🤖 machine learning

Shape Derivative-Informed Neural Operators with Application to Risk-Averse Shape Optimization

यह शोध पत्र Shape-DINO प्रस्तुत करता है, जो एक डेरिवेटिव-इन्फॉर्म्ड न्यूरल ऑपरेटर फ्रेमवर्क है जो विभिन्न ज्यामितिओं पर PDE समाधानों और उनकी संवेदनशीलता (sensitivities) को संयुक्त रूप से सीखकर अनिश्चितता के तहत शेप ऑप्टिमाइज़ेशन को तेज़ करता है, जिससे पारंपरिक तरीकों की तुलना में महत्वपूर्ण कम्प्यूटेशनल गति और अधिक विश्वसनीय अनुकूलन परिणाम प्राप्त होते हैं।

मूल लेखक: Xindi Gong, Dingcheng Luo, Thomas O'Leary-Roseberry, Ruanui Nicholson, Omar Ghattas

प्रकाशित 2026-03-04

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Xindi Gong, Dingcheng Luo, Thomas O'Leary-Roseberry, Ruanui Nicholson, Omar Ghattas

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

यहाँ "Shape Derivative-Informed Neural Operators" शोध पत्र का सरल भाषा, उपमाओं और रूपकों का उपयोग करते हुए हिंदी अनुवाद दिया गया है।

बड़ी तस्वीर: एक धुंधली दुनिया में डिज़ाइन बनाना

कल्पना कीजिए कि आप एक आदर्श पुल डिजाइन करने की कोशिश कर रहे हैं एक आर्किटेक्ट हैं। लेकिन एक पेंच है: आपको ठीक से पता नहीं है कि हवा कितनी तेज़ चलेगी, या पुल के नीचे की ज़मीन थोड़ी सी खिसक जाएगी या नहीं। यह अनिश्चितता के तहत अनुकूलन (Optimization Under Uncertainty) है। आप केवल एक अच्छा पुल नहीं खोज रहे हैं; आप एक ऐसा पुल खोज रहे हैं जो तब भी नहीं गिरेगा जब हवा उम्मीद से अधिक तेज़ हो या ज़मीन अनुमान से अधिक नरम हो।

पारंपरिक रूप से, इस आदर्श डिज़ाइन को खोजने के लिए इंजीनियरों को हज़ारों कंप्यूटर सिमुलेशन चलाने पड़ते हैं। वे पुल के आकार को बदलते हैं, हवा का सिमुलेशन करते हैं, देखते हैं कि क्या वह टूट जाता है, फिर से आकार बदलते हैं, और यही प्रक्रिया दोहराते हैं।

समस्या: ये सिमुलेशन एक विशाल, जटिल गणितीय पहेली को हल करने की तरह हैं। इसे एक बार करने में घंटों लगते हैं। अनिश्चितता को ध्यान में रखते हुए इसे 10,000 बार करना? इसमें वर्षों लग जाएंगे। यह बहुत धीमा और बहुत महंगा है।

पुराना समाधान: "अनुमान और जाँच" करने वाला रोबोट

काम को तेज़ करने के लिए, वैज्ञानिकों ने न्यूरल नेटवर्क (एक प्रकार का AI) का उपयोग करना शुरू किया। इन्हें "सरोगेट मॉडल" या "चीट शीट्स" के रूप में सोचें।

कठिन गणितीय पहेली को हर बार हल करने के बजाय, AI पुल की एक तस्वीर और हवा की स्थितियों को देखता है, और पिछले पहेलियों से सीखे गए पैटर्न के आधार पर उत्तर का अनुमान लगाता है।
खामी: मानक AI परिणाम का अनुमान लगाने में बहुत अच्छा है (जैसे, "पुल 2 मीटर हिलेगा")। लेकिन यह डिज़ाइन को बेहतर बनाने की दिशा का अनुमान लगाने में बहुत खराब है (जैसे, "यदि मैं पुल को 1% चौड़ा कर दूँ, तो झटकों में 10% की कमी आएगी")।
अनुकूलन (Optimization) में, दिशा जानना अत्यंत महत्वपूर्ण है। यदि आपका AI आपको गलत दिशा देता है, तो आप सुरक्षा की ओर बढ़ने के बजाय किसी खाई में गिर सकते हैं।

