🔢 mathematics

Backward problem for a degenerate viscous Hamilton-Jacobi equation: stability and numerical identification

यह शोध पत्र कारलेमन अनुमानों (Carleman estimates) और रैखिकीकरण (linearization) का उपयोग करके सामान्य गैर-द्विघाती हैमिल्टोनियन वाले डिजेनरेट विस्कस हैमिल्टन-जैकबी समीकरणों की पश्चवर्ती समस्या (backward problem) के लिए सप्रतिबंध स्थिरता स्थापित करता है, और एडजॉइंट स्टेट विधि और वैन सिटरट पुनरावृत्ति पर आधारित संख्यात्मक पहचान एल्गोरिदम प्रस्तावित करता है, जिसे संख्यात्मक परीक्षणों द्वारा सत्यापित किया गया है।

मूल लेखक: S. E. Chorfi, A. Habbal, M. Jahid, L. Maniar, A. Ratnani

प्रकाशित 2026-03-11

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: S. E. Chorfi, A. Habbal, M. Jahid, L. Maniar, A. Ratnani

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 जासूस हैं जो एक रहस्य सुलझाने की कोशिश कर रहे हैं, लेकिन आपके पास केवल घटना के बाद ली गई अपराध स्थल की फोटो है। आपका काम यह पता लगाना है कि घटना शुरू होने से पहले वह दृश्य कैसा दिखता था। गणित और भौतिकी की दुनिया में, इसे एक बैकवर्ड प्रॉब्लम (Backward Problem) कहा जाता है।

यह शोध पत्र डिजेनरेट विस्कस हैमिल्टन-जकोबी समीकरणों (Degenerate Viscous Hamilton-Jacobi Equations) से जुड़े एक बहुत ही विशिष्ट और कठिन संस्करण को संबोधित करता है। यह सुनने में काफी जटिल लग सकता है, तो आइए इसे कुछ रोज़मर्रा के उदाहरणों से समझते हैं।

परिवेश: एक धुंधली, चिपचिपी सड़क

कल्पना कीजिए कि एक कार सड़क पर चल रही है।

कार: यह किसी सिस्टम की "अवस्था" (जैसे तापमान, जनसंख्या, या कोई वित्तीय संपत्ति) का प्रतिनिधित्व करती है।
सड़क: यह समय और स्थान का प्रतिनिधित्व करती है।
विस्कोसिटी (घर्षण/Viscosity): सड़क चिपचिपी है। चीजें केवल फिसलती नहीं हैं; वे समय के साथ आपस में जुड़ती हैं और सुचारू हो जाती हैं।
डिजेनरेट डिफ्यूजन (Degenerate Diffusion): यह सबसे कठिन हिस्सा है। सड़क के कुछ हिस्सों में घर्षण पूरी तरह से गायब हो जाता है (यह बर्फ जैसा हो जाता है), और कुछ हिस्सों में यह बहुत अधिक चिपचिपा होता है। सड़क के बिल्कुल किनारों पर, सड़क खुद ही गायब हो जाती है। यह कार की गति के भौतिक विज्ञान को बहुत अप्रत्याशित और गणना करने में कठिन बना देता है।

रहस्य: टेप को रिवाइंड करना

आमतौर पर, वैज्ञानिक फॉरवर्ड प्रॉब्लम्स (Forward Problems) में कुशल होते हैं: "यदि मैं यहाँ से इस गति के साथ शुरू करता हूँ, तो 10 मिनट में कार कहाँ होगी?"
यह शोध पत्र बैकवर्ड प्रॉब्लम (Backward Problem) के बारे में है: "मैं देखता हूँ कि कार 10 मिनट के निशान पर यहाँ रुकी हुई है। यह ठीक कहाँ से शुरू हुई थी, और इसकी गति कितनी थी?"

