🔬 physics

Comparison of data-driven symmetry-preserving closure models for large-eddy simulation

यह शोध पत्र यह प्रदर्शित करता है कि यद्यपि अनियंत्रित और सममिति-संरक्षण (symmetry-preserving) डेटा-संचालित न्यूरल नेटवर्क दोनों ही सटीकता में शास्त्रीय लार्ज-एडी सिमुलेशन क्लोजर से बेहतर प्रदर्शन करते हैं, फिर भी अधिक भौतिक रूप से सुसंगत वेग-ग्रेडिएंट सांख्यिकी उत्पन्न करने और सीखे गए क्लोजर की समग्र गुणवत्ता में सुधार करने के लिए भौतिक सममिति को लागू करना अत्यंत महत्वपूर्ण है।

मूल लेखक: Syver Døving Agdestein, Benjamin Sanderse

प्रकाशित 2026-03-06

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Syver Døving Agdestein, Benjamin Sanderse

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 मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं, लेकिन आपके पास हर एक बारिश की बूंद, हवा के झोंके और हवा के भंवर को ट्रैक करने के लिए पर्याप्त शक्तिशाली सुपरकंप्यूटर नहीं है। यह वह समस्या है जिसका सामना वैज्ञानिक विक्षोभ (turbulence) (जैसे पंख के ऊपर से गुजरती हवा या चिमनी से निकलता धुआं जैसे अराजक तरल प्रवाह) के साथ करते हैं।

इसे हल करने के लिए, वे एक तकनीक का उपयोग करते हैं जिसे लार्ज-एडी सिमुलेशन (Large-Eddy Simulation - LES) कहा जाता है। इसे एक धुंधली खिड़की से तूफान देखने जैसा समझें। आप बड़े, घूमते हुए बादलों (बड़े "एडीज़") को देख सकते हैं, लेकिन छोटे, अराजक लहरें धुंधली हो जाती हैं। समस्या यह है कि वे छोटी लहरें अभी भी बड़े बादलों को प्रभावित करती हैं। यदि आप उन्हें अनदेखा करते हैं, तो आपका सिमुलेशन अंततः विफल हो जाएगा।

इसे ठीक करने के लिए, वैज्ञानिक एक "क्लोजर मॉडल" (closure model) का उपयोग करते हैं—यह एक गणितीय अनुमान है जो यह अंदाजा लगाता है कि वे अदृश्य छोटी लहरें क्या कर रही हैं ताकि बड़ा चित्र सटीक बना रहे।

पुराना तरीका बनाम नया तरीका

दशकों तक, वैज्ञानिकों ने इन अनुमानों को लगाने के लिए सरल, हाथ से बनाए गए सूत्रों (जैसे स्मैगोरिंस्की (Smagorinsky) या क्लार्क (Clark) मॉडल) का उपयोग किया। वे ठीक-ठाक काम करते हैं, लेकिन वे एक स्टेक (steak) को काटने के लिए कुंद चाकू का उपयोग करने जैसे हैं; वे काम तो पूरा कर देते हैं लेकिन उनमें सटीकता की कमी होती है।

हाल ही में, वैज्ञानिकों ने इन अनुमानों को डेटा से सीखने के लिए आर्टिफिशियल इंटेलिजेंस (न्यूरल नेटवर्क) का उपयोग करना शुरू कर दिया है। यह एक रोबोट को लाखों तूफानों को देखने और यह सीखने जैसा है कि छोटी लहरें वास्तव में कैसे व्यवहार करती हैं। यह बहुत अधिक सटीक है, लेकिन इसमें एक बड़ी खामी है: रोबोट भौतिकी के नियमों को नहीं जानता।

यदि आप तूफान को 90 डिग्री घुमाते हैं, तो भौतिकी वैसी ही दिखनी चाहिए। लेकिन एक मानक AI भ्रमित हो सकता है और पूरी तरह से अलग उत्तर दे सकता है क्योंकि तस्वीर बगल की ओर घूम गई है। यह भौतिकी के नियमों को तोड़ता है और सिमुलेशन को अस्थिर बनाता है।

