⚡ electrical engineering

Kernel Methods for Stochastic Dynamical Systems with Application to Koopman Eigenfunctions: Feynman-Kac Representations and RKHS Approximation

यह शोध पत्र फाईनमैन-कैक (Feynman-Kac) निरूपणों का लाभ उठाकर कोपमैन आइजनफंक्शंस (Koopman eigenfunctions) के लिए एक एकीकृत कर्नेल ढांचे को नियतात्मक (deterministic) से स्टोकेस्टिक (stochastic) गतिशील प्रणालियों तक विस्तारित करता है, ताकि उनके समकक्ष कर्नेल निर्माण स्थापित किए जा सकें, उनके सैद्धांतिक गुणों को सिद्ध किया जा सके, और यह प्रदर्शित किया जा सके कि मध्यम प्रसार (moderate diffusion) दीर्घवृत्तीय नियमितीकरण (elliptic regularization) के माध्यम से संख्यात्मक स्थिरता को बढ़ा सकता है।

मूल लेखक: Boumediene Hamzi, Houman Owhadi, Umesh Vaidya

प्रकाशित 2026-03-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Boumediene Hamzi, Houman Owhadi, Umesh Vaidya

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

एक बड़ी तस्वीर: अनिश्चितता की भविष्यवाणी करना

कल्पना कीजिए कि आप मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं। एक आदर्श, नियत (deterministic) दुनिया में, यदि आप अभी हवा की गति और दिशा जानते हैं, तो आप सटीक गणना कर सकते हैं कि एक घंटे में बादल कहाँ होगा। यह एक नियत प्रणाली (deterministic system) की तरह है।

लेकिन वास्तविक दुनिया अव्यवस्थित है। हवा अचानक तेज़ चलती है, तापमान घटता-बढ़ता रहता है, और सूक्ष्म कण आपस में टकराते हैं। यह एक स्टोकेस्टिक प्रणाली (stochastic system) है (जो यादृच्छिकता या randomness से भरी है)। एक शांत धारा में पत्ते के पथ की भविष्यवाणी करने की तुलना में, एक तूफानी नदी में पत्ते के पथ की भविष्यवाणी करना बहुत कठिन है।

यह शोध पत्र इन "तूफानी" प्रणालियों के व्यवहार की भविष्यवाणी करने के लिए डिज़ाइन किए गए एक नए, शक्तिशाली गणितीय टूलकिट के बारे में है। विशेष रूप से, यह उन छिपे हुए पैटर्नों (जिन्हें कोपमैनन आइजनफंक्शंस/Koopman eigenfunctions कहा जाता है) को खोजने पर केंद्रित है जो इन प्रणालियों के विकास को नियंत्रित करते हैं, भले ही वे यादृच्छिक शोर (random noise) से हिल रही हों।

मुख्य समस्या: "चिकना" बनाम "ऊबड़-खाबड़"

अतीत में, गणितज्ञों के पास शांत, नियत प्रणालियों के लिए समस्याओं को हल करने का एक शानदार तरीका था। उन्होंने उत्तर खोजने के लिए तीन अलग-अलग "नुस्खे" (recipes) का उपयोग किया, और आश्चर्यजनक रूप से, तीनों नुस्खों ने बिल्कुल एक ही परिणाम दिया। यह ऐसा था जैसे आपके पास तीन अलग-अलग मानचित्र हों (एक स्थलाकृतिक मानचित्र, एक उपग्रह फोटो, और एक स्ट्रीट व्यू) जो सभी एक ही पर्वत को दिखाते हों।

नुस्खा 1: एक वेरिएशनल दृष्टिकोण (न्यूनतम प्रतिरोध का मार्ग खोजना)।
नुस्खा 2: एक ग्रीन्स फंक्शन दृष्टिकोण (एक बूंद पानी के फैलने के तरीके का पता लगाना)।
नुस्खा 3: एक कैरेक्टरिस्टिक फ्लो दृष्टिकोण (नदी की धारा का पीछा करना)।

