🔢 mathematics

Data-driven discovery and control of multistable nonlinear systems and hysteresis via structured Neural ODEs

यह शोध पत्र एक न्यूनतम संरचित न्यूरल ऑर्डिनरी डिफरेंशियल इक्वेशन आर्किटेक्चर प्रस्तावित करता है जो एक संकुचन पद (contraction term) और एक निहित संतुलन मानचित्र (implicit equilibrium map) के साथ एक वेक्टर फील्ड सीखकर प्रक्षेपवक्र स्थिरता (trajectory stability) को लागू करता है और मल्टीस्टेबल नॉनलीनियर सिस्टम को पैरामीटराइज करता है, जिससे कुशल डेटा-संचालित खोज और ग्रेडिएंट-आधारित नियंत्रण सक्षम होता है।

मूल लेखक: Ike Griss Salas, Ethan King

प्रकाशित 2026-03-31

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ike Griss Salas, Ethan King

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 सरल भाषा और रचनात्मक उपमाओं का उपयोग करके शोध पत्र की व्याख्या दी गई है।

बड़ी समस्या: स्थिर प्रणालियों का "रहस्यमयी बॉक्स"

कल्पना कीजिए कि आप एक जटिल मशीन के काम करने के तरीके को समझने की कोशिश कर रहे हैं, जैसे कि एक कॉफी मेकर या थर्मोस्टेट। आप देख सकते हैं कि कौन से बटन दबाए जा रहे हैं (कंट्रोल इनपुट्स) और कॉफी का तापमान क्या है (स्टेट/अवस्था)।

कई इंजीनियरिंग प्रणालियों में, चीजें "स्थिर" होती हैं। यदि आप थर्मोस्टेट को 70°F पर सेट करते हैं, तो कमरा अंततः 70°F पर स्थिर हो जाता है और वहीं रहता है। यह नियंत्रण से बाहर नहीं होता (अराजकता) और न ही बेतहाशा झूलता है।

चुनौती: क्योंकि ये प्रणालियाँ इतनी स्थिर होती हैं और जल्दी शांत हो जाती हैं, वे आपको देखने के लिए बहुत अधिक "एक्शन" नहीं देतीं। यह वैसा ही है जैसे किसी को बेंच पर शांति से बैठे हुए देखकर यह अनुमान लगाने की कोशिश करना कि खेल के नियम क्या हैं। यदि आप उन्हें केवल थोड़े समय के लिए देखते हैं, तो आपको लग सकता है कि खेल खेलने के कई अलग-अलग तरीके हो सकते हैं, क्योंकि आपने पूरी तस्वीर नहीं देखी है। यह कंप्यूटर के लिए बहुत कम डेटा से सिस्टम के वास्तविक नियमों को सीखना बहुत कठिन बना देता है।

समाधान: एक "सुरक्षा जाल" के साथ "स्मार्ट मैप"

लेखक एक नया तरीका प्रस्तावित करते हैं जिससे कंप्यूटर (विशेष रूप से, एक प्रकार का AI जिसे Neural ODE कहा जाता है) इन प्रणालियों को सीख सके। AI को स्वतंत्र रूप से नियमों का अनुमान लगाने देने के बजाय (जिससे अक्सर गलत और अस्थिर अनुमान लगते हैं), वे AI को एक विशिष्ट प्रकार का "स्मार्ट मैप" बनाने के लिए मजबूर करते हैं।

वे सिस्टम के व्यवहार को दो भागों में तोड़ते हैं, जैसे कि एक GPS और एक ब्रेक:

जीपीएस (लक्ष्य $g$ ): AI का यह हिस्सा सीखता है कि सिस्टम कहाँ जाना चाहता है। यदि आप एक बटन दबाते हैं, तो सिस्टम कहाँ स्थिर होना चाहता है? यह "इक्विलिब्रियम" (संतुलन) है।
ब्रेक (खिंचाव $f$ ): AI का यह हिस्सा सीखता है कि सिस्टम वहाँ कितनी तेजी से पहुँचता है। लेखक इस हिस्से को हमेशा नकारात्मक (एक ब्रेक की तरह) रहने के लिए मजबूर करते हैं। यह गारंटी देता है कि जो कुछ भी हो, सिस्टम हमेशा लक्ष्य तक पहुँचने के लिए धीमा हो जाएगा और रुक जाएगा। यह AI को ऐसा मॉडल सीखने से रोकता है जो अनियंत्रित होकर फट जाए या पागल हो जाए।

