🔢 mathematics

PINNs in More General Geometry

यह शोध पत्र फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स (PINNs) के मूलभूत सिद्धांतों का परिचय देता है और तीन संबंधित कार्यों के सारांशों के माध्यम से स्पष्ट करते हुए, ज्यामितिक रचनाओं को लॉस-मिनिमाइजेशन (हानि-न्यूनतमीकरण) कार्यों के रूप में प्रस्तुत करके विभेदक ज्यामिति (डिफरेंशियल ज्योमेट्री) की समस्याओं को हल करने के लिए उनकी उपयुक्तता को प्रदर्शित करता है।

मूल लेखक: Edward Hirst

प्रकाशित 2026-04-29

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Edward Hirst

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 कंप्यूटर को "सपनों" में पूर्ण आकृतियाँ और सतहें बनाना सिखाने की कोशिश कर रहे हैं, उन्हें लाखों तस्वीरें दिखाकर नहीं, बल्कि उन्हें उन आकृतियों के व्यवहार के बारे में सख्त गणितीय नियम देकर। यह मूल रूप से इस शोध पत्र के बारे में है।

लेखक, एडवर्ड हर्स्ट, दिखा रहे हैं कि कैसे एक विशेष प्रकार का आर्टिफिशियल इंटेलिजेंस जिसे PINN (फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क) कहा जाता है, डिफरेंशियल ज्योमेट्री (वक्रित स्थानों और आकृतियों का गणित) की जटिल समस्याओं को हल करने के लिए एक आदर्श उपकरण है।

यहाँ इस शोध पत्र के विचारों का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

मुख्य विचार: उदाहरणों से नहीं, नियमों से सिखाना

आमतौर पर, जब हम एक AI को प्रशिक्षित करते हैं, तो हम उसे हजारों लेबल किए गए उदाहरण दिखाते हैं (जैसे "यह एक बिल्ली है," "यह एक कुत्ता है") और वह पैटर्न पहचानना सीख जाता है।

इस शोध पत्र में, AI को उदाहरण नहीं दिए जाते। इसके बजाय, इसे एक नियम पुस्तिका (rulebook) दी जाती है।

उपमा: कल्पना कीजिए कि आप एक आदर्श पुल बनाना चाहते हैं। इसके बजाय कि आप AI को अन्य पुलों की तस्वीरें दिखाएं, आप उसे बताते हैं: "पुल को इतना वजन सहना चाहिए," "इसे एक इंच से अधिक नहीं झुकना चाहिए," और "सामग्री चिकनी होनी चाहिए।"
AI का काम: AI एक आकृति बनाने की कोशिश करता है। वह अपने काम की जांच नियम पुस्तिका के विरुद्ध करता है। यदि आकृति बहुत अधिक झुकती है, तो AI को "खराब ग्रेड" (उच्च लॉस/loss) मिलता है। फिर वह अपने आंतरिक डिज़ाइन में बदलाव करता है और फिर से प्रयास करता है। वह तब तक यह काम करता रहता है जब तक कि आकृति पूरी तरह से सभी नियमों को संतुष्ट नहीं कर देती।

तीन "खेल" जो AI ने खेले

शोध पत्र इस पद्धति का परीक्षण तीन अलग-अलग प्रकार के ज्यामितीय पहेलियों पर करता है, जिनमें से प्रत्येक के लिए थोड़ी अलग रणनीति की आवश्यकता होती है।

1. "पैचवर्क क्विल्ट" (गोले पर आइंस्टीन मेट्रिक्स)

समस्या: गणितज्ञ विशिष्ट प्रकार के वक्रित गोलों (जिन्हें आइंस्टीन मेट्रिक्स कहा जाता है) को खोजना चाहते हैं जहाँ वक्रता (curvature) हर जगह पूरी तरह से संतुलित हो।
चुनौती: आप एक पूरे गोले को केवल एक सपाट मानचित्र के साथ वर्णित नहीं कर सकते (जैसे बास्केटबॉल को बिना फाड़े कागज के टुकड़े पर समतल करने की कोशिश करना)।
AI समाधान (द एटलस): AI एक "पैचवर्क" रणनीति का उपयोग करता है। यह आकृति को दो अलग-अलग टुकड़ों (पैच) में सीखता है और फिर उन टुकड़ों के किनारों को एक क्विल्ट की तरह पूरी तरह से आपस में जोड़ने के लिए मजबूर करता है।
परिणाम: AI ने ज्ञात पूर्ण गोलों को सफलतापूर्वक पुन: निर्मित किया। इससे भी महत्वपूर्ण बात यह है कि इसने उन नए प्रकार के गोलों को खोजने की कोशिश की जिनके अस्तित्व के बारे में गणितज्ञ अनिश्चित हैं। AI उन्हें खोजने में संघर्ष करता रहा, जिससे पता चलता है कि वे विशिष्ट आकृतियाँ शायद मौजूद ही नहीं हैं। इसने नकारात्मक साक्ष्य खोजने वाले एक जासूस की तरह कार्य किया।