इस पेपर के तीन "रोबोट"

इस पेपर के लेखक यह देखना चाहते थे कि क्या वे AI को भौतिकी की सममिति (symmetries) (यह विचार कि प्रकृति के नियम नहीं बदलते यदि आप दृश्य को घुमाते हैं, पलटते हैं या बदलते हैं) का सम्मान करना सिखा सकते हैं। उन्होंने तीन अलग-अलग प्रकार के AI "रोबोट" बनाए और उनकी तुलना की:

"अनकन्स्ट्रेंड" (Unconstrained) रोबोट (Conv):
- उपमा: एक छात्र जिसे उत्तर याद करने के लिए कहा गया है, लेकिन उसे खेल के नियम नहीं बताए गए हैं।
- यह कैसे काम करता है: यह एक मानक न्यूरल नेटवर्क है। यह बहुत लचीला है और तेजी से सीखता है, लेकिन यह स्वाभाविक रूप से यह नहीं जानता कि यदि दुनिया को उलट दिया जाए तो "ऊपर" का मतलब "नीचे" ही है।
- परिणाम: यह संख्याओं की भविष्यवाणी करने में सटीक था, लेकिन कभी-कभी इसने भौतिक रूप से अजीब परिणाम दिए (जैसे कि एक तूफान अलग व्यवहार करता है क्योंकि आपने मानचित्र को घुमा दिया)।
"टेंसर-बेसिस" (Tensor-Basis) रोबोट (TBNN):
- उपमा: एक छात्र जिसे लेगो ब्रिक्स (Lego bricks) का एक सेट दिया गया है जो भौतिकी के नियमों के अनुसार पहले से ही आकार में ढले हुए हैं। वे केवल ऐसी चीजें बना सकते हैं जो संरचनात्मक रूप से मजबूत हों।
- यह कैसे काम करता है: पूरे तूफान का अनुमान लगाने के बजाय, यह AI एक पूर्व-निर्धारित सेट के लिए गुणांक (संख्याओं) का अनुमान लगाता है जो "भौतिकी-सुरक्षित" बिल्डिंग ब्लॉक्स हैं। AI चाहे कैसे भी सीखे, अंतिम परिणाम गारंटी के साथ रोटेशन और रिफ्लेक्शन के नियमों का पालन करेगा।
- परिणाम: यह बहुत स्थिर और भौतिक रूप से सुसंगत था, हालांकि यह कभी-कभी विक्षोभ (turbulence) के "जंगली" विवरणों को मिस कर देता था।
"ग्रुप-कन्वोल्यूशन" (Group-Convolution) रोबोट (G-conv):
- उपमा: एक छात्र जिसे एक जादुई सूट पहनने के लिए मजबूर किया जाता है जो उनके विचारों को स्वचालित रूप से सही भौतिकी की भाषा में अनुवादित कर देता है। यदि वे "बाएं" के बारे में सोचते हैं, तो सूट स्वचालित रूप से जानता है कि यदि दुनिया उलटी है तो "बाएं" का अर्थ "दाएं" है।
- यह कैसे काम करता है: यह एक जटिल न्यूरल नेटवर्क आर्किटेक्चर है जहाँ गणित नेटवर्क की संरचना में ही निर्मित होता है। प्रत्येक गणना को सममिति समूहों (रोटेशन और फ्लिप) का सम्मान करने के लिए मजबूर किया जाता है।
- परिणाम: लेगो रोबोट की तरह, यह पूरी तरह से भौतिक रूप से सुसंगत था। हालाँकि, यह गणनात्मक रूप से भारी (धीमा) था क्योंकि "जादुई सूट" बहुत भारी था।

उन्होंने क्या पाया?