समस्या: जब आप प्रणाली में यादृच्छिकता (शोर) जोड़ते हैं, तो नदी अशांत हो जाती है। पुराना "कैरेक्टरिस्टिक फ्लो" नुस्खा टूट जाता है क्योंकि पानी अब किसी एक अनुमानित रेखा का पालन नहीं करता; वह हर तरफ छिटक जाता है। गणित एक सरल "प्रथम-क्रम" (first-order) समीकरण से बदलकर डिफ्यूजन (फैलाव) से जुड़े एक जटिल "द्वितीय-क्रम" (second-order) समीकरण में बदल जाता है।

समाधान: "फिनमैन-काक" (Feynman-Kac) जादुई छड़ी

इस शोध पत्र के लेखक कहते हैं: "घबराएं नहीं। हम इन नुस्खों को ठीक कर सकते हैं।"

वे फिनमैन-काक फॉर्मूला नामक एक प्रसिद्ध गणितीय उपकरण का उपयोग करके इन तीन नुस्खों को यादृच्छिकता को संभालने के लिए विस्तारित करते हैं।

उपमा:
मान लीजिए कि आप एक शहर के औसत तापमान को जानना चाहते हैं, लेकिन आप हर घर को नहीं माप सकते।

पुराना तरीका (नियत/Deterministic): आप एक सीधी सड़क का पीछा करते हैं और उसके साथ आने वाले हर घर के तापमान को मापते हैं।
नया तरीका (स्टोकेस्टिक/फिनमैन-काक): आप एक हज़ार छोटे ड्रोन छोड़ते हैं। प्रत्येक ड्रोन बेतरतीब ढंग से उड़ता है, इमारतों और हवा के झोंकों से टकराता है। आप उन्हें कुछ समय के लिए उड़ने देते हैं, उनके तापमान को रिकॉर्ड करते हैं, और फिर उनके सभी पथों का औसत (average) लेते हैं।

शोध पत्र सिद्ध करता है कि भले ही ड्रोन बेतरतीब ढंग से उड़ते हैं, यदि आप उनके पथों का सही ढंग से औसत निकालते हैं, तो आपको अन्य दो नुस्खों के समान ही सटीक गणितीय "कर्नेल" (भविष्यवाणी के लिए गुप्त सूत्र) प्राप्त होता है।

तीन नए नुस्खे (कर्नेल का "पवित्र त्रयी")

यह शोध पत्र दिखाता है कि यादृच्छिक प्रणालियों के लिए ये तीनों दृष्टिकोण अभी भी समान हैं:

वि वेरिएशनल नुस्खा: न्यूनतम प्रतिरोध का मार्ग खोजने के बजाय, हम सबसे "चिकना" (smoothest) संभव समाधान खोजते हैं जो यादृच्छिक हलचल को ध्यान में रखता है।
ग्रीन्स फंक्शन नुस्खा: पानी की एक एकल बूंद का पीछा करने के बजाय, हम यह देखते हैं कि समय के साथ एक अशांत नदी में रंग की एक बूंद कैसे फैलती है।
रिजॉल्वेंट (Resolvent) नुस्खा: एक सीधी रेखा का पीछा करने के बजाय, हम गणना करते हैं कि एक यादृच्छिक यात्री (random walker) किसी विशिष्ट स्थान पर कितना समय बिताता है, इसे इस आधार पर कि वे वहां कितनी देर रुकते हैं।

बड़ी खोज: लेखकों ने सिद्ध किया कि यदि यादृच्छिकता पर्याप्त रूप से मजबूत है (गणितीय रूप से जिसे "यूनिफॉर्म एलिप्टिकिटी" कहा जाता है), तो ये तीनों विधियाँ बिल्कुल एक ही उत्तर देती हैं। यह सिद्धांत को एकीकृत करता है, जिससे वैज्ञानिकों को विश्वास मिलता है कि चाहे वे जिस भी विधि का उपयोग करें, वे एक ही अंतर्निहित सत्य को देख रहे हैं।

यह क्यों मायने रखता है? ("एलिप्टिक रेगुलराइजेशन" का आश्चर्य)

यहाँ सबसे आश्चर्यजनक हिस्सा है, जिसे लेखक "एलिप्टिक रेगुलराइजेशन" कहते हैं।

आमतौर पर, शोर (यादृच्छिकता) जोड़ने से चीजें अधिक अव्यवस्थित और हल करने में कठिन हो जाती हैं। यह ऐसा है जैसे मेज को हिलाते हुए किताब पढ़ने की कोशिश करना।