उपमा: कल्पना कीजिए कि एक कटोरे में मार्बल (कंचा) लुढ़क रहा है।

कटोरे का आकार "जीपीएस" है। इसमें पहाड़ और घाटियाँ हैं। मार्बल घाटी के निचले हिस्से में लुढ़कना चाहता है।
घर्षण (Friction) "ब्रेक" है। यह सुनिश्चित करता है कि मार्बल हमेशा के लिए उछलता न रहे; यह अंततः रुक जाता है।
लेखकों की विधि AI को कटोरे के आकार और घर्षण की मात्रा को सीखने में मदद करती है, लेकिन यह घर्षण को हमेशा सकारात्मक बनाए रखती है ताकि मार्बल कभी मेज से बाहर न गिरे।

यह क्यों क्रांतिकारी है: "हिस्टेरेसिस" (Hysteresis) लूप

कुछ प्रणालियाँ पेचीदा होती हैं। उनमें मल्टीस्टेबिलिटी (Multistability) होती है, जिसका अर्थ है कि वे अपने इतिहास के आधार पर अलग-अलग जगहों पर स्थिर हो सकती हैं।

उपमा: एक लाइट स्विच के बारे में सोचें जो थोड़ा चिपचिपा (sticky) है।

यदि आप इसे ऊपर धकेलते हैं, तो यह 'ऑन' हो जाता है।
यदि आप इसे नीचे धकेलते हैं, तो यह 'ऑफ' हो जाता है।
लेकिन यदि आप इसे "ऑन" स्थिति से थोड़ा सा धकेलते हैं, तो यह तब तक बंद नहीं होगा जब तक कि आप इसे बहुत ज्यादा नीचे न धकेल दें।
इसे हिस्टेरेसिस (Hysteresis) कहा जाता है। वर्तमान अवस्था तक पहुँचने का रास्ता मायने रखता है।

अधिकांश AI मॉडल इसमें संघर्ष करते हैं क्योंकि वे इस "चिपचिपे" व्यवहार से भ्रमित हो जाते हैं। लेकिन क्योंकि लेखकों का "स्मार्ट मैप" स्पष्ट रूप से "लक्ष्य स्थान" को "पहुँचने की गति" से अलग करता है, इसलिए AI आसानी से कटोरे की विभिन्न घाटियों को देख सकता है। यह सीख सकता है कि "यदि आप बाईं ओर से आते हैं, तो लक्ष्य यहाँ है; यदि आप दाईं ओर से आते हैं, तो लक्ष्य वहाँ है।"

सुपरपावर: सिस्टम को नियंत्रित करना

एक बार जब AI ने यह "स्मार्ट मैप" सीख लिया, तो सिस्टम को नियंत्रित करना अविश्वसनीय रूप से आसान हो जाता है।

आमतौर पर, एक जटिल सिस्टम को नियंत्रित करना तूफान में जहाज को चलाने की कोशिश करने जैसा है, जहाँ आपको अंदाज़ा लगाना पड़ता है कि पहिया किस दिशा में घुमाना है। आपको भविष्य का अनुमान लगाना होता है, अंदाजा लगाना होता है और फिर सुधार करना होता है।

इस नई विधि के साथ, AI के पास एक सीधा नक्शा ( $g$ ) है जो उसे बताता है कि यदि वह एक विशिष्ट कंट्रोल सेट करता है, तो सिस्टम अंततः कहाँ समाप्त होगा।

लक्ष्य: "मैं चाहता हूँ कि कमरा 72°F हो।"
AI का काम: यह अपने नक्शे को देखता है, नक्शे पर उस स्थान को ढूँढता है जो कहता है "72°F", और बस उस बटन को दबाने की गणना करता है जो वहाँ पहुँचने के लिए आवश्यक है।
परिणाम: यह "चिपचिपे" हिस्टेरेसिस लूप के माध्यम से सिस्टम को बिना किसी प्रयास के निर्देशित कर सकता है, भले ही सिस्टम शोर (noisy) वाला हो या आपके पास सीखने के लिए बहुत कम डेटा हो।

