⚡ electrical engineering

On Data-Driven Koopman Representations of Nonlinear Delay Differential Equations

यह शोध पत्र इतिहास विविक्तीकरण (history discretization) और कर्नेल-आधारित विस्तारित डायनेमिक मोड डिकम्पोज़िशन (kernel-based extended dynamic mode decomposition) का उपयोग करके, गैर-रेखीय विलंब अवकल समीकरणों (nonlinear delay differential equations) के लिए एक कठोर, परिमित-आयामी कूप्मन सन्निकटन ढांचा (finite-dimensional Koopman approximation framework) प्रस्तावित करता है, जो स्पष्ट नियत त्रुटि सीमाएं (explicit deterministic error bounds) प्रदान करता है और विश्वसनीय भविष्यवाणी एवं नियंत्रण के लिए अभिसरण (convergence) प्रदर्शित करता है।

मूल लेखक: Santosh Mohan Rajkumar, Dibyasri Barman, Kumar Vikram Singh, Debdipta Goswami

प्रकाशित 2026-04-06

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Santosh Mohan Rajkumar, Dibyasri Barman, Kumar Vikram Singh, Debdipta Goswami

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 यहाँ एक पेच है: आज का मौसम न केवल इस पर निर्भर करता है कि अभी क्या हो रहा है; यह इस पर भी बहुत अधिक निर्भर करता है कि कल, परसों और यहाँ तक कि पिछले सप्ताह क्या हुआ था। भौतिकी और इंजीनियरिंग की दुनिया में, इसे डिले डिफरेंशियल इक्वेशन (DDE) कहा जाता है।

यह समस्या इतनी जटिल है कि इसे पूरी तरह से समझने के लिए, आपको अनंत मात्रा में जानकारी (सिस्टम का पूरा इतिहास) की आवश्यकता होती है, जो इसे मानक कंप्यूटरों के लिए हल करना असंभव बना देती है। यह एक किताब का अगला पन्ना अनुमान लगाने के लिए अपनी जेब में पूरी लाइब्रेरी ले जाने जैसा है।

यह शोध पत्र इस समस्या को हल करने के लिए एक चतुर नया तरीका पेश करता है। यहाँ इसका सरल उपमाओं (analogies) के साथ विवरण दिया गया है:

1. समस्या: "अनंत लाइब्रेरी"

एक डिले डिफरेंशियल इक्वेशन को एक ऐसी कहानी के रूप में सोचें जहाँ आज का ट्विस्ट उस अध्याय पर निर्भर करता है जो आपने तीन दिन पहले पढ़ा था।

पुराना तरीका: वैज्ञानिक इस पूरे "लाइब्रेरी" के इतिहास को देखने की कोशिश करते थे। यह सटीक है, लेकिन इसे साथ लेकर चलना बहुत भारी है।
नया तरीका: लेखक कहते हैं, "आइए हम लाइब्रेरी की कुछ स्नैपशॉट्स (तस्वीरें) ही ले लेते हैं।" पूरी लाइब्रेरी पढ़ने के बजाय, हम विशिष्ट क्षणों में अलमारियों की एक फोटो लेते हैं। यह "अनंत लाइब्रेरी" को एक प्रबंधनीय "फोटो एल्बम" में बदल देता है।

2. समाधान: "कूपमैन मैजिक ट्रिक" (Koopman Magic Trick)

लेखक एक गणितीय उपकरण का उपयोग करते हैं जिसे कूपमैन ऑपरेटर (Koopman Operator) कहा जाता है।

उपमा: कल्पना करें कि एक नॉन-लीनियर सिस्टम (जैसे एक अराजक पेंडुलम) ऊन का एक उलझा हुआ गोला है। यह अनुमान लगाना कठिन है कि धागा आगे कहाँ जाएगा क्योंकि यह मुड़ता और घूमता रहता है।
ट्रिक: कूपमैन ऑपरेटर एक जादुई प्रोजेक्टर की तरह है। यह उस उलझे हुए ऊन के गोले को लेता है और उसे एक दीवार पर प्रोजेक्ट करता है जहाँ वह एक पूरी तरह से सीधी, व्यवस्थित रेखा की तरह दिखता है। अचानक, वह अराजक, कठिन-से-अनुमान लगाने वाली गति एक सरल, सीधी रेखा बन जाती है जिसे पूर्वानुमान लगाना आसान है।