शोधकर्ताओं ने यह देखने के लिए अपने रोबोटों को एक "गोल्ड स्टैंडर्ड" सिमुलेशन (डायरेक्ट न्यूमेरिकल सिमुलेशन) के विरुद्ध चलाया कि कौन सबसे अच्छा प्रदर्शन करता है।

सटीकता: तीनों AI रोबोट पुराने, हाथ से बने सूत्रों की तुलना में बेहतर थे। उन्होंने छोटी लहरों के तनाव (stress) की बहुत अधिक सटीक भविष्यवाणी की।
स्थिरता: "अनकन्स्ट्रेंड" रोबोट तेज़ और सटीक था, लेकिन वह भौतिकी के नियमों के साथ थोड़ा "लापरवाह" था। दो "सममिति-संरक्षण" वाले रोबोटों (लेगो और जादुई सूट) ने ऐसे परिणाम दिए जो वास्तविक भौतिकी के बहुत करीब थे, विशेष रूप से घूमती हुई हवा के जटिल आकारों को देखते समय।
"टीयरड्रॉप" (Teardrop) टेस्ट: लेखकों ने घूमती हुई हवा के आकार (जिसे वेलोसिटी ग्रेडिएंट डिस्ट्रीब्यूशन कहा जाता है) से संबंधित एक विशिष्ट परीक्षण का उपयोग किया। सममिति-संरक्षण वाले मॉडलों ने विक्षोभ के प्रसिद्ध "टीयरड्रॉप" आकार को पूरी तरह से पुन: निर्मित किया। अनकन्स्ट्रेंड मॉडल ने आकार को थोड़ा गलत बनाया, भले ही उसके नंबर ठीक लग रहे थे।
- रूपक: कल्पना कीजिए कि आप एक पूर्ण वृत्त खींचने की कोशिश कर रहे हैं। अनकन्स्ट्रेंड रोबोट ने एक ऐसा वृत्त बनाया जो गणितीय रूप से सही आकार के करीब था लेकिन थोड़ा दबा हुआ (squashed) दिख रहा था। सममिति-संरक्षण वाले रोबोटों ने हर बार एक पूर्ण वृत्त बनाया।

मुख्य निष्कर्ष

पेपर यह निष्कर्ष निकालता है कि AI के मस्तिष्क में सीधे भौतिकी के नियमों को पकाना (बनाना) सार्थक है।

भले ही "अनकन्स्ट्रेंड" रोबोट तेज़ था और उसने संख्याएँ सही प्राप्त कीं, लेकिन "सममिति-संरक्षण" वाले रोबोटों ने ऐसा सिमुलेशन बनाया जो अधिक "वास्तविक" और सुसंगत महसूस हुआ। यह एक ऐसे GPS के बीच का अंतर है जो आपको मंजिल तक जल्दी पहुँचाता है लेकिन दीवार के माध्यम से ले जाता है, बनाम एक ऐसा GPS जो यातायात नियमों और सड़क की ज्यामिति का सम्मान करता है, जिससे एक सुरक्षित और तार्किक यात्रा सुनिश्चित होती है।

संक्षेप में: यदि आप प्रकृति का अनुकरण करना चाहते हैं, तो केवल उसे डेटा से सीखने न दें; पहले उसे खेल के नियम सिखाएं। "लेगो" दृष्टिकोण (टेंसर-बेसिस) गति और भौतिक शुद्धता के बीच सबसे अच्छा संतुलन प्रदान करता है, जबकि "जादुई सूट" (ग्रुप-कन्व) सबसे कठोर लेकिन सबसे धीमा है।

यहाँ Agdestein और Sanderse के शोध पत्र "Comparison of data-driven symmetry-preserving closure models for large-eddy simulation" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

लार्ज-एडी सिमुलेशन (LES), टर्बुलेंट प्रवाहों के लिए डायरेक्ट न्यूमेरिकल सिमुलेशन (DNS) का एक गणनात्मक रूप से सुलभ विकल्प है, लेकिन इसके लिए अनसुलझे सब-फिल्टर स्केल्स (SFS) के प्रभावों को दर्शाने हेतु एक क्लोजर मॉडल (closure model) की आवश्यकता होती है।