हालाँकि, यह शोध पत्र दिखाता है कि एक मध्यम मात्रा में कंपन वास्तव में गणित को हल करना आसान बना देता है।

उपमा:
कल्पना कीजिए कि आप एक पेंसिल को उसकी नोक पर संतुलित करने की कोशिश कर रहे हैं। यह अविश्वसनीय रूप से अस्थिर है (बिना घर्षण के एक नियत प्रणाली)। यदि आप इसमें थोड़ा सा कंपन (डिफ्यूजन) जोड़ते हैं, तो पेंसिल वास्तव में एक स्थिर स्थिति में बैठ सकती है क्योंकि कंपन उसे स्थिरता के "घाटी" (valley) को तेजी से खोजने में मदद करता है।

गणित की दुनिया में, यादृच्छिक "हलचल" एक स्मूथिंग एजेंट (चिकना करने वाले कारक) के रूप में कार्य करती है। यह अंतराल को भर देती है और समीकरणों को "कठोर" या हल करने में असंभव होने से रोकती है। शोध पत्र दिखाता है कि थोड़ा सा शोर जोड़ने से वास्तव में गणनाओं की संख्यात्मक स्थिरता (numerical stability) में सुधार हो सकता है, जिससे कंप्यूटर समस्या को तेज़ी से और अधिक सटीकता से हल कर पाते हैं।

वास्तविक दुनिया के अनुप्रयोग

एक सामान्य व्यक्ति को इसकी परवाह क्यों होनी चाहिए? क्योंकि यह गणित हर जगह जटिल प्रणालियों को समझने में मदद करता है:

आणविक जीव विज्ञान (Molecular Biology): प्रोटीन कैसे मुड़ते हैं या दवाएं शरीर में कैसे चलती हैं (लैंजविन डायनेमिक्स) इसे समझना। यहाँ "शोर" पानी के अणुओं की गर्मी और टकराव है।
वित्त (Finance): शेयर बाजार की गिरावट या विकल्प (option) की कीमतों की भविष्यवाणी करना। बाजार यादृच्छिक शोर से भरा है, लेकिन यह विधि अंतर्निहित रुझानों को खोजने में मदद करती है।
जलवायु विज्ञान (Climate Science): एल नीनो (El Niño) या समुद्री धाराओं को समझना। ये विशाल प्रणालियाँ हैं जो अशांत, यादृच्छिक मौसम पैटर्न द्वारा संचालित होती हैं।
रोबोटिक्स (Robotics): रोबोट को अप्रत्याशित वातावरण में सुचारू रूप से चलने में मदद करना।

एक वाक्य में सारांश

यह शोध पत्र भविष्य की भविष्यवाणी करने के लिए एक शक्तिशाली गणितीय ढांचे को लेता है, "ड्रोन औसत" तकनीक (फिनमैन-काक) का उपयोग करके यादृच्छिक शोर के अराजक व्यवहार को संभालने के लिए इसे अपडेट करता है, और यह खोज करता है कि थोड़ा सा अराजक होना गणित को बेहतर बनाने में मदद करता है, न कि बदतर।

यहाँ शोध पत्र "Kernel Methods for Stochastic Dynamical Systems with Application to Koopman Eigenfunctions: Feynman–Kac Representations and RKHS Approximation" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र स्टोकेस्टिक डिफरेंशियल इक्वेशन्स (SDEs) के लिए कूपमैनन आइगेनफंक्शंस (Koopman eigenfunctions) की गणना करने की चुनौती का समाधान करता है। जबकि कूपमैनन ऑपरेटर थ्योरी गैर-रेखीय (nonlinear) डायनेमिकल सिस्टम्स के विश्लेषण के लिए एक शक्तिशाली रैखिक ढांचा प्रदान करती है, मौजूदा कर्नेल-आधारित विधियाँ (विशेष रूप से जो एक साथी शोध पत्र [1] में नियतात्मक (deterministic) प्रणालियों के लिए विकसित की गई थीं) प्रथम-क्रम के हाइपरबोलिक ट्रांसपोर्ट समीकरणों और 'मेथड ऑफ कैरेक्टेरिस्टिक्स' पर निर्भर करती हैं।