3. विधि: "kEDMD" (स्मार्ट फोटोग्राफर)

यह शोध पत्र "स्नैपशॉट" के विचार को "जादुई प्रोजेक्टर" के साथ जोड़ता है।

हिस्ट्री डिस्क्रीटाइजेशन (इतिहास का विभाजन): वे सिस्टम के अनंत इतिहास को छोटे, खाए जाने योग्य टुकड़ों (स्नैपशॉट्स) में काट देते हैं।
कर्नेल-आधारित लर्निंग (kEDMD): वे kEDMD नामक तकनीक का उपयोग करते हैं। इसे एक सुपर-स्मार्ट फोटोग्राफर के रूप में सोचें जो केवल एक तस्वीर नहीं लेता, बल्कि समय के साथ तस्वीरों के बदलने के पैटर्न को सीखता है।
- वे सिस्टम के चलने की बहुत सारी तस्वीरें (डेटा) लेते हैं।
- वे एक "कर्नेल" (एक गणितीय लेंस) का उपयोग करके उन छिपे हुए नियमों को पाते हैं जो तस्वीरों को आपस में जोड़ते हैं।
- वे एक सरल, लीनियर मॉडल (एक सीधी रेखा) बनाते हैं जो वर्तमान फोटो के आधार पर अगली फोटो की भविष्यवाणी करता है।

4. सुरक्षा जाल: "त्रुटि गारंटी" (Error Guarantees)

आमतौर पर, जब वैज्ञानिक AI या डेटा का उपयोग भविष्य का अनुमान लगाने के लिए करते हैं, तो वे कहते हैं, "यह काफी अच्छा दिखता है, लेकिन हम 100% निश्चित नहीं हैं।"

इस शोध पत्र की महाशक्ति: लेखकों ने केवल एक मॉडल नहीं बनाया; उन्होंने एक रूलर (पैमाना) भी बनाया जिससे यह मापा जा सके कि उनका मॉडल कितना गलत हो सकता है।
उन्होंने कुल त्रुटि (error) को तीन भागों में विभाजित किया:
1. स्नैपशॉट एरर: क्या हमने पर्याप्त तस्वीरें लीं? (यदि हम अधिक तस्वीरें लेते हैं, तो चित्र अधिक स्पष्ट होता है)।
2. लेंस एरर: क्या हमारा गणितीय लेंस (कर्नेल) पूर्ण है?
3. अनुमान एरर: क्या हमारे पास पैटर्न सीखने के लिए पर्याप्त डेटा था?
उन्होंने गणितीय रूप से सिद्ध किया कि यदि आप अधिक तस्वीरें लेते हैं और अधिक डेटा एकत्र करते हैं, तो त्रुटि छोटी और छोटी होती जाती है, और अंततः लगभग शून्य हो जाती है।

5. परिणाम: भविष्य की भविष्यवाणी

उन्होंने परीक्षण के लिए दो वास्तविक दुनिया के परिदृश्यों का उपयोग किया:

एक सरल सिस्टम जिसमें देरी (डिली) होती है (जैसे एक थर्मोस्टेट जो धीरे-धीरे प्रतिक्रिया करता है)।
एक जटिल जैविक प्रणाली जो यह मॉडल करती है कि ट्यूमर और प्रतिरक्षा कोशिकाएं समय के साथ एक-दूसरे से कैसे लड़ती हैं।

परिणाम: उनके तरीके ने इन प्रणालियों के भविष्य के व्यवहार की सफलतापूर्वक भविष्यवाणी की। इससे भी बेहतर, वे "जादुिक प्रोजेक्शन" (सरल लीनियर मॉडल) को वापस एक वास्तविक दुनिया की भविष्यवाणी में बदल सकते थे, जो उच्च सटीकता के साथ काम करता है।

सारांश

संक्षेप में, यह शोध पत्र हमें सिखाता है कि कैसे एक जटिल, समय-विलंबित प्रणाली (जिसे हल करना आमतौर पर बहुत कठिन होता है) को टुकड़ों में विभाजित किया जाए, उसे गणित का उपयोग करके एक सरल, अनुमान लगाने योग्य प्रारूप में प्रोजेक्ट किया जाए, और यह सिद्ध किया जाए कि हमारी भविष्यवाणियां विश्वसनीय हैं।