2. "शेप-शिफ्टर" (द निरेनबर्ग प्रॉब्लम)

समस्या: कल्पना कीजिए कि आपके पास एक आदर्श गेंद है। क्या आप इसे थोड़ा खींच या सिकोड़ सकते हैं (बिना फटे) ताकि इसमें एक विशिष्ट प्रकार की "उबड़-खाबड़पन" (वक्रता) का पैटर्न आ सके जैसा कि आप निर्दिष्ट करते हैं?
AI समाधान: यहाँ, AI को पैच की आवश्यकता नहीं है। यह पूरे गोले को एक चिकनी सतह के रूप में मानता है। यह एक एकल "स्ट्रेच फैक्टर" (एक संख्या जो गेंद को बताती है कि हर बिंदु पर उसे कितना फैलना या सिकुड़ना है) सीखता है।
परिणाम: AI गणितज्ञों के लिए एक क्रिस्टल बॉल बन गया। यह तुरंत बता सकता था कि अनुरोधित वक्रता का पैटर्न संभव था या असंभव।
- यदि पैटर्न संभव था, तो AI ने आसानी से आकृति खोज ली।
- यदि पैटर्न असंभव था, तो AI समाधान खोजने में विफल रहा।
- शानदार बात: AI ने अनुमान लगाया कि कुछ बहुत जटिल पैटर्न संभव थे। बाद में, मानव गणितज्ञों ने कठोर गणित का उपयोग करके सिद्ध किया कि AI सही था! AI ने वास्तव में एक सही अनुमान लगाया जो एक नए गणितीय प्रमाण की ओर ले गया।

3. "साबुन का बुलबुला" (विलमोर सतहें)

समस्या: साबुन के बुलबुले स्वाभाविक रूप से अपनी सतह की ऊर्जा को कम करने की कोशिश करते हैं। गणितज्ञ एक ऐसे साबुन के बुलबुले के आकार को खोजना चाहते हैं जिसमें एक विशिष्ट "छेद" की संख्या हो (जैसे डोनट या डबल-डोनट) और जो यथासंभव चिकना हो।
AI समाधान: एक जटिल समीकरण को हल करने के बजाय, AI सीधे आकृति की "ऊर्जा" को कम करने का प्रयास करता है। यह एक बिखरी हुई, यादृच्छिक (random) आकृति से शुरू होता है और धीरे-धीरे इसे चिकना करता जाता है, जैसे एक मूर्तिकार पत्थर को तराशता है, जब तक कि वह सबसे कुशल आकृति न पा ले।
परिणाम:
- एक साधारण गोले (बिना छेद के) के लिए, इसने एक पूर्ण गोल गेंद पाई।
- एक डोनट (एक छेद) के लिए, इसने "क्लिफोर्ड टॉरस" पाया, जो एक गणितीय रूप से पूर्ण डोनट आकार है।
- एक डबल-डोनट (दो छेद) के लिए, इसने एक ऐसी आकृति खोजी जो मनुष्यों द्वारा पहले अनुमानित किसी भी आकार की तुलना में बहुत अधिक चिकनी और कुशल थी, हालांकि इसने अभी तक पूर्णतः आदर्श आकृति नहीं खोजी है। इसने दिखाया कि AI "अनछुए क्षेत्रों" की खोज कर सकता है।

यह क्यों महत्वपूर्ण है

शोध पत्र का तर्क है कि यह दृष्टिकोण विशेष है क्योंकि:

यह मेश-मुक्त (Mesh-Free) है: पारंपरिक कंप्यूटर गणित अक्सर आकृतियों को छोटे ग्रिडों में तोड़ देता है (जैसे पिक्सेलेटेड इमेज)। यह AI आकृति को एक चिकने, निरंतर प्रवाह के रूप में मानता है, जिससे यह वक्रों और मोड़ों की गणना अत्यंत सटीकता के साथ कर सकता है।
यह लचीला है: चाहे आकृति एक साधारण गोला हो या एक जटिल, बहु-छेद वाली सतह, AI अपनी "आर्किटेक्चर" (कैसे बनाया गया है) को समस्या के अनुरूप ढाल सकता है।
यह एक साथी है, प्रतिस्थापन नहीं: AI मानव गणितज्ञों की जगह नहीं लेता है। इसके बजाय, यह एक शक्तिशाली "स्काउट" (खोजी) के रूप में कार्य करता है। यह तेजी से हजारों विचारों का परीक्षण कर सकता है, आशाजनक उम्मीदवारों को खोज सकता है, और मनुष्यों को बता सकता है कि उन्हें अपने कठोर प्रमाणों पर कहाँ ध्यान केंद्रित करना चाहिए।

संक्षेप में: यह शोध पत्र दिखाता है कि सीधे AI को "भौतिकी के नियमों" और "ज्यामिति के नियमों" को सिखाकर, हम प्राचीन गणितीय पहेलियों को हल करने, नई आकृतियों की खोज करने और यहाँ तक कि नए प्रमेय सिद्ध करने में मदद करने के लिए इसका उपयोग कर सकते हैं। यह AI को वक्रित स्थानों की दुनिया के लिए एक डिजिटल खोजकर्ता में बदल देता है।

यहाँ एडवर्ड हर्स्ट के शोध पत्र "PINNs in More General Geometry" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र अवकल ज्यामिति (differential geometry) की केंद्रीय समस्याओं को हल करने की चुनौती को संबोधित करता है, जहाँ लक्ष्य उन विशिष्ट ज्यामितीय वस्तुओं (मेट्रिक्स, वक्रता, या इमर्शन) को खोजना होता है जो स्थानीय अवकल बाधाओं या वेरिएशनल सिद्धांतों द्वारा परिभाषित होती हैं। पारंपरिक संख्यात्मक विधियाँ अक्सर मेश-आधारित विविक्तीकरण (जैसे कि फाईनाइट डिफरेंस या एलिमेंट्स) पर निर्भर करती हैं, जो जटिल मैनिफोल्ड्स, उच्च-क्रम के डेरिवेटिव, या वैश्विक टोपोलॉजिकल बाधाओं के लिए कठिन हो सकती हैं।

अन्वेषित विशिष्ट समस्याएँ हैं:

आइंस्टीन मेट्रिक्स (Einstein Metrics): $S^n$ पर ऐसे मेट्रिक्स $g$ खोजना जो $\text{Ric}(g) = \lambda g$ को संतुष्ट करते हों, जहाँ $\lambda \in \{+1, 0, -1\}$ ।
निरेनबर्ग समस्या (The Nirenberg Problem): यह निर्धारित करना कि क्या $S^2$ पर एक दी गई स्मूथ फलन $K$ , राउंड मेट्रिक के कॉन्फॉर्मल (conformal) मेट्रिक की गॉसियन वक्रता (Gaussian curvature) हो सकती है (अर्थात $1 - \Delta_{g_0}u = K e^{2u}$ को हल करना)।
विल्मोर सतहें (Willmore Surfaces): ऐसे इमर्शन $\phi: \Sigma \to \mathbb{R}^3$ खोजना जो विल्मोर ऊर्जा $W(\Sigma) = \int_\Sigma H^2 dA$ को न्यूनतम करते हों।

मुख्य चुनौती यह है कि इन समस्याओं में वैश्विक ज्यामितीय वस्तुएं शामिल हैं जो स्थानीय अवकल समीकरणों द्वारा बाधित होती हैं, और अक्सर ऐसे मैनिफोल्ड्स पर होती हैं जहाँ वैश्विक निर्देशांक (global coordinates) सुविधाजनक या अस्तित्वहीन होते हैं।

2. कार्यप्रणाली: ज्यामिति में फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स (PINNs in Geometry)