नया समाधान: Shape-DINO (एक "सुपर-टीचर" AI)

इस शोध पत्र के लेखकों ने Shape-DINO नामक एक नया ढांचा बनाया है। इसे एक "सुपर-टीचर" AI के रूप में समझें जो न केवल आपको उत्तर देता है, बल्कि आपको एक बेहतर उत्तर कैसे प्राप्त किया जाए, यह भी सिखाता है।

यह कैसे काम करता है, इसे तीन सरल अवधारणाओं में विभाजित किया गया है:

1. "जादुई ट्रैम्पोलिन" (Diffeomorphic Mappings)

आकार (Shapes) को डिजाइन करना कठिन है क्योंकि जब भी आप आकार बदलते हैं, कंप्यूटर को सिमुलेशन का पूरा ग्रिड (मेश) फिर से बनाना पड़ता है। यह कमरे को मापने की कोशिश करने जैसा है, लेकिन हर बार जब आप फर्नीचर हिलाते हैं, तो फर्श की टाइलें अपना आकार बदल लेती हैं।

समाधान: Shape-DINO एक "जादुई ट्रैम्पोलिन" का उपयोग करता है। यह नए आकार को खींचकर और सिकोड़कर वापस एक मानक, निश्चित आयत (रेफरेंस डोमेन) में बदल देता है।
उपमा: कल्पना कीजिए कि आपके पास मिट्टी का एक टुकड़ा है। मिट्टी को नया आकार देने और फिर उसे मापने के बजाय, आप हर बार मापने के लिए मिट्टी को वापस एक सटीक वर्ग (Square) के रूप में खींच लेते हैं। AI उस वर्ग के नियमों को सीखता है, और "जादुगर ट्रैम्पोलिन" खिंचाव को संभालता है। यह सीखने की प्रक्रिया को बहुत तेज़ और सुसंगत बनाता है।

2. "शिक्षक के नोट्स" (Derivative-Informed Learning)

यही असली सफलता का मंत्र है।

मानक AI: अंतिम स्कोर को देखकर सीखता है। "ओह, इस पुल के डिज़ाइन को 100 में से 80 अंक मिले। मैं इसे याद रखूँगा।"
Shape-DINO: स्कोर और सुधार के लिए शिक्षक के नोट्स दोनों को देखकर सीखता है। "इस पुल को 100 में से 80 अंक मिले। यदि मैं बाएं स्तंभ को मोटा करता हूँ, तो स्कोर बढ़ जाएगा। यदि मैं दाएं स्तंभ को पतला करता हूँ, तो स्कोर कम हो जाएगा।"
उपमा: गोल्फ खेलना सीखने की कल्पना करें।
- मानक AI आपको गेंद मारते हुए देखता है और कहता है, "वह 70-यार्ड का शॉट था।"
- Shape-DINO आपको देखता है, और फिर कहता है, "वह 70-यार्ड का शॉट था, लेकिन यदि आप अपने क्लब को बाईं ओर 2 डिग्री झुकाएंगे, तो आप 80-यार्ड तक हिट करेंगे।"
इन "संवेदनशीलता" नियमों (Derivatives) को सीखने के लिए AI को मजबूर करके, यह केवल रैंडम अनुमान लगाने के बजाय, एक बेहतरीन डिज़ाइन खोजने में अविश्वसनीय रूप से सटीक हो जाता है।

3. "कंप्रेशन" (Reduced Basis)

इन सिमुलेशन से प्राप्त डेटा बहुत विशाल होता है (जैसे कि एक 4K मूवी फ़ाइल)। इसे स्टोर करना और प्रोसेस करना धीमा है।

समाधान: Shape-DINO एक "कंप्रेशन एल्गोरिदम" (जैसे 4K मूवी को उच्च गुणवत्ता वाले MP4 में बदलना) का उपयोग करता है। यह पुल और हवा की सबसे महत्वपूर्ण विशेषताओं को ढूंढ लेता है और छोटे, महत्वहीन विवरणों को अनदेखा कर देता है।
यह AI को मिलीसेकंड में एक मानक कंप्यूटर चिप (GPU) पर चलने की अनुमति देता है, जबकि मूल सिमुलेशन को सुपरकंप्यूटर पर घंटों लग सकते हैं।