यह एक अराजक, घूमते हुए तूफान को एक शांत, सीधी रेखा में बदलने जैसा है जिसे हम आत्मविश्वास के साथ चला सकते हैं, यह जानते हुए कि हम लक्ष्य से कितनी दूर भटक सकते हैं। यह नेटवर्क वाले कंप्यूटरों से लेकर जैविक उपचारों तक, सब कुछ बेहतर ढंग से नियंत्रित करने के द्वार खोलता है।

यहाँ संतोष मोहन राजकुमार एवं अन्य लेखकों द्वारा लिखित शोध पत्र "On Data-Driven Koopman Representations of Nonlinear Delay Differential Equations" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

संदर्भ: डिले डिफरेंशियल इक्वेशंस (DDEs) इंजीनियरिंग और विज्ञान (जैसे, नेटवर्क नियंत्रण, जैविक प्रणालियाँ) में सर्वव्यापी हैं। साधारण डिफरेंशियल इक्वेशंस (ODEs) के विपरीत, DDEs एक अनंत-आयामी अवस्था स्थान (infinite-dimensional phase space) पर विकसित होते हैं क्योंकि समय $t$ पर अवस्था, विलंब अंतराल $[-\tau_d, 0]$ के दौरान अवस्था के इतिहास पर निर्भर करती है।

चुनौतियाँ:

अनंत-आयामीता (Infinite Dimensionality): मानक डेटा-संचालित विधियाँ जैसे एक्सटेंडेड डायनेमिक मोड डीकंपोजिशन (EDMD) और कूपमैन ऑपरेटर थ्योरी ODEs और PDEs के लिए अच्छी तरह स्थापित हैं, लेकिन वे DDEs के साथ संघर्ष करती हैं क्योंकि DDEs की अवस्था (इतिहास फलन) अनंत-आयामी होती है।
मौजूदा सीमाएँ: DDEs के लिए वर्तमान दृष्टिकोण अक्सर बिना एप्रोक्सीमेशन एरर (अनुमान त्रुटि) को मापे ह्यूरिस्टिक डिले एम्बेडिंग्स पर निर्भर करते हैं, या वे उच्च कम्प्यूटेशनल लागत और प्रशिक्षण अस्थिरता (जैसे, एडजॉइंट-आधारित न्यूरल DDEs) से ग्रस्त होते हैं।
अंतराल (Gap): एक ऐसे सैद्धांतिक रूप से सुदृढ़, डेटा-संचालित ढांचे की कमी है जो गैर-रेखीय DDEs के लिए भविष्यवाणी और नियंत्रण हेतु स्पष्ट, नियतात्मक त्रुटि गारंटी (explicit, deterministic error guarantees) प्रदान कर सके।

2. कार्यप्रणाली (Methodology)

लेखक एक ऐसा ढांचा प्रस्तावित करते हैं जो हिस्ट्री डिस्क्रीटाइजेशन (इतिहास विविक्तीकरण) और पुनर्निर्माण (reconstruction) के माध्यम से अनंत-आयामी डिले डायनेमिक्स को परिमित-आयामी कूपमैन लर्निंग से जोड़ता है।

A. परिमित-आयामी यथार्थ (Finite-Dimensional Realization)

विविक्तकरण (Discretization): अनंत-आयामी इतिहास फलन $\eta \in C([-\tau_d, 0], \mathbb{R}^n)$ को $M$ समान बिंदुओं $\Theta_M = \{\theta_j\}_{j=1}^M$ पर नमूने लेकर एक परिमित-आयामी वेक्टर $z \in \mathbb{R}^{nM}$ के रूप में अनुमानित किया जाता है। यह इतिहास को एक परिमित-आयामी वेक्टर में मैप करता है।
ऑपरेटर्स (Operators):
- सैंपलिंग ऑपरेटर ( $Q$ ): निरंतर इतिहास फलन को विविक्त वेक्टर में मैप करता है।
- पुनर्निर्माण ऑपरेटर ( $R$ ): विविक्त वेक्टर को वापस एक पीसवाइज एफाइन निरंतर फलन (नमूना बिंदुओं के बीच रैखिक इंटरपोलेशन) में मैप करता है।
अनुमानित गतिकी (Approximate Dynamics): सटीक DDE फ्लो $F$ को विविक्त स्थान पर $\tilde{F} = Q \circ F \circ R$ द्वारा अनुमानित किया जाता है। यह परिमित-आयामी स्थान $Z$ पर एक क्लोज्ड-लूप मैप बनाता है, जिससे ग्रिड स्पेसिंग $\delta(M)$ द्वारा सीमित एक डिस्क्रीटाइजेशन एरर उत्पन्न होता है।