लेखक फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स (PINNs) को डिफरेंशियल ज्योमेट्री के अनुकूल बनाने का प्रस्ताव देते हैं। मानक सुपरवाइज्ड लर्निंग के विपरीत, PINNs को लक्षित डेटा लेबल की आवश्यकता नहीं होती है; इसके बजाय, वे सीधे गवर्निंग डिफरेंशियल इक्वेशंस और ज्यामितीय बाधाओं से प्राप्त लॉस फंक्शन (loss function) को कम करते हैं।

A. आर्किटेक्चरल रणनीतियाँ (Architectural Strategies)

लेखक इस बात पर जोर देते हैं कि न्यूरल आर्किटेक्चर को खोज स्थान (search space) को कम करने के लिए ज्यामिति की संरचना को एनकोड करना चाहिए:

एटलस आर्किटेक्चर (Atlas Architecture): उन मैनिफोल्ड्स के लिए जिनमें कई कोऑर्डिनेट पैचेस की आवश्यकता होती है (जैसे कि गोले/spheres), अलग-अलग सब-नेटवर्क्स प्रत्येक पैच पर ऑब्जेक्ट को सीखते हैं। एक विशिष्ट लॉस टर्म ओवरलैप्स पर कंसिस्टेंसी (ट्रांजिशन मैप्स) को लागू करता है।
एम्बेडिंग आर्किटेक्चर (Embedding Architecture): उन मैनिफोल्ड्स के लिए जिनमें सुविधाजनक ग्लोबल एम्बेडिंग्स हैं (जैसे $S^2 \subset \mathbb{R}^3$ ), एक सिंगल ग्लोबल नेटवर्क एम्बेडेड डोमेन पर फलन को सीखता है, जिससे वैश्विक अनुकूलता (global compatibility) स्वतः सुनिश्चित होती है।
सिमेट्री एनफोर्समेंट (Symmetry Enforcement): स्पेक्ट्रल फीचर्स (स्फेरिकल हार्मोनिक्स, फूरियर फीचर्स) का उपयोग पोल (poles) पर पीरियोडिसिटी या स्मूथनेस को लागू करने के लिए किया जाता है, जिससे स्पष्ट बाउंड्री कंडीशंस की आवश्यकता नहीं रहती।

B. लॉस फंक्शन (The Loss Function)

कुल लॉस $L_{PINN}$ तीन घटकों का एक भारित योग (weighted sum) है:
$L_{PINN} = \lambda_{diff} L_{diff} + \lambda_{bc} L_{bc} + \lambda_{rep} L_{rep}$

$L_{diff}$ (डिफरेंशियल लॉस): PDE या ऑयलर-लैग्रेंज समीकरण का रेसिड्यूल (residual) (जैसे, $\text{Ric}(g) - \lambda g$ )।
$L_{bc}$ (बाउंड्री/कन्स्ट्रेंट लॉस): पैच ओवरलैप्स, पीरियोडिसिटी, या टोपोलॉजिकल ग्लूइंग कंडीशंस को लागू करता है।
$L_{rep}$ (रिपेलर/रेगुलैरिटी लॉस): ऑप्टिमाइज़र को डिजेनरेट मेट्रिक्स, सिंगुलर एम्बेडिंग्स, या ज्ञात ट्रिवियल सॉल्यूशंस में ढहने से रोकता है।

C. कम्प्यूटेशनल लाभ (Computational Advantages)

मेश-फ्री (Mesh-Free): डेरिवेटिव्स की गणना ऑटोमैटिक डिफरेंशिएशन (AD) के माध्यम से की जाती है, जिससे फाईनाइट-डिफरेंस स्टेंसिल के बिना क्राइस्टोफेल सिम्बल्स, रीची टेंसर और कर्वेचर की सटीक गणना संभव होती है।
सतत प्रतिनिधित्व (Continuous Representation): नेटवर्क एक स्मूथ इंटरपोलेट के रूप में कार्य करता है, जो मनमाने बिंदुओं पर मूल्यांकन की अनुमति देता है और उच्च-क्रम के डेरिवेटिव गणनाओं को सुगम बनाता है।
डायनेमिक सैंपलिंग (Dynamic Sampling): हर एपोक (epoch) में नए ट्रेनिंग पॉइंट्स बहुत कम लागत पर लिए जा सकते हैं, जो निरंतर मैनिफोल्ड्स के लिए आदर्श है।