परिणाम: यह क्यों मायने रखता है

शोध पत्र ने तीन कठिन समस्याओं पर इसका परीक्षण किया:

एक टेढ़े-मेढ़े ऊपरी हिस्से वाले आकार के माध्यम से ऊष्मा प्रवाह (Heat flow)।
एक 2D वस्तु (जैसे कार या विमान का पंख) के चारों ओर वायु प्रवाह (Airflow)।
एक 3D टावर (जैसे गगनचुंबी इमारत) पर हवा का दबाव (Wind force)।

निष्कर्ष:

गति: भविष्यवाणियां करने के मामले में Shape-DINO पारंपरिक विधि की तुलना में 1,000 से 1,00,00,000 गुना तेज़ था।
सटीकता: क्योंकि इसने "दिशाओं" (Derivatives) को सीखा, इसलिए इसने बहुत तेज़ी से बेहतर डिज़ाइन खोजे। मानक AI अक्सर स्थानीय लूप (Local loops) में फंस जाता था, जबकि Shape-DINO ने वैश्विक इष्टतम (Global optimum) को खोज निकाला।
दक्षता: एक अच्छा डिज़ाइन खोजने के लिए, Shape-DINO को प्रशिक्षित करने के लिए केवल 10 से 100 बार ही महंगे भौतिकी सिमुलेशन चलाने की आवश्यकता थी। पारंपरिक विधि को समान परिणाम प्राप्त करने के लिए 1,000 से 10,000 बार चलाने की आवश्यकता थी।

निचोड़

Shape-DINO एक आर्किटेक्ट को एक ऐसे क्रिस्टल बॉल देने जैसा है जो न केवल उन्हें भविष्य (हवा क्या करेगी) दिखाती है, बल्कि उन्हें यह नक्शा भी देती है कि उस भविष्य में जीवित रहने के लिए अपने डिज़ाइन में ठीक से क्या बदलाव किए जाएं।

यह अनिश्चित दुनिया में सुरक्षित, कुशल संरचनाओं को डिजाइन करने की "बहुत धीमी" समस्या को हल करता है। हजारों संभावनाओं का सिमुलेशन करने के लिए वर्षों प्रतीक्षा करने के बजाय, इंजीनियर अब इसे दिनों या घंटों में कर सकते हैं, जिससे यह सुनिश्चित होता है कि हमारे द्वारा बनाए गए पुल, विमान और टावर अप्रत्याशित परिस्थितियों के खिलाफ मज़बूत रहें।

यहाँ गोंग और अन्य द्वारा लिखित शोध पत्र "Shape Derivative-Informed Neural Operators with Application to Risk-Averse Shape Optimization" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र आंशिक अंतर समीकरणों (PDEs) द्वारा नियंत्रित प्रणालियों के लिए अनिश्चितता के तहत आकार अनुकूलन (Shape Optimization under Uncertainty - OUU) को संबोधित करता है। कई इंजीनियरिंग अनुप्रयोगों (जैसे एयरोडायनामिक्स, फ्लूइड-स्ट्रक्चर इंटरेक्शन) में, डोमेन की ज्यामिति एक डिज़ाइन चर ( $z$ ) होती है, जबकि भौतिक पैरामीटर (जैसे सामग्री के गुण, सीमा स्थितियाँ) अनिश्चित ( $m$ ) होते हैं।

इन समस्याओं को हल करने में मुख्य चुनौतियाँ हैं:

गणना संबंधी लागत (Computational Cost): पारंपरिक तरीकों के लिए विभिन्न ज्यातियों (geometries) के तहत हजारों अनिश्चितता वास्तविकताओं (सैंपलिंग) के लिए बार-बार उच्च-सटीकता वाले PDE समाधानों की आवश्यकता होती है।
ज्यामितीय परिवर्तनशीलता (Geometric Variability): आकार $z$ को बदलने के लिए आमतौर पर रीमेशिंग (remeshing) या जटिल मेश विरूपण (mesh deformation) की आवश्यकता होती है, जो गणनात्मक रूप से महंगा है।
डेरिवेटिव सटीकता (Derivative Accuracy): जोखिम-विमुख अनुकूलन (worst-case scenarios या Conditional Value-at-Risk को कम करना) के लिए आकार चरों के संबंध में सटीक ग्रेडिएंट्स की आवश्यकता होती है। मानक न्यूरल ऑपरेटर सरोगेट अक्सर सटीक डेरिवेटिव प्रदान करने में विफल रहते हैं, जिससे अनुकूलन का अभिसरण (convergence) खराब हो जाता है या स्प्यूरियस लोकल मिनिमा उत्पन्न होते हैं।
जोखिम निवारण (Risk Aversion): केवल माध्य (mean) के बजाय एक स्केलर जोखिम माप (जैसे CVaR, Entropic Risk) को अनुकूलित करने के लिए समाधान वितरण के 'टेल व्यवहार' (tail behavior) को पकड़ने की आवश्यकता होती है, जो ग्रेडिएंट त्रुटियों के प्रति अत्यधिक संवेदनशील होता है।