चुनौती: शास्त्रीय क्लोजर मॉडल (जैसे स्मैगोरिंस्की, क्लार्क ग्रेडिएंट) अक्सर सटीकता या स्थिरता की कमी रखते हैं। हाल ही में, डेटा-संचालित न्यूरल नेटवर्क (NN) ने सटीकता में सुधार करने के लिए आशाजनक परिणाम दिखाए हैं, लेकिन सिमुलेशन में तैनात होने पर वे अस्थिरता (instability) और खराब सामान्यीकरण (generalizability) से ग्रस्त होते हैं।
मूल कारण: अस्थिरता का एक प्राथमिक स्रोत नेवियर-स्टोक्स समीकरणों में निहित मौलिक भौतिक सममिति (symmetries) (गैलीलियन इनवेरिएंस, रोटेशनल इनवेरिएंस, रिफ्लेक्शनल इनवेरिएंस, और स्केलिंग इनवेरिएंस) का उल्लंघन है। मानक न्यूरल नेटवर्क इन सममितियों को स्वतः लागू नहीं करते हैं, जिससे संभावित रूप से अस्वाभाविक बल या अप्राकृतिक व्यवहार उत्पन्न हो सकता है।
लक्ष्य: यह निर्धारित करने के लिए कि क्या सममिति को लागू करने से अनियंत्रित नेटवर्क की तुलना में भौतिक निरंतरता और सिमुलेशन स्थिरता में सुधार होता है, डेटा-संचालित LES क्लोजर में इन सममितियों को शामिल करने की विभिन्न रणनीतियों की तुलना करना।

2. कार्यप्रणाली (Methodology)

लेखक फोर्स्ड होमोजेनियस आइसोट्रोपिक टर्बुलेंस का उपयोग करके शास्त्रीय मॉडलों (स्मैगोरिंस्की और क्लार्क ग्रेडिएंट) के विरुद्ध तीन डेटा-संचालित क्लोजर आर्किटेक्चर की तुलना करते हैं। सभी मॉडल एक उच्च-रिज़ॉल्यूशन DNS ( $N=810$ ) से प्राप्त डेटा पर प्रशिक्षित किए गए हैं जिसे एक मोटे LES ग्रिड ( $N=128$ ) पर फ़िल्टर किया गया है।

A. सममिति प्रतिबंध (Symmetry Constraints)

अध्ययन इनकंप्रेसिबल नेवियर-स्टोक्स समीकरणों की सममितियों को संरक्षित करने पर केंद्रित है:

गैलीलियन इनवेरिएंस (Galilean Invariance): इसे वेलोसिटी ( $\bar{u}$ ) के बजाय वेलोसिटी ग्रेडिएंट टेंसर (VGT, $\bar{A}$ ) का उपयोग करके प्राप्त किया जाता है।
स्केलिंग इनवेरिएंस (Scaling Invariance): इसे आउटपुट से $\Delta^2 |\bar{A}|^2$ को अलग करके प्राप्त किया जाता है, जिससे आयामी निरंतरता सुनिश्चित होती है।
रोटेशनल और रिफ्लेक्शनल इक्विवेरिएंट (Rotational and Reflectional Equivariance): यह मुख्य चर है जिसका परीक्षण किया जा रहा है। मॉडलों को ऑक्टाहेड्रल ग्रुप ( $G$ ) के तहत इक्वीवैरिएंट होना चाहिए, जिसमें कार्टेशियन ग्रिड के अनुकूल 48 असतत रोटेशन और रिफ्लेक्शन शामिल हैं।