वास्तविक दुनिया के उदाहरण जिनका उन्होंने परीक्षण किया

टीम ने यह साबित करने के लिए चार अलग-अलग परिदृश्यों पर परीक्षण किया कि यह काम करता है:

वॉटर टैंक (Water Tanks): दो जुड़े हुए टैंक जहाँ पानी अंदर आता है और बाहर जाता है। उन्होंने दिखाया कि AI सीख सकता है कि पानी का स्तर कैसे स्थिर होता है और फिर विशिष्ट जल स्तर प्राप्त करने के लिए पंपों को नियंत्रित कर सकता है।
सिमेट्रिक हिस्टेरेसिस (Symmetric Hysteresis): एक "टिपिंग पॉइंट" (जैसे जलवायु प्रणाली जो दो अवस्थाओं के बीच बदलती है) का गणितीय मॉडल। AI ने "चिपचिपे" व्यवहार को सीखा और बिना सिस्टम को तोड़े उसे टिपिंग पॉइंट के आर-पार धकेल सका।
बडवॉर्म जनसंख्या (Budworm Population): कीटों के प्रकोप का एक मॉडल। इन आबादी में अचानक विस्फोट या गिरावट आ सकती है। AI ने इन गिरावटों की भविष्यवाणी करना और आबादी को सुरक्षित रखने के लिए नियंत्रित करना सीखा।
जेनेटिक टॉगल स्विच (Genetic Toggle Switch): एक सिंथेटिक बायोलॉजी सिस्टम (जैसे कोशिका के भीतर एक लाइट स्विच)। यह बहुत जटिल है जिसमें कई चर (variables) होते हैं। AI ने सफलतापूर्वक जटिल "चिपचिपे" व्यवहार को सीखा और स्विच को विश्वसनीय रूप से ऑन और ऑफ कर सका।

निष्कर्ष

यह शोध पत्र एक "सुरक्षा-प्रथम" तरीका पेश करता है जिससे AI सीख सके कि स्थिर प्रणालियाँ कैसे काम करती हैं। एक ऐसा ढांचा बनाने के लिए जो यह गारंटी देता है कि सिस्टम अंततः स्थिर हो जाएगा (स्थिरता), उन्होंने "डेटा की कमी" की समस्या को हल कर दिया।

संक्षेप में: उन्होंने AI को प्रशिक्षण पहिए (training wheels) दिए जो कभी नहीं उतरते। यह AI को जटिल, "चिपचिपी" प्रणालियों को जल्दी सीखने और उन्हें ठीक वहीं ले जाने की अनुमति देता है जहाँ हम चाहते हैं, यहाँ तक कि सड़क के सबसे कठिन हिस्सों के माध्यम से भी।

यहाँ इके ग्रिस सालास और एथन किंग के शोध पत्र "Data-driven discovery and control of multistable nonlinear systems and hysteresis via structured Neural ODEs" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र उन एसिम्प्टोटिक रूप से स्थिर (asymptotically stable) गैर-रेखीय गतिशील प्रणालियों की पहचान और नियंत्रण की चुनौती को संबोधित करता है जो बहु-स्थिरता (multistability) (एकाधिक संतुलन बिंदु) और हिस्टेरेसिस (hysteresis) (इतिहास-निर्भर व्यवहार) प्रदर्शित करती हैं।