2. कार्यप्रणाली: Shape-DINO

लेखक Shape-DINO (Shape Derivative-Informed Neural Operator) प्रस्तावित करते हैं, जो PDE समाधान ऑपरेटर और उसके फ्रेट डेरिवेटिव (Fréchet derivatives) को एक साथ सीखने वाला एक ढांचा है।

A. गणितीय सूत्रीकरण (Mathematical Formulation)

संदर्भ डोमेन मैपिंग (Reference Domain Mapping): ज्यामितीय परिवर्तनशीलता को संभालने के लिए, लेखक डिफ़ियोमॉर्फिक मैपिंग (diffeomorphic mappings) $\chi_z$ का उपयोग करके सभी बदलते डोमेन $\Omega_z$ को एक निश्चित संदर्भ डोमेन $\Omega_0$ पर मैप करते हैं। यह एक निश्चित मेश पर सीखने की समस्या को स्थापित करने की अनुमति देता है।
समाधान ऑपरेटर (Solution Operator): लक्ष्य मानचित्र $(m, z) \mapsto u(m, z)$ को सीखना है, जहाँ $u$ PDE अवस्था (state) है।
डेरिवेटिव-सूचित शिक्षण (Derivative-Informed Learning): मानक ऑपरेटरों के विपरीत, जो केवल अवस्था के $L^2$ $L^{2}$ त्रुटि को कम करते हैं, Shape-DINO एक सोबोलेव-प्रकार के लॉस ( $H^1_\mu$ $H_{μ}^{1}$ ) को कम करता है जिसमें निम्नलिखित की त्रुटियाँ शामिल हैं:
1. अवस्था $u$ ।
2. अनिश्चित मापदंडों के सापेक्ष डेरिवेटिव $D_m u$ ।
3. आकार चरों के सापेक्ष डेरिवेटिव $D_z u$ (आकार संवेदनशीलता)।
  लॉस फंक्शन है:
  $\mathcal{L}(\theta) = \mathbb{E} \left[ \|u - u_\theta\|^2 + \|D_m u - D_m u_\theta\|^2 + \|D_z u - D_z u_\theta\|^2 \right]$

B. आर्किटेक्चर और आयाम न्यूनीकरण (Architecture and Dimension Reduction)

रिड्यूस्ड बेसिस न्यूरल ऑपरेटर्स (RBNO): उच्च-आयामी इनपुट/आउटपुट को संभालने के लिए, लेखक एक रिड्यूस्ड-बेसिस आर्किटेक्चर का उपयोग करते हैं।
- स्टेट रिडक्शन (State Reduction): अवस्था चर $u$ पर प्रॉपर ऑर्थोगोनल डिकंपोजिशन (POD) (PCA) का उपयोग करके इसे निम्न-आयामी लेटेंट स्पेस में प्रोजेक्ट करता है।
- पैरामीटर रिडक्शन (Parameter Reduction): अनिश्चित पैरामीटर $m$ के लिए एक्टिव सबस्पेस (AS) का उपयोग करता है। AS को इसलिए चुना गया है क्योंकि यह डेरिवेटिव जानकारी का उपयोग करके पैरामीटर स्पेस में उन दिशाओं को खोजता है जो आउटपुट को सबसे अधिक प्रभावित करती हैं, जो इनपुट के लिए मानक PCA की तुलना में अधिक कुशल है।
न्यूरल नेटवर्क: एक मल्टी-इनपुट डेंस न्यूरल नेटवर्क $(m, z)$ के रिड्यूस्ड गुणांकों को $u$ और उसके जैकोबियन के रिड्यूस्ड गुणांकों में मैप करता है।

