Behavioral Heterogeneity as Quantum-Inspired Representation

यहाँ मोहम्मद एलयान और विसाम कोंटार के शोध पत्र "Behavioral Heterogeneity as Quantum-Inspired Representation" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

ड्राइविंग व्यवहार के वर्तमान मॉडल अक्सर व्यवहार संबंधी विषमता (behavioral heterogeneity) की वास्तविक प्रकृति को पकड़ने में विफल रहते हैं। पारंपरिक दृष्टिकोण दो मुख्य सीमाओं से ग्रस्त हैं:

• स्थिर वर्गीकरण (Static Categorization): ड्राइवरों को आमतौर पर निश्चित, असतत लेबल (जैसे, "आक्रामक" या "डरपोक") दिए जाते हैं। यह इस वास्तविकता की अनदेखी करता है कि मानव व्यवहार गतिशील होता है, जो संदर्भ और आंतरिक स्थिति के आधार पर मोड के बीच परिवर्तित होता रहता है।
• संक्रमण तर्क की हानि (Loss of Transition Logic): व्यवहार को नियतात्मक श्रेणियों में समेटकर, मौजूदा मॉडल उस जानकारी को भी त्याग देते हैं जो स्वयं संक्रमण प्रक्रिया (transition process) में निहित होती है।
• मिश्रित यातायात के लिए अपर्याप्त प्रतिनिधित्व: जैसे-जैसे स्वायत्त वाहन (AVs) और मानव-चालित वाहन (HDVs) सड़क साझा कर रहे हैं, मानव व्यवहार में परिवर्तनशीलता अस्थिरता का एक महत्वपूर्ण स्रोत बन जाती है। वर्तमान भौतिकी-आधारित या "एक-मॉडल-सभी-के-लिए" डेटा-संचालित दृष्टिकोण, सुरक्षित मिश्रित-यातायात प्रणालियों के लिए आवश्यक जटिल, संदर्भ-निर्भर ड्राइवर अवस्थाओं के विकास को पर्याप्त रूप से मॉडल नहीं कर सकते।

2. कार्यप्रणाली: क्वांटम-प्रेरित ढांचा (Methodology: Quantum-Inspired Framework)

लेखक एक अभिनव ढांचा प्रस्तावित करते हैं जो प्रत्येक ड्राइवर को एक स्थिर लेबल के रूप में नहीं, बल्कि एक डेंसिटी मैट्रिक्स (density matrix) द्वारा प्रतिनिधित्व किए जाने वाले विकसित होने वाले गुप्त अवस्था (evolving latent state) के रूप में मॉडल करता है। यह दृष्टिकोण अनिश्चितता और व्यवहारिक अवस्थाओं के सुपरपोजिशन (superposition) को संभालने के लिए क्वांटम यांत्रिकी के संरचनात्मक सिद्धांतों से उधार लेता है।

A. क्वांटम-प्रेरित मानदंड (Quantum-Inspired Criteria)

यह ढांचा "क्वांटम-प्रेरित" माने जाने के लिए तीन संरचनात्मक शर्तों को पूरा करता है:

1. हिल्बर्ट स्पेस एनकोडिंग (Hilbert Space Encoding): डेटा को उच्च-आयामी फीचर स्पेस में सामान्यीकृत अवस्थाओं (normalized states) के रूप में एनकोड किया जाता है।
2. बॉर्न रूल मेजरमेंट (Born Rule Measurement): भविष्यवाणियाँ द्विघाती मापन नियमों (quadratic measurement rules) का उपयोग करके की जाती हैं।
3. डेंसिटी मैट्रिक्स प्रतिनिधित्व (Density Matrix Representation): अनिश्चितता और मिश्रित अवस्थाओं को वैध डेंसिटी मैट्रिसेस (जो सममित, धनात्मक अर्ध-निश्चित और ट्रेस-सामान्यीकृत हैं) द्वारा दर्शाया जाता है।

B. तकनीकी घटक (Technical Components)

1. गैररेखीय फीचर मैपिंग (Random Fourier Features - RFF):

   • इनपुट: एक न्यूनतम व्यवहारिक वेक्टर $x_{it} = [\Delta v, a, h]^\top$ (सापेक्ष गति, त्वरण, हेडवे)।
   • रूपांतरण: उच्च-क्रम पदों को मैन्युअल रूप से इंजीनियर करने के बजाय, लेखक $x_{it}$ को उच्च-आयामी गैररेखीय स्थान $\phi(x)$ में मैप करने के लिए RFF का उपयोग करते हैं।
   • सामान्यीकरण: फीचर्स को द्विघाती रूपों (quadratic forms) के माध्यम से संभाव्य व्याख्या की अनुमति देने के लिए सामान्यीकृत किया जाता है।