3. मुख्य योगदान और केस स्टडीज (Key Contributions and Case Studies)

केस स्टडी 1: गोलों ( $S^n$ ) पर आइंस्टीन मेट्रिक्स

दृष्टिकोण: दो पैचेस (स्टेरियोग्राफिक प्रोजेक्शन और रेडियल मैपिंग के माध्यम से) वाले एटलस आर्किटेक्चर का उपयोग करता है। नेटवर्क एक लोअर-ट्रायंगुलर वाइलबीन (vielbein) $L$ की भविष्यवाणी करता है ताकि $g = L^T L$ हो, जिससे यह सुनिश्चित होता है कि मेट्रिक स्वाभाविक रूप से सिमेट्रिक और पॉजिटिव-डेफिनिट है।
परिणाम:
- ज्ञात राउंड मेट्रिक्स ( $\lambda = +1$ ) को सफलतापूर्वक रिकवर करता है, जिसका टेस्ट लॉस सुपरवाइज्ड बेसलाइन्स के तुलनीय है।
- यह प्रदर्शित करता है कि $S^4$ और $S^5$ संभवतः $\lambda = 0$ या $\lambda = -1$ के लिए आइंस्टीन मेट्रिक्स को स्वीकार नहीं करते हैं, क्योंकि लॉस उच्च बना रहता है (अस्तित्व के विरुद्ध नकारात्मक साक्ष्य)।
महत्व: उन मैनिफोल्ड्स पर मेट्रिक्स सीखने के लिए एक प्रोटोटाइप प्रदान करता है जहाँ वैश्विक निर्देशांक उपलब्ध नहीं होते, और पारंपरिक एटलस विधियों पर निर्भर करता है।

केस स्टडी 2: निरेनबर्ग समस्या (निर्धारित वक्रता $S^2$ पर)

दृष्टिकोण: $S^2 \subset \mathbb{R}^3$ पर सीधे स्केलर कॉन्फॉर्मल फैक्टर $u$ को सीखने के लिए ग्लोबल एम्बेडिंग आर्किटेक्चर का उपयोग करता है। लॉस सेमीलीनियर एलिप्टिक समीकरण $1 - \Delta_{g_0}u = K e^{2u}$ के रेसिड्यूल को कम करता है।
डायग्नोस्टिक पावर: यह विधि "रियलाइज़ेबल" (realizable) और "ऑब्स्ट्रक्टेड" (obstructed) वक्रता फलनों के बीच अंतर करती है।
- ज्ञात रियलाइज़ेबल मामलों में बहुत कम लॉस ( $10^{-7}$ से $10^{-10}$ ) मिलता है।
- ज्ञात ऑब्स्ट्रक्टेड मामलों में उच्च लॉस मिलता है।
- नया अनुमान (Novel Conjecture): मॉडल सुझाव देता है कि पहले अनसुलझे स्पहेरिकल हार्मोनिक्स ( $Y_{3,1}, Y_{3,2}, Y_{3,3}$ ) रियलाइज़ेबल हैं।
वैलिडेशन: $Y_{3,2}$ के लिए अनुमान को बाद में कंप्यूटर-असिस्टेड विधियों का उपयोग करके कठोरता से सिद्ध किया गया, जो डिस्कवरी टूल के रूप में AI की भूमिका को प्रमाणित करता है।
महत्व: यह PINN को केवल एक सॉल्वर से बदलकर एक कम्प्यूटेशनल प्रोब में बदल देता है जो ज्यामिति में खुले अस्तित्व संबंधी प्रश्नों (existence problems) की जांच करता है।