ये नियतात्मक विधियाँ स्टोकेस्टिक प्रणालियों के लिए विफल हो जाती हैं क्योंकि:

SDEs के लिए कूपमैनन जनरेटर में एक द्वितीय-क्रम का डिफ्यूजन टर्म (second-order diffusion term) शामिल होता है, जो नियंत्रित समीकरण को प्रथम-क्रम के हाइपरबोलिक PDE से बदलकर एक द्वितीय-क्रम के एलिप्टिक-पैराबोलिक PDE में परिवर्तित कर देता है।
मेथड ऑफ कैरेक्टेरिस्टिक्स (Method of characteristics) अब लागू करने योग्य नहीं रह जाता है।
मानक संख्यात्मक दृष्टिकोण अक्सर खराब कंडीशनिंग (poor conditioning) से ग्रस्त होते हैं और उनमें अप्रोक्सिमेशन एरर (approximation error) तथा सैंपलिंग एरर (sampling error) को अलग करने वाले कठोर एरर बाउंड्स का अभाव होता है।

इसका लक्ष्य एकीकृत कर्नेल ढांचे (Variational, Green's function, और Resolvent) को स्टोकेस्टिक परिवेश में विस्तारित करना, उनकी समानता को सिद्ध करना और मजबूत कम्प्यूटेशनल एल्गोरिदम विकसित करना है।

2. कार्यप्रणाली (Methodology)

लेखक Reproducing Kernel Hilbert Spaces (RKHS) और Feynman–Kac फॉर्मूला पर आधारित एक एकीकृत ढांचे का प्रस्ताव करते हैं।

A. गणितीय सूत्रीकरण (Mathematical Formulation)

एक SDE $dX_t = G(X_t)dt + \sigma(X_t)dW_t$ के लिए, कूपमैनन आइगेनफंक्शन समीकरण $K\phi = \lambda\phi$ इस प्रकार बनता है:
$G(x) \cdot \nabla \phi(x) + \frac{1}{2}\text{Tr}[a(x)\nabla^2 \phi(x)] = \lambda \phi(x)$
जहाँ $a(x) = \sigma(x)\sigma(x)^\top$ है। लेखक आइगेनफंक्शन $\phi(x) = w^\top x + h(x)$ को विघटित करते हैं, जहाँ $w$ रैकीकृतकृत ड्रिफ्ट (linearized drift) $A = \nabla G(0)$ का एक लेफ्ट आइगेनवेक्टर है, और $h(x)$ एक नॉन-लीनियर करेक्शन है जो एक सोर्स टर्म के साथ एक रैखिक द्वितीय-क्रम PDE का पालन करता है।

B. तीन समकक्ष कर्नेल निर्माण (Three Equivalent Kernel Constructions)

यह शोध पत्र तीन नियतात्मक निर्माणों को स्टोकेस्टिक मामले में विस्तारित करता है:

Lions-Type Variational Principle: यह एक हिल्बर्ट स्पेस को परिभाषित करता है जिसका ग्राफ नॉर्म (graph norm) स्टोकेस्टिक ऑपरेटर $L_{stoch} = G \cdot \nabla + \frac{1}{2}\text{Tr}[a\nabla^2] - \lambda$ से संबंधित है। कर्नेल इस स्पेस में पॉइंट इवैल्यूएशन का Riesz representer है।
Feynman–Kac के माध्यम से Green's Function: यह नियतात्मक Green's function को एक संभाव्य (probabilistic) प्रतिनिधित्व से बदल देता है। कर्नेल समय-एकीकृत ट्रांजिशन डेंसिटी (जो $e^{-\lambda t}$ द्वारा डिस्काउंटेड है) है, जिसे सीधे Feynman–Kac फॉर्मूला से प्राप्त किया गया है।
Stochastic Resolvent Kernel: इसे स्टोकेस्टिक फ्लो के लाप्लास ट्रांसफॉर्म के रूप में परिभाषित किया गया है, जिसे स्टोकेस्टिक ट्रैजेक्टरीज पर एक एक्सपेक्टेशन (expectation) के रूप में व्यक्त किया गया है: $k_{res}(x,y) = \mathbb{E}_x[\int_0^\infty e^{-\lambda t} \delta(y - X_t) dt]$ ।