2. व्यवहार प्रोफाइल के रूप में डेंसिटी मैट्रिसेस (Behavioral Profiles as Density Matrices):

   • मॉडल $K$ गुप्त व्यवहारिक प्रोफाइल मानता है। प्रत्येक प्रोफाइल $k$ एक डेंसिटी मैट्रिक्स $\rho_k \in \mathbb{R}^{D \times D}$ है।
   • संरचना: विकर्ण प्रविष्टियाँ (diagonal entries) व्यक्तिगत गैररेखीय फीचर्स के महत्व का प्रतिनिधित्व करती हैं; ऑफ-डायगोनल प्रविष्टियाँ फीचर्स के बीच अंतःक्रिया (coupling) को एनकोड करती हैं।
   • लचीलापन: असतत प्रकारों के विपरीत, एक डेंसिटी मैट्रिक्स "मिश्रित" अवस्थाओं की अनुमति देता है, जो एकल प्रोफाइल के भीतर संक्रमणकालीन व्यवहारों को कैप्चर करता है।

3. संदर्भ सक्रियण और अवस्था विकास (Contextual Activation and State Evolution):

   • संदर्भ वेक्टर ($c_{it}$): इसमें यातायात घनत्व, औसत गति और पैदल यात्रियों/स्टॉप साइन की निकटता शामिल है।
   • सक्रियण भार (Activation Weights): संदर्भ, सीखे गए गुणांकों $\beta_k$ पर सॉफ्टमैक्स फंक्शन का उपयोग करके एक विशिष्ट प्रोफाइल $k$ को सक्रिय करने की संभावना $\pi_k(c_{it})$ निर्धारित करता है।
   • अवस्था अपडेट: ड्राइवर की वर्तमान अवस्था $\rho_i(t)$ का मिश्रण है:
     • निरंतरता (Persistence): पिछला राज्य $(1-\alpha)\rho_i(t-1)$।
     • संदर्भ मिश्रण (Contextual Mixture): वर्तमान संदर्भ के आधार पर जनसंख्या प्रोफाइल का एक भारित योग।
     • अवलोकन सुधार (Observation Correction): बॉर्न नियम के अनुरूप एक द्विघाती संभावना का उपयोग करके एक अपडेट चरण जिसमें वास्तविक देखा गया व्यवहार शामिल है: $p(x_{it} | \rho) = \tilde{\phi}(x_{it})^\top \rho \tilde{\phi}(x_{it})$।

4. अनुमान (Estimation):

   • पैरामीटर्स (प्रोफाइल $\rho_k$, संदर्भ गुणांक $\beta_k$, और विकास स्केलर $\alpha, \eta$) को ऑटोमैटिक डिफरेंशिएशन (PyTorch) का उपयोग करके नेगेटिव लॉग-लाइक्लीहुड को कम करके अनुमानित किया जाता है।
   • यह परिमित अंतर विधियों (finite difference methods) की तुलना में कम्प्यूटेशनल रूप से कुशल ($O(1)$ ग्रेडिएंट लागत) है।

3. प्रमुख योगदान (Key Contributions)

• लेबल से अवस्था की ओर बदलाव: स्थिर ड्राइवर वर्गीकरण से हटकर निरंतर, विकसित होने वाली गुप्त अवस्था प्रतिनिधित्व की ओर बढ़ना।
• डेंसिटी मैट्रिक्स फॉर्मलिज्म: ड्राइविंग व्यवहार में डेंसिटी मैट्रिसेस को पेश करना, जो असतत रिजीम स्विचिंग को थोपे बिना अनिश्चितता, मिश्रित व्यवहारिक मोड और सुपरपोजिशन को स्वाभाविक रूप से प्रदर्शित करने की अनुमति देता है।
• संदर्भ-मॉड्यूलेटेड विकास: यह स्पष्ट रूप से मॉडल करता है कि पर्यावरणीय संदर्भ (यातायात घनत्व, बुनियादी ढांचा) किसी विशिष्ट व्यवहारिक पैटर्न को प्रदर्शित करने की संभावना को कैसे नियंत्रित करता है।
• ओपन-सोर्स पुनरुत्पादकता: लेखक TGSIM डेटासेट विश्लेषण के लिए GitHub पर एक पूर्ण ओपन-सोर्स कोडबेस प्रदान करते हैं।

4. परिणाम (TGSIM सिमुलेशन विश्लेषण)

इस ढांचे का मूल्यांकन थर्ड जनरेशन सिमुलेशन (TGSIM) डेटासेट पर किया गया, जिसमें शहरी (Foggy Bottom) और फ्रीवे (I-395) वातावरण से 3.2 मिलियन से अधिक अवलोकन शामिल हैं।