केस स्टडी 3: $\mathbb{R}^3$ में मिनिमल विल्मोर सतहें

दृष्टिकोण: यह PDEs को हल करने के बजाय डायरेक्ट एनर्जी मिनिमाइजेशन की ओर स्थानांतरित होता है। इमर्शन $\phi$ $ϕ$ स्वयं सीखने योग्य ऑब्जेक्ट है।
- जीनस 0 और 1: टोपोलॉजी और पीरियोडिसिटी को लागू करने के लिए स्पहेरिकल हार्मोनिक्स और फूरियर फीचर्स का उपयोग करता है।
- जीनस 2: उच्च-जीनस सतहों के निर्माण के लिए "पंक्चर टोरस" दृष्टिकोण के साथ ग्लूइंग लॉस का उपयोग करता है।
परिणाम:
- जीनस 0: एक दीर्घवृत्त (ellipsoid) को राउंड स्फीयर ( $\hat{W} \approx 12.73$ , $4\pi \approx 12.57$ के करीब) में विकसित करता है।
- जीनस 1: एक टोरस को क्लिफोर्ड टोरस ( $\hat{W} \approx 19.98$ , $2\pi^2 \approx 19.74$ के करीब) में विकसित करता है।
- जीनस 2: एक ऐसी सतह उत्पन्न करता है जिसकी $\hat{W} \approx 30.19$ है, जो साधारण ह्यूरिस्टिक्स से काफी कम है, जिससे एक गैर-तुच्छ खोज स्थान (non-trivial search space) नेविगेट होता है।
महत्व: यह दर्शाता है कि PINNs वेरिएशनल समस्याओं के लिए एक न्यूरल फ्लो के रूप में कार्य कर सकते हैं, जो सतह को विविक्त (discretize) किए बिना सीधे ज्यामितीय ऊर्जा फलन को कम करते हैं।

4. परिणामों का सारांश (Results Summary)

अनुप्रयोग (Application)	आर्किटेक्चर (Architecture)	मुख्य परिणाम (Key Outcome)
आइंस्टीन मेट्रिक्स	एटलस (2 पैचेस)	$\lambda = +1$ के लिए अस्तित्व की पुष्टि की; $S^4, S^5$ पर $\lambda = 0, -1$ के लिए अस्तित्व के विरुद्ध संख्यात्मक साक्ष्य प्रदान किया।
निरेनबर्ग समस्या	ग्लोबल एम्बेडिंग	रियलाइज़ेबल बनाम ऑब्स्ट्रक्टेड वक्रता को अलग किया; स्पहेरिकल हार्मोनिक्स के लिए नए अनुमान दिए (बाद में सिद्ध हुए)।
विल्मोर सतहें	इमर्शन लर्निंग	ज्ञात मिनिमा (स्फीयर, क्लिफोर्ड टोरस) को रिकवर किया; जीनस 2 के लिए कम-ऊर्जा वाले उम्मीदवारों को खोजा।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह शोध पत्र तर्क देता है कि डिफरेंशियल ज्योमेट्री PINNs के लिए एक प्राकृतिक क्षेत्र है क्योंकि:

स्ट्रक्चरल अलाइनमेंट: ज्यामितीय वस्तुएं स्मूथ फलन हैं, और बाधाएं अवकल (differential) हैं, जो न्यूरल नेटवर्क्स के इंडक्टिव बायस (inductive bias) से मेल खाती हैं।
मेश-फ्री फ्लेक्सिबिलिटी: ग्रिड जनरेशन के बिना मैनिफोल्ड पर कहीं भी डेरिवेटिव और बाधाओं का मूल्यांकन करने की क्षमता जटिल टोपोलॉजी के लिए महत्वपूर्ण है।
हाइब्रिड डिस्कवरी: यह कार्य एक नया प्रतिमान प्रदर्शित करता है जहाँ AI केवल एक सॉल्वर नहीं बल्कि एक हाइपोथीसिस जनरेटर है। यह ओपन ज्योमेट्रिक समस्याओं का पता लगा सकता है, उम्मीदवारों का सुझाव दे सकता है, और वहां "नेगेटिव एविडेंस" (समाधानों को खारिज करना) प्रदान कर सकता है जहाँ विश्लेषणात्मक प्रमाण कठिन होते हैं।

लेखक निष्कर्ष निकालते हैं कि जैसे-जैसे ज्यामितीय समस्याएँ अधिक जटिल होती जाती हैं (समृद्ध कोऑर्डिनेट सिस्टम, वेरिएशनल संरचनाएं), PINNs और भी अधिक प्रभावशाली होते जाते हैं, बशर्ते आर्किटेक्चर अंतर्निहित ज्यामितीय समरूपताओं (symmetries) और बाधाओं का सम्मान करे। यह न्यूरल नेटवर्क्स को कम्प्यूटेशनल डिफरेंशियल ज्योमेट्री टूलकिट के एक व्यावहारिक, आधुनिक घटक के रूप में स्थापित करता है।