्यूरॉन्स: वास्तविक मस्तिष्क रिकॉर्डिंग पर, cPLRNN ने एक "बाइस्टेबल" (bistable) अवस्था पाई, जिसका अर्थ है कि न्यूरॉन के संचालन के दो स्थिर मोड थे (विश्राम और फायरिंग)। यह एक महत्वपूर्ण जैविक अंतर्दृष्टि है जिसे मॉडल ने केवल प्रशिक्षित नेटवर्क के गणित का विश्लेषण करके खोजा।

यह क्यों महत्वपूर्ण है

यह शोध पत्र सुझाव देता है कि cPLRNN "डायनेमिकल सिस्टम्स रिकंस्ट्रक्शन" के लिए एक बड़ा कदम है। यह सिद्ध करता है कि आपको एक ऐसे मॉडल और एक ऐसे मॉडल के बीच चुनाव करने की आवश्यकता नहीं है जो तेज़ और सटीक है (जैसे डिस्क्रीट मॉडल) और जो सुचारू और निरंतर है (जैसे न्यूरल ODEs)। आप दोनों पा सकते हैं।

"सीधी रेखा" वाली युक्ति का उपयोग करके, cPLRNN संख्यात्मक एकीकरण (numerical integration) की धीमी प्रक्रिया से बचता है। यह वैज्ञानिकों को डेटा को एक बॉक्स में जबरदस्ती फिट किए बिना, अव्यवस्थित और अनियमित डेटा के साथ काम करने की अनुमति देता है। सबसे महत्वपूर्ण बात यह है कि यह उस "गणितीय सुलभता" (mathematical tractability) को बनाए रखता है जिसे वैज्ञानिक पसंद करते हैं। क्योंकि मॉडल सरल रैखिक टुकड़ों पर बना है, शोधकर्ता अभी भी शक्तिशाली गणितीय उपकरणों का उपयोग करके प्रणाली की छिपी हुई संरचनाओं, जैसे कि इसके विश्राम बिंदुओं और दोहराव वाले लूपों को खोज सकते हैं, बिना अंतहीन सिमुलेशन चलाए।

लेखक नोट करते हैं कि हालांकि यह विधि शक्तिशाली है, यह पूर्ण नहीं है। बहुत दुर्लभ मामलों में, गणित थोड़ा "अस्थिर" (numerical instability) हो सकता है, और स्विचिंग समय खोजने वाला एल्गोरिदम फंस सकता है यदि बहुत अधिक सीमाएँ हों। हालाँकि, अधिकांश व्यावहारिक समस्याओं के लिए, विशेष रूप से अनियमित डेटा या अचानक बदलावों से जुड़ी समस्याओं के लिए, cPLRNN प्राकृतिक दुनिया की जटिल मशीनरी को समझने का एक तेज़, सटीक और पारदर्शी तरीका प्रदान करता है। यह AI के "ब्लैक बॉक्स" को एक स्पष्ट, कांच की दीवारों वाली मशीन में बदल देता है जहाँ आप देख सकते हैं कि गियर वास्तव में कैसे घूमते हैं।