• इष्टतम प्रोफाइल संख्या: विश्लेषण ने निर्धारित किया कि $K=4$ गुप्त प्रोफाइल फिट और सरलता के बीच सबसे अच्छा संतुलन प्रदान करते हैं।
• स्पेक्ट्रल संरचना (Spectral Structure):
  • तीन प्रोफाइल (1, 2, 4) रैंक-1 संरचनाओं की ओर अभिसरित (converge) हुए, जो इंगित करते हैं कि वे एकल, प्रमुख व्यवहारिक मोड का प्रतिनिधित्व करते हैं।
  • प्रोफाइल 3 ने एक बहु-मोडल संरचना (दो महत्वपूर्ण आइजनवैल्यू) प्रदर्शित की, जो एक ऐसे शासन (regime) का प्रतिनिधित्व करती है जहाँ ड्राइवर दो अलग-अलग व्यवहारों (जैसे, नियंत्रित प्रगति बनाम आक्रामक अनुगमन) के संभाव्य मिश्रण को प्रदर्शित करते हैं।
• संदर्भ सक्रियण (Contextual Activation):
  • प्रोफाइल 1: कम घनत्व, मुक्त-प्रवाह की स्थितियों में सक्रिय होता है (बड़ा हेडवे, तटस्थ त्वरण)।
  • प्रोफाइल 2: घने, गहन इंटरैक्शन वाले शहरी वातावरण में सक्रिय होता है (छोटा हेडवे, पैदल यात्रियों/स्टॉप के प्रति संवेदनशीलता)।
  • प्रोफाइल 3: एक संक्रमणकालीन शासन है जिसमें संदर्भ विशिष्टता कमजोर है, जो मध्यम रूप से बाधित प्रवाह में सक्रिय होता है।
  • प्रोफाइल 4: उत्तरदायी अनुगमन (responsive following), जो गति रिकवरी (ऋणात्मक सापेक्ष गति, धनात्मक त्वरण) द्वारा विशेषता है।
• ज्यामितीय पृथक्करण (Geometric Separation): युग्मवार फ्रोबेनियस दूरियों (pairwise Frobenius distances) ने पुष्टि की कि सीखे गए प्रोफाइल फीचर स्पेस में अलग-अलग क्षेत्रों में स्थित हैं, जो यह प्रमाणित करता है कि मॉडल ने सफलतापूर्वक अलग-अलग इंटरैक्शन रिजीम को अलग किया है।

5. महत्व और भविष्य का कार्य (Significance and Future Work)

• व्याख्यात्मकता (Interpretability): यह मॉडल केवल यह बताने के बजाय कि व्यवहार क्या है, बल्कि यह व्याख्या करने का एक गणितीय रूप से कठोर तरीका प्रदान करता है कि व्यवहार कैसे और क्यों बदलता है।
• मिश्रित यातायात सुरक्षा: व्यवहारिक संक्रमण के तर्क को कैप्चर करके, यह ढांचा एजेंटों (AVs) को मिश्रित यातायात में मानव परिवर्तनशीलता का पूर्वानुमान लगाने के लिए प्रशिक्षित करने हेतु बेहतर अनुकूल है, जिससे संभावित रूप से सिस्टम स्थिरता और क्षमता में सुधार होता है।
• सीमाएँ और भविष्य की दिशाएँ:
  • वर्तमान मॉडल अनुदैर्ध्य (longitudinal) व्यवहार पर केंद्रित है; भविष्य के कार्यों में पार्श्व (lateral) गतिकी को शामिल किया जाना चाहिए।
  • संदर्भ परिभाषाएँ वर्तमान में मैन्युअल हैं; भविष्य के संस्करण अधिक लचीले संदर्भ मैपिंग को सीख सकते हैं।
  • यह सत्यापित करने के लिए और अधिक परीक्षण की आवश्यकता है कि कैसे ये विकसित होने वाली अवस्थाएं क्षमता ड्रॉप और स्थिरता जैसे सिस्टम-स्तरीय परिणामों के पूर्वानुमान में सुधार करती हैं।

संक्षेप में, यह शोध पत्र यातायात मॉडलिंग में एक प्रतिमान परिवर्तन (paradigm shift) प्रस्तुत करता है, जो ड्राइवर की विषमता को एक स्थिर लेबल के रूप में नहीं, बल्कि एक गतिशील, क्वांटम-प्रेरित अवस्था के रूप में मानता है जो पर्यावरणीय संदर्भ के जवाब में निरंतर विकसित होती है।