B. डेटा-संचालित रैखिक सरोगेट (kEDMD)

भौतिकी को जाने बिना $\tilde{F}$ की गतिकी सीखने के लिए:

कूपमैन ऑपरेटर (Koopman Operator): गैर-रेखीय मैप $\tilde{F}$ को ऑब्जर्वेबल्स (अवस्था के फलनों) पर कार्य करने वाले एक रैखिक ऑपरेटर में लिफ्ट किया जाता है।
कर्नेल-आधारित EDMD (kEDMD):
- लेखक एक वेंडलैंड रेडियल बेसिस फंक्शन (Wendland RBF) कर्नेल का उपयोग करके एक रिप्रोड्यूसिंग कर्नेल हिल्बर्ट स्पेस (RKHS) को परिभाषित करते हैं।
- एक ग्लोबल डिक्शनरी के बजाय, वे एक लोकल रिग्रेशन दृष्टिकोण का उपयोग करते हैं। प्रत्येक बिंदु के लिए, वे स्थानीय गतिकी का अनुमान लगाने के लिए स्थानीय पड़ोसियों का उपयोग करके एक एफाइन रिग्रेशन समस्या को हल करते हैं।
- इन स्थानीय अनुमानों को एक वैश्विक रैखिक सरोगेट मैट्रिक्स $A$ बनाने के लिए एकत्रित किया जाता है जो लिफ्टेड स्पेस में कूपमैन ऑपरेटर का अनुमान लगाता है।
स्टेट रिकंस्ट्रक्शन (अवस्था पुनर्निर्माण): लिफ्टेड कूपमैन कोऑर्डिनेट्स से विविक्त अवस्था $z$ को रिकवर करने के लिए एक तंत्र विकसित किया गया है, जो यह सुनिश्चित करता है कि भविष्यवाणी भौतिक अवस्था स्थान में बनी रहे।

3. मुख्य योगदान (Key Contributions)

यह शोध पत्र चार प्राथमिक सैद्धांतिक और व्यावहारिक योगदान देता है:

DDEs के लिए कठोर कूपमैन यथार्थ (Rigorous Koopman Realization):
- इतिहास फलनों के अनंत-आयामी बानाच स्पेस और सैंपलिंग-पुनर्निर्माण ढांचे के माध्यम से एक परिमित-आयामी कूपमैन प्रतिनिधित्व के बीच एक औपचारिक सेतु स्थापित करता है।
kEDMD के साथ डेटा-संचालित रैखिक सरोगेट:
- वेंडलैंड RBF कर्नेल के साथ kEDMD का उपयोग करके एक परिमित-आयामी रैखिक सरोगेट मॉडल का निर्माण करता है। यह इतिहास फलनों के स्थान पर परिभाषित अनंत-आयामी कूपमैन ऑपरेटर का अनुमान लगाता है।
नियतात्मक त्रुटि गारंटी (Deterministic Error Guarantees):
- सीखे गए प्रेडिक्टर के लिए स्पष्ट त्रुटि सीमाएं (error bounds) प्राप्त करता है। कुल त्रुटि को तीन व्याख्या योग्य घटकों में विभाजित किया गया है:
  - हिस्ट्री डिस्क्रीटाइजेशन एरर: ग्रिड स्पेसिंग $\delta(M)$ के साथ स्केल होता है।
  - कर्नेल इंटरपोलेशन एरर: डेटा बिंदुओं के फिल डिस्टेंस $h_X$ के साथ स्केल होता है।
  - डेटा-ड्रिवन रिग्रेशन एरर: स्थानीय पड़ोस त्रिज्या $\rho$ के साथ स्केल होता है।
- लिफ्टेड स्टेट इवोल्यूशन और पुनर्निर्मित भौतिक अवस्था भविष्यवाणी दोनों के लिए सीमाएं प्रदान करता है।
प्रमाणित अवस्था पुनर्निर्माण (Provable State Reconstruction):
- लिफ्टेड कोऑर्डिनेट्स से विविक्त अवस्था को रिकवर करने के लिए एक कर्नेल-आधारित विधि विकसित करता है, जिसमें पुनर्निर्माण त्रुटि पर प्रमाणित सीमाएं हैं, जो सिमुलेशन और नियंत्रण के लिए विश्वसनीयता सुनिश्चित करती है।