क्योंकि सड़क "डिजेनरेट" (किनारों पर गायब होने वाली) और "चिपचिपी" है, इसलिए गणित को बस उल्टा करने से काम नहीं चलता। यह एक कप कॉफी और दूध को मिलाने के बाद उन्हें वापस अलग करने की कोशिश करने जैसा है; एक बार जब वे मिल जाते हैं, तो आप उन्हें आसानी से अलग नहीं कर सकते। आपके अंतिम अवलोकन (जैसे एक धुंधली फोटो) में छोटी सी त्रुटि भी आपके शुरुआती बिंदु के बारे में बहुत बड़े और अजीब अनुमानों की ओर ले जा सकती है। इसे इल-पोज़्ड प्रॉब्लम (Ill-Posed Problem) कहा जाता है।

शोध पत्र के दो मुख्य लक्ष्य

1. सैद्धांतिक जासूसी कार्य (स्थिरता/Stability)

सबसे पहले, लेखकों ने यह सिद्ध करना चाहा कि यह रहस्य सुलझाया जा सकता है, बशर्ते हमारे पास कुछ अतिरिक्त सुराग हों।

उपकरण: उन्होंने कैरलियन एस्टीमेट्स (Carleman Estimates) नामक एक विशेष उपकरण का उपयोग किया। इसे "गणितीय नाइट-विज़न गॉगल्स" (रात में देखने वाले चश्मे) के रूप में सोचें। भले ही सड़क धुंधली हो और किनारे गायब हो रहे हों, ये चश्मे गणितज्ञों को पर्याप्त संरचना देखने की अनुमति देते हैं जिससे यह सिद्ध हो सके कि शुरुआती बिंदु अद्वितीय और स्थिर है, यदि हमें पता हो कि कार असंभव रूप से तेज़ नहीं चल रही थी।
परिणाम: उन्होंने सिद्ध किया कि यदि आप अंतिम अवस्था को पर्याप्त सटीकता के साथ जानते हैं, तो आप गणितीय रूप से गारंटी दे सकते हैं कि प्रारंभिक अवस्था सत्य के "करीब" है। उन्होंने यह सरल (रैखिक/linear) और जटिल (गैर-रैखिक/non-linear) दोनों मामलों के लिए किया, जहाँ कार का व्यवहार उसकी गति के आधार पर बदल जाता है।

2. संख्यात्मक पुनर्निर्माण (उत्तर खोजना)

यह सिद्ध करना एक बात है; वास्तव में कंप्यूटर पर उत्तर खोजना दूसरी बात है। चूंकि समस्या अस्थिर है, इसलिए एक कंप्यूटर शोर (मापन त्रुटियों) के थोड़े से अंश से भी भ्रमित हो जाएगा।

लेखकों ने इसे हल करने के लिए दो अलग-अलग "एल्गोरिदम" (कंप्यूटर के लिए रेसिपी) विकसित किए:

सरल मामले (रैखिक/Linear) के लिए: "कंजुगेट ग्रेडिएंट" (Conjugate Gradient) विधि।
- उदाहरण: कल्पना कीजिए कि आप एक अंधेरे कमरे में लाइट स्विच खोजने की कोशिश कर रहे हैं। आप दीवार को महसूस करते हैं, एक कदम लेते हैं, फिर से महसूस करते हैं, और अपने दिशा को स्विच के करीब होने के आधार पर समायोजित करते हैं। यह विधि एक अनुमान लेती है, जाँच करती है कि वह कितनी गलत है, और फिर विपरीत दिशा में एक स्मार्ट कदम उठाती है। यह तब तक दोहराती रहती है जब तक कि वह स्विच न ढूंढ ले।
- सफलता: शोध पत्र दिखाता है कि यह बहुत अच्छी तरह से काम करता है, भले ही अंतिम डेटा में थोड़ा सा 'स्टैटिक' (शोर) हो।
जटिल मामले (गैर-रैखिक/Non-Linear) के लिए: "वैन सिटरट इटरेशन" (Van Cittert Iteration)।
- उदाहरण: यह पुराने ज़माने की फोटो बहाली (photo restoration) तकनीक की तरह है। आप एक धुंधली फोटो लेते हैं, अनुमान लगाते हैं कि मूल क्या था, और फिर अपने अनुमान की तुलना धुंधली फोटो से करते हैं ताकि देखा जा सके कि क्या गायब है। आप उस गायब हिस्से को अपने अनुमान में जोड़ते हैं और फिर से प्रयास करते हैं।
- सावधानी: यदि आप इसे बहुत अधिक बार करते हैं, तो कंप्यूटर "भ्रमित" (hallucinating) होने लगता है और उन विवरणों का आविष्कार करने लगता है जो वहां हैं ही नहीं क्योंकि वे शोर के कारण पैदा हुए हैं।
- समाधान: लेखकों ने एक "स्वीट स्पॉट" (सही बिंदु) खोजा। वे प्रक्रिया को ठीक उसी समय रोक देते हैं जब कंप्यूटर भ्रमित होना शुरू होने वाला होता है। इसे अर्ली स्टॉपिंग (Early Stopping) कहा जाता है। यह वीडियो को रिवाइंड करने को ठीक उसी समय रोकने जैसा है जब चित्र दानेदार (grainy) होने लगे।