B. मॉडल आर्किटेक्चर (Model Architectures)

टेंसर-बेसिस न्यूरल नेटवर्क (TBNN):
- दृष्टिकोण: पोप के टेंसर बेसिस थ्योरी (जिसे स्टालकप द्वारा परिष्कृत किया गया है) का उपयोग करता है। सबग्रिड स्ट्रेस को VGT से निर्मित आधार टेंसरों ( $T^{(k)}$ ) के एक रैखिक संयोजन के रूप में व्यक्त किया जाता है, जिन्हें न्यूरल नेटवर्क द्वारा अनुमानित अदिश गुणांकों (scalar coefficients) द्वारा भारित किया जाता है।
- सममिति: सममिति को आधार टेंसरों और इनवेरियंट्स के चयन द्वारा संरचनात्मक रूप से लागू किया जाता है। नेटवर्क केवल VGT के इनवेरियंट्स के आधार पर अदिश गुणांकों की भविष्यवाणी करता है, जो नेटवर्क की आंतरिक संरचना की परवाह किए बिना इक्विवेरिएंस की गारंटी देता है।
- इनपुट: सामान्यीकृत VGT के 5 इनवेरियंट्स।
- आउटपुट: 7 अदिश गुणांक।
ग्रुप-कन्वोल्यूशनल न्यूरल नेटवर्क (G-conv):
- दृष्टिकोण: यह ग्रुप-इक्विवेरिएंट कनवल्शन का उपयोग करता है। हिडन लेयर्स ऑक्टाहेड्रल ग्रुप के रेगुलर रिप्रेजेंटेशन ( $\mathbb{R}^{48}$ ) में कार्य करती हैं, जहाँ प्रत्येक चैनल एक ग्रुप एलिमेंट के अनुरूप होता है।
- सममिति: इसे वेट प्रोजेक्शन (weight projection) के माध्यम से लागू किया जाता है। वेट्स को समूह क्रिया मैट्रिसेस (परम्यूटेशन मैट्रिसेस) के साथ कम्यूट करने के लिए बाधित किया जाता है। लेखक एक नवीन आइजनडीकंपोजिशन-आधारित वेट शेयरिंग तकनीक पेश करते हैं जो इक्विवेरिएंस बनाए रखते हुए लर्न करने योग्य मापदंडों की संख्या को कम करने के लिए प्रोजेक्शन ऑपरेटर को संकुचित करती है।
- इनपुट/आउटपुट: भौतिक टेंसरों को रेगुलर रिप्रेजेंटेशन में बदलता है और वापस लाता है।
अनकन्स्ट्रेंड कन्वोल्यूशनल न्यूरल नेटवर्क (Conv):
- दृष्टिकोण: एक मानक फीड-फॉरवर्ड CNN (जो पॉइंट-वाइज ऑपरेशन के लिए $1\times1\times1$ कर्नेल का उपयोग करता है) जो VGT को इनपुट के रूप में लेता है और सीधे स्ट्रेस टेंसर की भविष्यवाणी करता है।
- सममिति: कोई स्पष्ट सममिति प्रवर्तन नहीं। यह सममिति को अप्रत्यक्ष रूप से सीखने के लिए प्रशिक्षण डेटा (आइसोट्रोपिक टर्बुलेंस) पर निर्भर करता है।

C. मूल्यांकन मेट्रिक्स (Evaluation Metrics)

A-priori: संदर्भ DNS डेटा के विरुद्ध स्ट्रेस टेंसर की भविष्यवाणी त्रुटि।
A-posteriori: समय के साथ LES सिमुलेशन की स्थिरता और सटीकता।
इक्विवेरिएंस एरर (Equivariance Error): यह मात्रा निर्धारित करता है कि मॉडल आउटपुट इनपुट को घुमाने या परावर्तित करने पर कितना बदलता है (सिमेट्रिक मॉडलों के लिए यह मशीन प्रिसिजन के करीब होना चाहिए)।
भौतिक सांख्यिकी (Physical Statistics): ऊर्जा स्पेक्ट्रा, डिसिपेशन दरें, और वेलोसिटी ग्रेडिएंट इनवेरियंट्स ( $q$ और $r$ ) का संयुक्त वितरण, जो प्रवाह टोपोलॉजी (वोर्टिसिटी बनाम स्ट्रेन) को परिभाषित करते हैं।

3. प्रमुख योगदान (Key Contributions)