4. संख्यात्मक परिणाम (Numerical Results)

ढांचे को दो गैर-रेखीय DDE सिस्टम पर मान्य किया गया:

स्केलर DDE: हिल-टाइप नॉनलिनिटी वाला एक सिस्टम।
ट्यूमर-इम्यून इंटरैक्शन मॉडल: डिले कपलिंग वाला एक 2D सिस्टम।

निष्कर्ष:

अभिसरण (Convergence): भविष्यवाणी त्रुटि तब कम होती है जब डिस्क्रीटाइजेशन रेजोल्यूशन ( $M$ ) बढ़ता है और डेटा घनत्व (फिल डिस्टेंस $h_X$ ) में सुधार होता है।
सटीकता (Accuracy): पद्धति ने उच्च सटीकता के साथ विविक्त इतिहास अवस्थाओं और वर्तमान अवस्था मानों ( $x(t)$ ) दोनों को सफलतापूर्वक पुनर्निर्मित किया।
तुलना (Comparison): मॉडल ने लोअर-रेजोल्यूशन डिस्क्रीटाइजेशन की तुलना में बेहतर प्रदर्शन किया और प्रशिक्षण के दौरान न देखे गए विभिन्न टेस्ट ट्रेजेक्टरीज पर मजबूती प्रदर्शित की।
विज़ुअलाइज़ेशन (Visualization): प्लॉट्स ने स्केलर और प्लेनर सिस्टम दोनों के लिए वास्तविक और अनुमानित ट्रेजेक्टरीज के बीच घनिष्ठ सहमति दिखाई।

5. महत्व और प्रभाव (Significance and Impact)

सैद्धांतिक कठोरता (Theoretical Rigor): यह कार्य DDEs के लिए कूपमैन थ्योरी के हेयुरिस्टिक अनुप्रयोगों से आगे बढ़कर प्रमाणित, नियतात्मक त्रुटि सीमाएं प्रदान करके इसे एक ठोस आधार देता है। यह सुरक्षा-महत्वपूर्ण अनुप्रयोगों (जैसे, मेडिकल कंट्रोल, एयरोस्पेस) के लिए अत्यंत महत्वपूर्ण है जहाँ "ब्लैक-बॉक्स" भविष्यवाणियां अपर्याप्त हैं।
नियंत्रण प्रयोज्यता (Control Applicability): ज्ञात त्रुटि सीमाओं के साथ एक रैखिक सरोगेट प्रदान करके, यह ढांचा जटिल डिले सिस्टम के लिए मॉडल-आधारित नियंत्रकों के डिजाइन को सक्षम बनाता है, जो पहले अनंत-आयामी प्रकृति के कारण कठिन था।
स्केलेबिलिटी (Scalability): स्थानीय रिग्रेशन और कर्नेल विधियों का उपयोग डिले सिस्टम के लिए न्यूरल नेटवर्क के एक व्यवहार्य विकल्प के रूप में कार्य करता है, जो विलंबित प्रक्षेप पथों (delayed trajectories) के माध्यम से बैकप्रोपैगेशन के माध्यम से जुड़ी प्रशिक्षण अस्थिरता से बचता है।
भविष्य की दिशाएं (Future Directions): लेखक सुझाव देते हैं कि इस आधार को क्लोज्ड-लूप कंट्रोल सिंथेसिस और उच्च-आयामी नेटवर्क सिस्टम के साथ विस्तारित किया जा सकता है।

संक्षेप में, यह शोध पत्र गैर-रेखीय डिले डिफरेंशियल इक्वेशंस को एक परिमित-आयामी रैखिक समस्या में बदलकर, उन्हें अनुमानित करने, भविष्यवाणी करने और संभावित रूप से नियंत्रित करने के लिए एक गणितीय रूप से सुदृढ़, डेटा-संचालित कार्यप्रणाली प्रदान करता है।