यह क्यों महत्वपूर्ण है?

आप सोच सकते हैं, "गायब होती सड़क पर कार की किसे परवाह है?"
वास्तव में, ये समीकरण वास्तविक दुनिया की घटनाओं का मॉडल हैं:

वित्त (Finance): शेयर बाजार के जम जाने पर स्टॉक की कीमतों का व्यवहार।
जीव विज्ञान (Biology): जनसंख्या में जीन कैसे फैलते हैं (राइट-फिशर मॉडल)।
भौतिकी (Physics): सतहें कैसे बढ़ती हैं या रेत के ढेर कैसे खिसकते हैं।
गेम थ्योरी (Game Theory): कैसे हजारों लोग एक साथ निर्णय लेते हैं।

निष्कर्ष

यह शोध पत्र गणितीय जासूसी कार्य की सफलता की कहानी है।

उन्होंने सिद्ध किया कि सबसे अराजक, "गायब होने वाले" वातावरण में भी, आप समय को पीछे ले जाकर शुरुआत का पता लगा सकते हैं।
उन्होंने वास्तव में समय को पीछे ले जाने के लिए मजबूत कंप्यूटर उपकरण बनाए, भले ही डेटा अव्यवस्थित हो।
उन्होंने दिखाया कि जटिल, गैर-रैखिक समस्याओं के लिए, यह जानना कि कब रुकना है उतना ही महत्वपूर्ण है जितना कि यह जानना कि गणना कैसे करनी है।

संक्षेप में: उन्होंने कॉफी को वापस मिलाने का तरीका निकाल लिया है, बशर्ते आपके पास बहुत तेज़ नज़र हो और आपको पता हो कि कब रुकना है।

यहाँ शोध पत्र "Backward Problem for a Degenerate Viscous Hamilton-Jacobi Equation: Stability and Numerical Identification" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र एक आयामी (one-dimensional) डीजेनरेट विस्कस हैमिल्टन-जैकोबी (VHJ) समीकरण के बैकवर्ड प्रॉब्लम को संबोधित करता है। इसका लक्ष्य अंतिम-समय के मापन डेटा $u(\cdot, T)$ से अज्ञात प्रारंभिक अवस्था $u(\cdot, t_0)$ (विशेष रूप से $t_0=0$ या मध्यवर्ती समय) को पुनः प्राप्त करना है।

नियंत्रित समीकरण इस प्रकार है:
$\begin{cases} u_t - a(x)u_{xx} + \frac{1}{q}|u_x|^q + \text{lower order terms} = 0, & (x,t) \in (0,1) \times (0,T) \\ u(0,t) = u(1,t) = 0, & t \in (0,T) \\ u(x,0) = f(x), & x \in (0,1) \end{cases}$
मुख्य विशेषताएँ:

डीजेनेरेसी (Degeneracy): डिफ्यूजन गुणांक $a(x)$ सीमाओं पर शून्य हो जाता है ( $a(0)=a(1)=0$ ) लेकिन आंतरिक भाग में धनात्मक रहता है। इससे नियमितता (regularity) की कमी आती है और यह समस्या 'इल-पोज़्ड' (ill-posed) हो जाती है।
गैर-रैखिकता (Nonlinearity): हैमिल्टोनियन पद में एक सामान्य घात $q \geq 1$ शामिल है, जो केवल द्विघात मामले ( $q=2$ ) तक सीमित नहीं है।
इल-पोज़्डनेस (Ill-posedness): अंतिम डेटा में छोटे परिवर्तन पुनर्गठित प्रारंभिक डेटा में बड़े त्रुटियों का कारण बन सकते हैं।

2. कार्यप्रणाली (Methodology)

लेखक सैद्धांतिक विश्लेषण और संख्यात्मक एल्गोरिदम को संयोजित करने वाला एक दोहरी दृष्टिकोण अपनाते हैं।

A. सैद्धांतिक विश्लेषण (स्थिरता/Stability)

मुख्य सैद्धांतिक उपकरण कारलेमैन अनुमान (Carulean estimate) है, जो रिवर्स समस्याओं के लिए स्थिरता अनुमान प्राप्त करने हेतु उपयोग किया जाने वाला एक भारित इंटीग्रल असमानता (weighted integral inequality) है।

रैखिक मामला (Linear Case): लेखक पहले रैखिक डीजेनरेट पैराबोलिक ऑपरेटर $L u = u_t - a(x)u_{xx}$ के लिए नॉन-डाइवर्जेंस सेटिंग में एक नया कारलेमैन अनुमान स्थापित करते हैं। वे बैकवर्ड प्रकृति को संभालने के लिए एक विशिष्ट वेट फंक्शन $\phi(t) = e^{\lambda t}$ (स्थान से स्वतंत्र) का उपयोग करते हैं।
गैर-रैखिक मामला (Nonlinear Case): एक रैखिकीकरण तकनीक (linearization technique) का उपयोग करके, वे गैर-रैखिक VHJ समीकरण के लिए स्थिरता परिणामों को विस्तारित करते हैं। वे दो समाधानों के बीच का अंतर $y = u - v$ परिभाषित करते हैं और गैर-रैखिक पदों को लोअर-ऑर्डर व्यवधान (perturbations) के रूप में मानते हैं, बशर्ते कि ग्रेडिएंट और गुणांकों पर कुछ सीमाएँ पूरी हों।
स्थिरता के प्रकार:
- होल्डर स्थिरता (Hölder Stability): मध्यवर्ती समय $t_0 \in (0, T)$ पर अवस्थाओं को पुनः प्राप्त करने के लिए सिद्ध की गई।
- लॉगारिदमिक स्थिरता (Logarithmic Stability): प्रारंभिक अवस्था $t_0 = 0$ को पुनः प्राप्त करने के लिए सिद्ध की गई।

B. संख्यात्मक पहचान (Numerical Identification)

शोध पत्र व्युत्क्रम डेटा (inverse data) से जुड़े न्यूनीकरण (minimization) समस्या को हल करने के लिए रैखिक और गैर-रैखिक मामलों के लिए अलग-अलग एल्गोरिदम प्रस्तावित करता है।