C. प्रशिक्षण वर्कफ़्लो (Training Workflow)

डेटा जनरेशन: सैंपल किए गए $(m, z)$ जोड़ों के लिए उच्च-सटीकता वाले PDEs को हल करें।
संवेदनशीलता गणना: एडजॉइंट विधियों (linearized PDEs को हल करके) का उपयोग करके $D_m u$ और $D_z u$ की गणना करें।
बेसिस निर्माण: प्रशिक्षण डेटा से अवस्थाओं के लिए POD और मापदंडों के लिए AS की गणना करें।
प्रशिक्षण: लेटेंट स्पेस में अवस्थाओं और डेरिवेटिव्स के संयुक्त लॉस को कम करने के लिए न्यूरल नेटवर्क को प्रशिक्षित करें।

3. मुख्य योगदान (Key Contributions)

सैद्धांतिक योगदान

अ-प्रायर एरर बाउंड्स (A Priori Error Bounds): लेखक सिद्ध करते हैं कि स्ट्रॉन्गली कॉनवेक्स ऑब्जेक्टिव्स के लिए, सरोगेट-आधारित समाधान की अनुकूलन त्रुटि ऑब्जेक्टिव फंक्शन के डेरिवेटिव्स की त्रुटि द्वारा सीमित होती है। विशेष रूप से, वे दिखाते हैं कि अवस्था के $L^2$ त्रुटि और आकार डेरिवेटिव के $L^2$ त्रुटि को नियंत्रित करना वास्तविक इष्टतम तक अभिसरण सुनिश्चित करने के लिए पर्याप्त है।
यूनिवर्सल एप्रोक्सिमेशन: वे $C^1$ नॉर्म्स में मल्टी-इनपुट रिड्यूस्ड-बेसिस न्यूरल ऑपरेटर्स के लिए यूनिवर्सल एप्रोक्सिमेशन प्रमेय स्थापित करते हैं। यह सिद्ध करता है कि ऐसे नेटवर्क समाधान ऑपरेटर और उसके डेरिवेटिव दोनों को कितनी भी सटीकता से अनुमानित कर सकते हैं, जो ग्रेडिएंट-आधारित अनुकूलन में उनके उपयोग को न्यायसंगत बनाता है।

एल्गोरिद्मिक योगदान

एकीकृत ढांचा (Unified Framework): एक ही ढांचा जो डिफिओमॉर्फिक मैपिंग के माध्यम से ज्यामिति ( $z$ ) और स्टोकेस्टिक मापदंडों ( $m$ ) के बीच होने वाले परिवर्तनों को एक साथ संभालता है।
कुशल डेरिवेटिव जनरेशन: यह प्रदर्शित करता है कि प्रशिक्षण के लिए जैकोबियन डेटा उत्पन्न करने में अक्सर (अवस्था समाधान से मैट्रिक्स फैक्टराइजेशन को पुन: उपयोग करके) बहुत कम गणनात्मक लागत आती है, जो अनुकूलन सटीकता में मिलने वाले लाभों की तुलना में नगण्य है।

4. संख्यात्मक परिणाम (Numerical Results)

फ्रेमवर्क का परीक्षण तीन चुनौतीपूर्ण समस्याओं पर किया गया:

पॉइसन समीकरण (2D): अनिश्चित पारगम्यता (permeability) और एक परिवर्तनशील ऊपरी सीमा के साथ फ्लक्स-ट्रैकिंग।
- परिणाम: Shape-DINO ने 512 प्रशिक्षण नमूनों के साथ लगभग-संदर्भ सटीकता प्राप्त की, जबकि मानक ऑपरेटर (Shape-NO) और PDE-आधारित सैंपल एवरेज एप्रोक्सिमेशन (SAA) को या तो बहुत अधिक नमूनों की आवश्यकता थी या वे समान सटीकता तक पहुँचने में विफल रहे।
नेवियर-स्टोक्स (2D): अनिश्चित प्रवाह (पूर्व/उत्तर दिशाओं) के तहत किसी वस्तु के चारों ओर डिसिपेशन (dissipation) में कमी।
- परिणाम: Shape-DINO ने PDE-आधारित दृष्टिकोण की तुलना में 10 गुना कम PDE समाधानों का उपयोग करके इष्टतम डिसिपेशन मान को कम किया। Shape-NO, PDE बेसलाइन के प्रदर्शन से मेल खाने में विफल रहा।
नेवियर-स्टोक्स (3D): एक टावर संरचना पर ड्रैग और बेंडिंग-मोमेंट में कमी।
- परिणाम: इस गणनात्मक रूप से कठिन 3D सेटिंग में, Shape-DINO ने डिटर्मिनिस्टिक PDE ऑप्टिमाइजेशन और Shape-NO की तुलना में काफी कम बल और मोमेंट परिवर्तनशीलता वाले डिज़ाइन तैयार किए।