C. कम्प्यूटेशनल ढांचा (Computational Framework)

कोलोकेशन विधि (Collocation Method): PDE को कोलोकेशन पॉइंट्स पर कर्नेल फंक्शन्स के लीनियर कॉम्बिनेशन के रूप में $h(x)$ को एप्रोक्सिमेट करके हल किया जाता है। इसके लिए ड्रिफ्ट मैट्रिक्स (प्रथम डेरिवेटिव) और डिफ्यूजन मैट्रिक्स (द्वितीय डेरिवेटिव/हेसियन ट्रेस) के स्पष्ट सूत्रों की आवश्यकता होती है।
मोंटे कार्लो इंटीग्रेशन (Monte Carlo Integration): उन मामलों के लिए जहाँ क्लोज्ड-फॉर्म डेरिवेटिव उपलब्ध नहीं हैं, लेखक कोलोकेशन पॉइंट्स पर समाधान का अनुमान लगाने के लिए Feynman–Kac फॉर्मूला के मोंटे कार्लो सैंपलिंग का उपयोग करते हैं, जिसके बाद कर्नेल रिज रिग्रेशन (kernel ridge regression) किया जाता है।
हाइपोएलिप्टिक विस्तार (Hypoelliptic Extension): इस ढांचे को डिजेनरेट डिफ्यूजन (जहाँ डिफ्यूजन मैट्रिक्स सिंगुलर है) के लिए सामान्यीकृत किया गया है जो Hörmander की स्थिति (जैसे अंडरडैम्प्ड लैंग्विन डायनेमिक्स) को पूरा करते हैं, जिसमें सब-एलिप्टिक रेगुलैरिटी थ्योरी का उपयोग किया गया है।

3. मुख्य योगदान (Key Contributions)

स्टोकेस्टिक कर्नेल का एकीकरण: लेखक सिद्ध करते हैं कि यूनिफॉर्म एलिप्टिसिटी (uniform ellipticity) और हल्के रेगुलैरिटी अनुमानों के तहत, तीन स्टोकेस्टिक कर्नेल निर्माण (Variational, Feynman–Kac, और Resolvent) एक ही रिप्रोड्यूसिंग कर्नेल प्रदान करते हैं। यह संभाव्य और वेरिएशनल दृष्टिकोणों को एकीकृत करता है।
कठोर त्रुटि विश्लेषण (Rigorous Error Analysis): वे एरर बाउंड्स व्युत्पन्न करते हैं जो RKHS अप्रोक्सिमेशन एरर (कर्नेल की स्मूथनेस और कोलोकेशन घनत्व पर निर्भर) को मोंटे कार्लो सैंपलिंग एरर (पथों की संख्या पर निर्भर) से स्पष्ट रूप से अलग करते हैं।
कंडीशनिंग विश्लेषण: एक महत्वपूर्ण निष्कर्ष यह है कि मध्यम डिफ्यूजन एक एलिप्टिक रेगुलराइज़र (elliptic regularizer) के रूप में कार्य करता है। डिफ्यूजन टर्म कोलोकेशन मैट्रिक्स में एक नेगेटिव-डेफिनिट डायगोनल शिफ्ट पेश करता है, जो नियतात्मक (शुद्ध एडवेक्टिव) मामले की तुलना में कंडीशन नंबर में काफी सुधार करता है, जिससे संख्यात्मक स्थिरता बढ़ती है।
एल्गोरिद्मिक कार्यान्वयन: वे स्टोकेस्टिक कूपमैनन आइगेनफंक्शंस की गणना के लिए एक पूर्ण एल्गोरिदम प्रदान करते हैं, जिसमें Gaussian RBF कर्नेल डेरिवेटिव के स्पष्ट सूत्र और एक संयुक्त कोलोकेशन-मोंटे कार्लो दृष्टिकोण शामिल है।
हाइपोएलिप्टिक सामान्यीकरण: सिद्धांत को डिजेनरेट नॉइज़ वाले सिस्टम्स (Hörmander's condition) के लिए विस्तारित किया गया है, जो कम रेगुलैरिटी ( $H^\varepsilon$ बनाम $H^1$ ) को संबोधित करता है और मॉलिफाइड पॉइंट इवैल्यूएशन के लिए दिशानिर्देश प्रदान करता है।