रैखिक मामला (Adjoint State Method + Conjugate Gradient):
- इसे टिखोनोव फंक्शनल (Tikhonov functional) $J(f) = \frac{1}{2}\|u(T; f) - u_T^\delta\|^2 + \frac{\epsilon}{2}\|f\|^2$ के न्यूनीकरण के रूप में तैयार किया गया है।
- फंक्शनल का फ्रेचेट डेरिवेटिव (Fréchet derivative) एक एडजॉइंट स्टेट $\psi$ का उपयोग करके प्राप्त किया जाता है, जो एक बैकवर्ड पैराबोलिक समीकरण को हल करता है।
- प्रारंभिक अनुमान $f$ को पुनरावृत्त रूप से अपडेट करने के लिए कंजुगेट ग्रेडिएंट (CG) एल्गोरिदम का उपयोग किया जाता है।
- स्टॉपिंग क्राइटेरियन (Stopping Criterion): विसंगति सिद्धांत (discrepency principle) का उपयोग तब तक पुनरावृत्तियों को रोकने के लिए किया जाता है जब तक कि अवशेष त्रुटि (residual error) शोर स्तर (noise level) के बराबर न हो जाए, जिससे ओवरफिटिंग को रोका जा सके।
गैर-रैखिक मामला (Van Cittert Iteration):
- गैर-रैखिक हैमिल्टोनियन की जटिलता के कारण, एडजॉइंट विधि को वैन सिटरट इटरेशन (Van Cittert iteration) द्वारा प्रतिस्थापित किया जाता है, जो एक सरल फिक्स्ड-पॉइंट इटरेशन विधि है जिसका उपयोग अक्सर इमेज रिकंस्ट्रक्शन में किया जाता है।
- अपडेट नियम है: $f_{n+1} = f_n + \gamma (u_T^\delta - \Psi(f_n))$ , जहाँ $\Psi$ फॉरवर्ड ऑपरेटर है और $\gamma$ एक रिलैक्सेशन पैरामीटर है।
- नियमितीकरण (Regularization): अर्ली स्टॉपिंग (Early stopping) के माध्यम से प्राप्त किया जाता है। पुनरावृत्ति तब रुक जाती है जब अवशेष त्रुटि शोर थ्रेशोल्ड से नीचे गिर जाती है, जिससे इल-पोज़्ड समस्याओं में विशिष्ट शोर प्रवर्धन (noise amplification) से बचा जा सके।
- फॉरवर्ड समस्या (गैर-रैखिक PDE) को गैर-रैखिकता को संभालने के लिए न्यूटन विधि के साथ क्रैंक-निकोल्सन विवेकीकरण (Crank-Nicolson discretization) का उपयोग करके संख्यात्मक रूप से हल किया जाता है।

3. मुख्य योगदान (Key Contributions)

डीजेनरेट VHJ के लिए सामान्यीकृत स्थिरता:
- यह शोध पत्र एक सामान्य हैमिल्टोनियन ( $q \geq 1$ ) के लिए एक डीजेनरेट सेटिंग में सशर्त स्थिरता (होल्डर और लॉगरिदमिक) को सिद्ध करता है। पिछला साहित्य अक्सर $q=2$ या गैर-डीजेनरेट मामलों तक ही सीमित था।
- कारलेमैन अनुमान को बाउंड्री डीजेनेरेसी वाले नॉन-डाइवर्जेंस फॉर्म ऑपरेटरों के लिए अनुकूलित किया गया है।
नवीन संख्यात्मक ढांचा (Novel Numerical Framework):
- गैर-रैखिक डीजेनरेट VHJ समीकरणों के बैकवर्ड पहचान के लिए वैन सिटरट इटरेशन का परिचय। यह अत्यधिक गैर-रैखिक समस्याओं के लिए एडजॉइंट स्टेट विधि के एक कम्प्यूटेशनल रूप से सरल विकल्प के रूप में कार्य करता है।
- शोर युक्त डेटा को संभालने के लिए विसंगति सिद्धांत (discrepancy principle) का कठोर कार्यान्वयन।
संख्यात्मक विधियों के लिए सैद्धांतिक आधार:
- टिखोनोव फंक्शनल की फ्रेचेट विभेद्यता (Fréchet differentiability) और इसके ग्रेडिएंट की लिप्सचिट्ज निरंतरता (Lipschitz continuity) का प्रमाण, जो रैखिक मामले के लिए कंजुगेट ग्रेडिएंट विधि की अभिसरण (convergence) सुनिश्चित करता है।
- नियमितकृत समस्या के क्वाजी-समाधान (quasi-solution) की अस्तित्व और विशिष्टता की स्थापना।