प्रदर्शन मेट्रिक्स (Performance Metrics)

सटीकता: Shape-DINO ने अवस्था भविष्यवाणी और, विशेष रूप से, अंतिम अनुकूलित डिज़ाइन की गुणवत्ता में, Shape-NO (जो बिना डेरिवेटिव के प्रशिक्षित था) को लगातार पछाड़ दिया।
गति (Speedup):
- ऑनलाइन मूल्यांकन: Shape-DINO ने PDE सॉल्वर की तुलना में अवस्था और ग्रेडिएंट मूल्यांकन में 3-8 ऑर्डर ऑफ मैग्नीट्यूड की गति प्रदान की।
- ऑफलाइन लागत: प्रशिक्षण डेटा जनरेशन सहित, Shape-DINO ने एकल समस्या के लिए सख्त PDE-आधारित OUU दृष्टिकोण की तुलना में आवश्यक कुल PDE समाधानों की संख्या को 1-2 ऑर्डर ऑफ मैग्नीट्यूड कम कर दिया।
सामान्यीकरण (Generalization): Shape-DINO ने आउट-ऑफ-डिस्ट्रीब्यूशन परिदृश्यों (जैसे अलग-अलग लक्षित फ्लक्स प्रोफाइल) में मजबूती प्रदर्शित की, जहाँ Shape-NO विफल रहा।

5. महत्व (Significance)

यह कार्य वैज्ञानिक मशीन लर्निंग और जोखिम-विमुख इंजीनियरिंग डिज़ाइन के बीच एक महत्वपूर्ण अंतर को पाटता है।

विश्वसनीयता: यह प्रदर्शित करता है कि अनुकूलन कार्यों के लिए, डेरिवेटिव को सीखना केवल एक "अच्छा-से-होना" नहीं है, बल्कि विश्वसनीय अभिसरण के लिए एक आवश्यकता है। मानक $L^2$ -प्रशिक्षित सरोगेट जोखिम-विमुख सेटिंग्स में उप-इष्टतम या अस्थिर डिज़ाइन की ओर ले जा सकते हैं।
स्केलेबिलिटी: डिफिओमॉर्फिक मैपिंग, रिड्यूस्ड बेसिस और डेरिवेटिव-सूचित प्रशिक्षण को जोड़कर, यह विधि बड़े पैमाने पर, 3D, जोखिम-विमुख आकार अनुकूलन को गणनात्मक रूप से व्यवहार्य बनाती है, जो पहले ज्यामिति और अनिश्चितता दोनों में "डायमेंशनलिटी के अभिशाप" (curse of dimensionality) के कारण अव्यवहार्य था।
सैद्धांतिक आधार: यह ह्यूरिस्टिक अनुप्रयोगों से आगे बढ़कर, PDE-नियंत्रित अनुकूलन के तहत उपयोग किए जाने वाले न्यूरल ऑपरेटरों के उपयोग के लिए पहला कठोर सैद्धांतिक औचित्य (एरर बाउंड्स और यूनिवर्सल एप्रोक्सिमेशन) प्रदान करता है।

संक्षेप में, Shape-DINO अनिश्चितता के तहत जटिल प्रणालियों को डिजाइन करने के लिए एक गणनात्मक रूप से कुशल, सैद्धांतिक रूप से सुदृढ़ और अत्यधिक सटीक ढांचा प्रदान करता है, जो पारंपरिक PDE-आधारित विधियों और मानक न्यूरल ऑपरेटर सरोगेट दोनों से काफी बेहतर प्रदर्शन करता है।