4. परिणाम (Results)

संख्यात्मक प्रयोग निम्नलिखित पर किए गए:

ऑर्नस्टीन–उहलेनबेक प्रक्रिया (Ornstein–Uhlenbeck Process): विधि ने मशीन प्रिसिजन ( $<10^{-14}$ ) के साथ सटीक लीनियर आइगेनफंक्शन को रिकवर किया।
नॉनलीन SDEs (क्वाड्रेटिक नॉन-लिनियरिटी): विधि ने नॉन-लीनियर करेक्शन को सफलतापूर्वक कैप्चर किया। महत्वपूर्ण रूप से, डिफ्यूजन को 0 से 0.5 तक बढ़ाने से सिस्टम मैट्रिक्स का कंडीशन नंबर लगभग ~3.7 गुना कम हो गया ( $3.79 \times 10^6$ से $1.03 \times 10^6$ तक), जबकि कम PDE रेसिडुअल और सेमिग्रुप एरर (<10%) बनाए रखा गया।
2D लीनियर सिस्टम: मशीन-प्रिसिजन सटीकता प्राप्त की।
सेमिग्रुप सत्यापन (Semigroup Verification): सभी परीक्षणों में, कंप्यूट किए गए आइगेनफंक्शंस ने 10% से कम के रिलेटिव एरर के साथ सेमिग्रुप प्रॉपर्टी $\mathbb{E}[\phi(X_t)] = e^{\lambda t}\phi(x_0)$ को संतुष्ट किया।

5. महत्व (Significance)

यह कार्य स्टोकेस्टिक विश्लेषण और डेटा-संचालित डायनेमिकल सिस्टम्स के बीच एक महत्वपूर्ण अंतर को पाटता है।

सैद्धांतिक प्रभाव: यह स्थापित करता है कि नियतात्मक ट्रांसपोर्ट समीकरणों के लिए कर्नेल विधियों का शक्तिशाली एकीकरण स्टोकेस्टिक सिस्टम्स के लिए भी मान्य है, बशर्ते कि मेथड ऑफ कैरेक्टेरिस्टिक्स के स्थान पर Feynman–Kac फॉर्मूला का उपयोग किया जाए।
व्यावहारिक प्रभाव: यह खोज कि डिफ्यूजन संख्यात्मक कंडीशनिंग में सुधार करता है, काउंटर-इंट्यूटिव (विपरीत सहज ज्ञान युक्त) लेकिन अत्यंत महत्वपूर्ण है। यह सुझाव देता है कि नियंत्रित शोर (या अंतर्निहित भौतिक शोर) जोड़ना कूपमैनन आइगेनफंक्शंस की गणना को स्थिर कर सकता है, जिससे वे आणविक गतिशीलता (molecular dynamics), जलवायु मॉडलिंग और वित्तीय गणित जैसे अनुप्रयोगों के लिए अधिक मजबूत बन जाते जहाँ स्टोकेस्टिसिटी स्वाभाविक है।
व्यापक अनुप्रयोग: यह ढांचा Generator EDMD, डिफ्यूजन मैप्स और कर्नेल एनालॉग फोरकास्टिंग के साथ स्वाभाविक रूप से जुड़ता है, जो जटिल, उच्च-आयामी और शोर वाले सिस्टम के लिए आइगेनफंक्शंस की गणना करने का एक कठोर मार्ग प्रदान करता है।

संक्षेप में, यह शोध पत्र एक गणितीय रूप से कठोर, कम्प्यूटेशनल रूप से कुशल और संख्यात्मक रूप से स्थिर ढांचा प्रदान करता है, जो पारंपरिक संख्यात्मक अस्थिरताओं को दूर करने के लिए डिफ्यूजन की रेगुलराइजिंग शक्ति का लाभ उठाता है।