मुख्य कठिनाई: पारंपरिक सिस्टम आइडेंटिफिकेशन अक्सर गैर-अराजक (non-chaotic) प्रणालियों के लिए विफल हो जाता है। क्योंकि स्थिर गतिकी (stable dynamics) संतुलन की ओर तेजी से अभिसरित (converge) होती है, वे सीमित उत्तेजना (डेटा विविधता) प्रदान करती हैं, जिससे शासी समीकरणों (governing equations) की खोज करने की उलटी समस्या (inverse problem) इल-पोज़्ड (ill-posed) और गैर-अद्वितीय हो जाती है।
नियंत्रण की चुनौती: ऐसी प्रणालियों को नियंत्रित करना कठिन है क्योंकि मानक फीडबैक नीतियां बाइफर्केशन (bifurcations) (टिपिंग पॉइंट्स) और हिस्टेरेसिस लूप्स के माध्यम से नेविगेट करने में संघर्ष करती हैं, जहाँ सिस्टम की स्थिति नियंत्रण इनपुट के इतिहास पर निर्भर करती है।
अंतराल (The Gap): मौजूदा न्यूरल ऑर्डिनरी डिफरेंशियल इक्वेशन (NODE) फ्रेमवर्क में अक्सर संरचनात्मक बाधाओं (structural constraints) का अभाव होता है जो स्थिरता की गारंटी दे सकें, या वे व्यापक, दीर्घकालिक डेटा के बिना कई अट्रैक्टर्स (attractors) को कैप्चर करने में विफल रहते हैं।

2. कार्यप्रणाली (Methodology)

लेखक एक न्यूनतम-संरचित न्यूरल ओडीई (minimally structured Neural ODE - NODE) आर्किटेक्चर प्रस्तावित करते हैं जो केवल लॉस फंक्शन्स पर निर्भर रहने के बजाय मॉडल संरचना में सीधे भौतिक बाधाओं को लागू करता है।

A. संरचित गतिकी सूत्रीकरण (Structured Dynamics Formulation)

एक सामान्य वेक्टर फील्ड $F_\theta(x, u)$ सीखने के बजाय, लेखक गतिकी को निम्नलिखित रूप में बाधित करते हैं:
$\frac{dx}{dt} = F(x, u) = f_\theta(x) \cdot (x - g_\theta(x, u))$
जहाँ:

$f_\theta(x)$ : एक न्यूरल नेटवर्क जिसे इस प्रकार बाधित किया गया है कि $f_\theta(x) < 0$ (एलिमेंट-वाइज) हो। यह एक स्टेट-डिपेंडेंट डिके रेट (decay rate) के रूप में कार्य करता है, जो यह सुनिश्चित करता है कि प्रक्षेपवक्र (trajectories) $g$ द्वारा परिभाषित लक्ष्य की ओर संकुचित हों।
$g_\theta(x, u)$ : एक न्यूरल नेटवर्क जो निहित संतुलन मानचित्र (implicit equilibrium map) का प्रतिनिधित्व करता है। सिस्टम के फिक्स्ड पॉइंट्स वहां होते हैं जहाँ $x = g_\theta(x, u)$ होता है।
महत्व: यह संरचना पूरे स्टेट स्पेस में ट्रैजेक्टरी स्थिरता (trajectory stability) (परिबद्धता/boundedness) की गारंटी देती है। महत्वपूर्ण रूप से, क्योंकि $g_\theta$ को डिके रेट से स्वतंत्र रूप से सीखा जाता है, मॉडल स्वाभाविक रूप से बहु-अट्रैक्टर्स (multistability) और हिस्टेरेसिस लूप जैसे जटिल बाइफर्केशन स्ट्रक्चर को दर्शा सकता है।

B. प्रशिक्षण उद्देश्य (Training Objectives)

मॉडल को दो संभावित उद्देश्यों का उपयोग करके प्रशिक्षित किया जाता है:

ट्रैजेक्टरी मैचिंग (Trajectory Matching): सिम्युलेटेड प्रक्षेपवक्र और देखे गए डेटा के बीच अंतर को कम करना (मानक NODE दृष्टिकोण)।
ग्रेडिएंट मैचिंग (Gradient Matching): सीखे गए वेक्टर फील्ड और डेटा से अनुमानित टाइम-डेरिवेटिव्स के बीच अंतर को कम करना (फाइनाइट डिफरेंस का उपयोग करके)। यह विशेष रूप से कम समय-क्षितिज (short time-horizon) वाले डेटा के लिए उपयोगी है जहाँ ट्रैजेक्टरी इंटीग्रेशन एरर जमा हो सकते हैं।