व्यवस्थित तुलना: LES के लिए TBNN, G-conv, और अनकन्स्ट्रेंड CNN की एक कठोर तुलना, जो सममिति प्रवर्तन के प्रभाव को अलग करती है।
नवीन वेट प्रोजेक्शन: ऑक्टाहेड्रल ग्रुप कनवल्शन के लिए वेट प्रोजेक्शन ऑपरेटर को संकुचित करने के लिए एक आइजनडीकंपोजिशन-आधारित विधि का परिचय, जो सख्त इक्विवेरिएंस बाधा बनाए रखते हुए G-conv को कम्प्यूटेशनल रूप से व्यवहार्य बनाता है।
डिस्क्रीट SFS परिभाषा: एक डिस्क्रीटाइजेशन-कंसिस्टेंट सब-फिल्टर स्ट्रेस परिभाषा का उपयोग जो विशिष्ट संख्यात्मक योजना (डीएलिसिंग के साथ स्यूडो-स्पेक्ट्रल) को ध्यान में रखता है, जिससे प्रशिक्षण लक्ष्य भौतिक रूप से सुसंगत होते हैं।
सममिति बनाम सटीकता पर अंतर्दृष्टि: यह प्रदर्शित करना कि जबकि अनकन्स्ट्रेंड नेटवर्क समान भविष्यवाणी त्रुटियां (MSE) प्राप्त कर सकते हैं, वे उच्च-क्रम की सांख्यिकी में भौतिक निरंतरता प्राप्त करने में विफल रहते हैं।

4. मुख्य परिणाम (Key Results)

A. भविष्यवाणी सटीकता (A-priori)

टेंसर भविष्यवाणी: तीनों डेटा-संचालित मॉडलों ने स्ट्रेस टेंसर की भविष्यवाणी करने में शास्त्रीय स्मैगोरिंस्की और क्लार्क मॉडल की तुलना में काफी बेहतर प्रदर्शन किया।
रैंकिंग: G-conv और Conv ने सबसे कम टेंसर भविष्यवाणी त्रुटि प्राप्त की, उसके बाद TBNN का स्थान रहा।
इक्विवेरिएंस:
- TBNN और G-conv: इन्होंने मशीन प्रिसिजन ( $\sim 10^{-15}$ ) पर इक्विवेरिएंस एरर प्राप्त किया, जो सख्त सममिति पालन की पुष्टि करता है।
- Conv: इसमें 5.8% का महत्वपूर्ण ए-प्रायोरी इक्विवेरिएंस एरर देखा गया, जो दर्शाता है कि यह आइसोट्रोपिक डेटा पर प्रशिक्षित होने के बावजूद रोटेशनल/रिफ्लेक्शनल सममिति सीखने में विफल रहा।

B. सिमुलेशन स्थिरता और सटीकता (A-posteriori)

स्थिरता: शास्त्रीय क्लार्क मॉडल $t \approx 2.1$ पर डाइवर्ज (diverge) हो गया। सभी न्यूरल नेटवर्क मॉडल स्थिर रहे।
सॉल्यूशन एरर: तीनों डेटा-संचालित मॉडलों ने लगभग समान LES सॉल्यूशन एरर उत्पन्न किए, जो शास्त्रीय मॉडलों की तुलना में कम थे।
चौंकाने वाला निष्कर्ष: Conv मॉडल की इक्विवेरिएंस की कमी के बावजूद, इसकी ट्रजेक्टरी एरर (trajectory error) सिमेट्रिक मॉडलों के बराबर थी। यह सुझाव देता है कि आइसोट्रोपिक टर्बुलेंस के लिए, ट्रजेक्टरी सटीकता के लिए सख्त सममिति अनिवार्य नहीं है, लेकिन भौतिक निरंतरता के लिए यह अत्यंत महत्वपूर्ण है।