4. संख्यात्मक परिणाम (Numerical Results)

लेखकों ने अपने एल्गोरिदम को मान्य करने के लिए व्यापक संख्यात्मक प्रयोग किए:

रैखिक प्रयोग (CG विधि):
- स्मूथ और खंडित (piecewise discontinuous) प्रारंभिक डेटा पर परीक्षण किया गया।
- परिणाम दर्शाते हैं कि एल्गोरिदम तेजी से अभिसरित होता है।
- शोर मजबूती (Noise Robustness): जैसे-जैसे शोर का स्तर बढ़ा (0% से 5%), त्रुटि थोड़ी बढ़ी, लेकिन विसंगति सिद्धांत के कारण पुनरावृत्तियों की संख्या स्वतः कम हो गई, जिससे शोर प्रवर्धन प्रभावी रूप से रुक गया।
- फंक्शनल $J(f)$ मोनोटोनिक रूप से घटा, जो अभिसरण की पुष्टि करता है।
गैर-रैखिक प्रयोग (Van Cittert विधि):
- $q=2$ और विशिष्ट डीजेनरेट गुणांकों के साथ परीक्षण किया गया।
- नियमितीकरण के बिना: जैसे ही पुनरावृत्तियाँ शोर स्तर के आगे बढ़ीं, समाधान अस्थिर हो गया और विचलन (diverge) करने लगा।
- अर्ली स्टॉपिंग के साथ: विधि ने उच्च सटीकता के साथ प्रारंभिक डेटा को सफलतापूर्वक पुनः प्राप्त किया। उदाहरण के लिए, 1% शोर के साथ, 10 पुनरावृत्तियों पर रुकने से सटीक समाधान के बहुत करीब का परिणाम मिला, जबकि 278 पुनरावृत्तियों तक चलाने पर परिणाम खराब रहा।
- विधि खंडित प्रारंभिक डेटा के लिए भी प्रभावी सिद्ध हुई।

5. महत्व और भविष्य की दिशाएं (Significance and Future Directions)

महत्व: यह कार्य गैर-रैखिक हैमिल्टन-जैकोबी समीकरणों के डीजेनरेट व्युत्क्रम समस्याओं के संबंध में साहित्य के अंतराल को भरता है। यह एक कठोर सैद्धांतिक आधार (स्थिरता) और व्यावहारिक कम्प्यूटेशनल उपकरण (एल्गोरिदम) प्रदान करता है, जो ऑप्टिमल कंट्रोल, मीन-फील्ड गेम्स और सरफेस ग्रोथ मॉडल के अनुप्रयोगों के लिए उपयोगी है जहाँ डिफ्यूजन सीमाओं पर शून्य हो जाता है।
सीमाएँ और भविष्य का कार्य:
- वर्तमान विश्लेषण 1D डोमेन तक सीमित है। कारलेमैन अनुमान और संख्यात्मक योजनाओं को बहु-आयामी (multi-dimensional) डोमेन ( $d \geq 2$ ) तक विस्तारित करना भविष्य के अनुसंधान के लिए एक बड़ी चुनौती है।
- स्थिरता परिणाम वर्तमान में $q \geq 1$ के लिए सीमित हैं। $0 < q < 1$ का मामला अभी भी खुला है।
- अध्ययन सीमा डीजेनेरेसी (boundary degeneracy) पर केंद्रित है; आंतरिक डीजेनेरेसी और न्यूमैन बाउंड्री कंडीशंस के लिए और अधिक जांच की आवश्यकता है।

संक्षेप में, यह शोध पत्र सफलतापूर्वक डीजेनरेट VHJ समीकरणों की सशर्त स्थिरता को स्थापित करता है और यह प्रदर्शित करता है कि उचित स्टॉपिंग क्राइटेरिया के साथ अनुकूलित इटरेटिव मेथड्स (रैखिक के लिए CG, गैर-रैखिक के लिए Van Cittert) का उपयोग करके कुशल और स्थिर संख्यात्मक पहचान संभव है।