C. नियंत्रण रणनीति (Control Strategy)

सीखा गया इक्विलिब्रियम मैप $g_\theta$ कुशल ग्रेडिएंट-आधारित फीडबैक कंट्रोल को सक्षम बनाता है:

लक्ष्य: सिस्टम को एक वांछित अवस्था $x^*$ तक ले जाना।
तंत्र: चूंकि स्थिर अवस्थाएँ $x^* = g_\theta(x^*, u)$ को संतुष्ट करती हैं, इसलिए नियंत्रण इनपुट $u$ को वर्तमान अवस्था और लक्षित संतुलन के बीच की दूरी को कम करने के लिए ग्रेडिएंट डिसेंट के माध्यम से अपडेट किया जाता है:
$\frac{du}{dt} = -\eta \nabla_u \frac{1}{2} \| g_\theta^{\circ k}(x, u) - x^* \|^2$
यहाँ $g_\theta^{\circ k}$ , $k$ -फोल्ड इटरेशन को दर्शाता है, जो एक सस्ते अनुमानित फोरकास्टर (forecaster) के रूप में कार्य करता है।
बाधाएं: यह ढांचा ग्रेडिएंट अपडेट के भीतर स्मूथ हीवसाइड (Heaviside) फंक्शन का उपयोग करके नियंत्रण बाधाओं (जैसे इनपुट पर भौतिक सीमाएं) को आसानी से शामिल कर सकता है।

3. मुख्य योगदान (Key Contributions)

संरचित स्थिरता (Structured Stability): एक विशिष्ट NODE आर्किटेक्चर का परिचय जो निर्माण द्वारा एसिम्प्टोटिक स्थिरता और बाउंडेड ट्रैजेक्टरीज की गणितीय गारंटी देता है, जिससे अनस्ट्रक्चर्ड NODEs के विशिष्ट नॉन-कॉन्वेक्स लॉस लैंडस्केप से बचा जा सके।
विरल डेटा से बहु-स्थिरता (Multistability from Sparse Data): केवल कम समय-क्षितिज वाले डेटा (ट्रांजिएंट डायनेमिक्स) का उपयोग करके मल्टी-अट्रैक्टर सिस्टम और हिस्टेरेसिस को पहचानने की क्षमता का प्रदर्शन। पारंपरिक तरीके अक्सर उत्तेजना (excitation) की कमी के कारण यहाँ विफल हो जाते हैं।
व्यापारी योग्य नियंत्रण (Tractable Control): डिके रेट ( $f$ ) और इक्विलिब्रियम मैप ( $g$ ) का अलगाव, जटिल बाइफर्केशन डायग्राम और टिपिंग पॉइंट्स के माध्यम से नेविगेट करने के लिए नियंत्रण इनपुट के प्रत्यक्ष अनुकूलन की अनुमति देता है, बिना प्रत्येक कंट्रोल स्टेप के लिए पूर्ण ODE को समय में आगे हल किए।
व्याख्यात्मकता (Interpretability): सीखा गया $g_\theta$ सीधे सिस्टम के बाइफर्केशन डायग्राम और टिपिंग पॉइंट्स को प्रकट करता है, जो ब्लैक-बॉक्स डीप लर्निंग मॉडल में खो जाने वाली भौतिक व्याख्यात्मकता प्रदान करता है।

4. संख्यात्मक परिणाम (Numerical Results)

विधि को चार अलग-अलग नॉन-लीनियर बेंचमार्क पर सत्यापित किया गया:

मिक्सिंग टैंक (जलविद्युत लोड बैलेंसिंग):
- कम प्रक्षेपवक्रों ( $t=200$ बनाम पूर्ण विकास $t=1000$ ) से सफलतापूर्वक गतिकी सीखी।
- कम नॉर्मलाइज्ड RMSE ( $\approx 1.5\%$ ) प्राप्त किया, और रैंडमाइज्ड लक्ष्यों तक सिस्टम को सफलतापूर्वक निर्देशित किया।
सिमेट्रिक हिस्टेरेसिस (क्यूबिक बाइफर्केशन):
- सिस्टम $\dot{x} = \lambda + x - x^3$ के बाइस्टेबल रिजीम और टिपिंग पॉइंट्स को सफलतापूर्वक सीखा।
- मॉडल ने इक्विलिब्रियम मैप के ज़ीरो-लेवल सेट्स को सही ढंग से पहचाना, जिससे बाइफर्केशन डायग्राम भी पुन: उत्पन्न हुआ।
- कंट्रोल पॉलिसियों ने अस्थिर इक्विलिब्रिया तक पहुँचने के लिए सिस्टम को टिपिंग पॉइंट्स के पार सफलतापूर्वक नेविगेट किया।
बडवॉर्म पॉपुलेशन (असिमेट्रिक हिस्टेरेसिस):
- असिमेट्रिक स्टेडी-स्टेट ब्रांचेस वाले एक क्लासिक कीट प्रकोप मॉडल को संभाला।
- मॉडल ने केवल प्रमुख ब्रांच को सीखने की सामान्य गलती से बचते हुए, डेटा की कमी के बावजूद पूर्ण हिस्टेरेटिक लूप को कैप्चर किया।
जेनेटिक टॉगल स्विच (हाई-डायमेंशनल बाइस्टेबिलिटी):
- 4 कंट्रोल पैरामीटर्स के साथ 2D जीन-रेगुलेटरी नेटवर्क को मॉडल किया।
- इसने युग्मित (coupled) हिस्टेरेटिक बाइफर्केशन्स को सीखने और कंस्ट्रेंड कंट्रोल पॉलिसीज़ (कोऑपरेटिविटी कोएफिशिएंट्स $>1$ लागू करते हुए) का उपयोग करके सिस्टम को लक्ष्यों तक ले जाने की क्षमता प्रदर्शित की।
- जटिल युग्मित गतिकी के बावजूद उच्च सटीकता (99% परीक्षण 5% त्रुटि के भीतर) प्राप्त की।

5. महत्व और प्रभाव (Significance and Impact)

डेटा की कमी और स्थिरता को जोड़ना: यह कार्य उन इंजीनियरिंग और जैविक प्रणालियों के लिए समाधान प्रदान करता है जहाँ दीर्घकालिक प्रक्षेपवक्र डेटा एकत्र करना असंभव या अव्यावहारिक है। संरचनात्मक रूप से स्थिरता को लागू करके, मॉडल ट्रांजिएंट डेटा से प्रभावी ढंग से सीखता है।
जटिल प्रणालियों का नियंत्रण: यह हिस्टेरेसिस और टिपिंग पॉइंट्स (जैसे जलवायु मॉडल, रासायनिक रिएक्टर, जैविक स्विच) वाली प्रणालियों को नियंत्रित करने के लिए एक नया प्रतिमान (paradigm) प्रदान करता है, जहाँ पारंपरिक लीनियर कंट्रोल या मानक डीप लर्निंग अक्सर बाइफर्केशन्स के पार सामान्यीकरण करने में विफल रहता है।
वैज्ञानिक व्याख्यात्मकता: यह दृष्टिकोण "ब्लैक बॉक्स" भविष्यवाणी से आगे बढ़कर "व्हाइट बॉक्स" डिस्कवरी की ओर बढ़ता है, जो स्पष्ट रूप से अंतर्निहित बाइफर्केशन स्ट्रक्चर और इक्विलिब्रियम मैनिफोल्ड्स को पुनः प्राप्त करता है, जो वैज्ञानिक समझ और सुरक्षा-महत्वपूर्ण अनुप्रयोगों के लिए महत्वपूर्ण है।

संक्षेप में, यह शोध पत्र स्ट्रक्चरल प्रायर्स (structural priors) को डीप लर्निंग के साथ जोड़कर सीमित डेटा से मल्टीस्टेबल, हिस्टेरेटिक प्रणालियों की पहचान और नियंत्रण की कठिन समस्याओं को हल करने के लिए एक मजबूत ढांचा प्रस्तुत करता है, जिसके इंजीनियरिंग, जीव विज्ञान और भौतिकी में प्रत्यक्ष अनुप्रयोग हैं।