C. भौतिक निरंतरता (The Critical Differentiator)

ऊर्जा स्पेक्ट्रा (Energy Spectra):
- TBNN: इसमें उच्च वेवनंबर पर स्प्यूरियस एनर्जी पाइल-अप (अपर्याप्त डिसिपेशन) दिखा, जो "नो-मॉडल" केस के समान है।
- Conv और G-conv: इन्होंने संदर्भ स्पेक्ट्रम के साथ अच्छा तालमेल दिखाया लेकिन थोड़े अधिक डिसिपेटिव थे।
वेलोसिटी ग्रेडिएंट सांख्यिकी ( $q-r$ प्लेन):
- इनवेरियंट्स $q$ (स्ट्रेन) और $r$ (रोटेशन) का संयुक्त वितरण टर्बुलेंस भौतिकी के लिए एक कठिन परीक्षण है।
- Conv: संदर्भ "टीयरड्रॉप" (teardrop) आकार से, विशेष रूप से पूंछ (tails) वाले क्षेत्रों में, काफी विचलित हुआ।
- सममिति-संरक्षण मॉडल (TBNN, G-conv): इन्होंने संदर्भ के बहुत करीब वितरण उत्पन्न किया, जो वोर्टिसिटी-प्रधान और स्ट्रेन-प्रधान क्षेत्रों के बीच सही संतुलन को कैप्चर करता है।
- निष्कर्ष: सममिति लागू करने से सीखा गया क्लोजर की भौतिक निरंतरता में सुधार होता है, भले ही एग्रीगेट एरर मेट्रिक्स (जैसे MSE) में कोई अंतर न दिखे।

D. कम्प्यूटेशनल लागत (Computational Cost)

G-conv: विस्तारित 48-चैनल प्रतिनिधित्व के कारण इन्फरेंस के दौरान Conv की तुलना में लगभग 7 गुना धीमा है, जबकि इसके पास समान संख्या में ट्रेन करने योग्य पैरामीटर हैं।
TBNN: इन्फरेंस लागत Conv के समान है। यह सबसे कुशल सममिति-संरक्षण विकल्प है क्योंकि यह नेटवर्क आर्किटेक्चर के बजाय आधार (basis) में सममिति को एनकोड करता है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

सममिति भौतिकी के लिए आवश्यक है, केवल सटीकता के लिए नहीं: यह शोध पत्र सिद्ध करता है कि जबकि अनकन्स्ट्रेंड नेटवर्क टर्बुलेंस के "औसत" व्यवहार की नकल कर सकते हैं, वे बिना सममिति प्रतिबंधों के सही सांख्यिकीय टोपोलॉजी (वेलोसिटी ग्रेडिएंट वितरण) को पुनरुत्पादित करने में विफल रहते हैं।
व्यावहारिक विकल्प के रूप में TBNN: उन LES अनुप्रयोगों के लिए जिनमें सममिति संरक्षण और कम्प्यूटेशनल दक्षता दोनों की आवश्यकता है, TBNN बेहतर है। यह G-conv की तुलना में कम कम्प्यूटेशनल ओवरहेड के साथ समान सटीकता प्रदान करता है क्योंकि यह सममिति को इनपुट/आउटपुट फॉर्मूलेशन (टेंसर बेसिस) के माध्यम से लागू करता है।
भविष्य की दिशाएं: लेखक नोट करते हैं कि वर्तमान डेटा-संचालित मॉडलों में रेनॉल्ड्स नंबर इनवेरिएंस की कमी है (वे एकल Re पर प्रशिक्षित हैं)। सममिति-संरक्षण मॉडल फंक्शन स्पेस को कम करके अनदेखे रेनॉल्ड्स नंबरों तक बेहतर सामान्यीकरण प्रदान कर सकते हैं। इसके अतिरिक्त, एनिसोट्रोपिक प्रवाहों (जहाँ पूर्ण रोटेशनल इक्विवेरिएंस भौतिक रूप से उपयुक्त नहीं हो सकती है) तक विस्तार करना और स्थानिक संदर्भ (स्पेशियल कॉन्टेक्स्ट) को शामिल करना अगले महत्वपूर्ण कदम हैं।

संक्षेप में, यह शोध पत्र स्थापित करता है कि डेटा-संचालित LES क्लोजर के लिए सममिति को लागू करना भौतिक निष्ठा (physical fidelity) के लिए महत्वपूर्ण है, और टेंसर-बेसिस न्यूरल नेटवर्क इन बाधाओं को लागू करने के लिए सबसे कुशल और प्रभावी मार्ग प्रदान करते हैं।