Koopman Representations for Early Outbreak Warning and Minimal Counterfactual Intervention in Multi-Agent Epidemic Simulations

तकनीकी सारांश: प्रारंभिक प्रकोप चेतावनी और न्यूनतम प्रतितथ्यात्मक हस्तक्षेप के लिए कूपमैन प्रतिनिधित्व (Koopman Representations)

समस्या विवरण
यह शोध पत्र जटिल, बहु-एजेंट प्रणालियों में महत्वपूर्ण टिपिंग पॉइंट्स (tipping points) के निकट महामारी के परिणामों की भविष्यवाणी करने और उन्हें नियंत्रित करने की चुनौती को संबोधित करता है। उन व्यवस्थाओं (regimes) में जहाँ संक्रामकता न तो इतनी कम है कि विलुप्ति सुनिश्चित हो सके और न ही इतनी अधिक है कि व्यापक प्रकोप सुनिश्चित हो सके, अंतिम परिणाम (नियंत्रित प्रसार बनाम बड़ा प्रकोप) प्रारंभिक स्थितियों, समय या स्थानीय अंतःक्रियाओं में छोटे परिवर्तनों के प्रति अत्यधिक संवेदनशील होता है। पारंपरिक समेकित कम्पार्टमेंटल मॉडल (जैसे SIR) अक्सर व्यक्तिगत विषमता और स्थानिक संपर्क संरचनाओं को अस्पष्ट कर देते हैं, जबकि एजेंट-आधारित मॉडल (ABMs) उच्च-आयामी, गैर-रैखिक गतिकी उत्पन्न करते हैं जिन्हें संक्षेप में प्रस्तुत करना या जल्दी से अनुमान लगाना कठिन होता है। मुख्य समस्या दोहरी है: (1) क्या एक विकसित होती महामारी के शुरुआती, समग्र अवलोकनों से यह विश्वसनीय रूप से भविष्यवाणी की जा सकती है कि सिस्टम एक बड़े प्रकोप की दहलीज को पार करेगा या नहीं? और (2) यदि किसी प्रक्षेपवक्र (trajectory) को खतरनाक घोषित किया जाता है, तो क्या न्यूनतम, स्थानीयकृत प्रतितथ्यात्मक हस्तक्षेप (जैसे, एक दिन के लिए एक एकल एजेंट की गतिशीलता को प्रतिबंधित करना) बड़े प्रकोप को रोकने के लिए सिस्टम के दीर्घकालिक प्रक्षेपवक्र को बदल सकता है?

कार्यप्रणाली (Methodology)
लेखक एक तीन-घटक कम्प्यूटेशनल फ्रेमवर्क प्रस्तावित करते हैं:

1. बहु-एजेंट महामारी सिम्युलेटर:

   • वातावरण: एक स्थानिक ग्रिड ($50 \times 50$) जिसमें 200 ऑफ-ग्रिड होम लोकेशन्स और 500 एजेंट हैं।
   • गतिकी (Dynamics): एजेंट चरण परिवर्तनों (phase shifts) के साथ निश्चित दैनिक दिनचर्या का पालन करते हैं, जिससे विषम संपर्क पैटर्न बनते हैं। संक्रमण ग्रिड सेल में सह-स्थान (co-location) के माध्यम से होता है।
   • रोग प्रगति: एजेंटों में विषम संवेदनशीलता और प्रतिरक्षा श्रेणियाँ (मजबूत, मध्यम, निम्न, समझौताकृत) होती हैं, जो उनके व्यक्तिगत वायरल लोड कर्व्स को निर्धारित करती हैं। वायरल लोड संक्रमण क्षमता और व्यवहार संबंधी प्रतिबंधों (जैसे, उच्च वायरल लोड वाले एजेंट घर पर ही रहते हैं) को निर्धारित करता है।
   • संचरण: स्रोत के वायरल लोड और लक्ष्य की संवेदनशीलता के गुणनफल पर आधारित एक नियतात्मक थ्रेशोल्ड नियम।
   • अवलोकन योग्य (Observables): भविष्यवाणी कार्य के लिए पूर्ण सूक्ष्म अवस्थाओं के बजाय, सिस्टम दैनिक समग्र गणनाओं (सुसेप्टिबल, संक्रमित, रिकवर्ड, डेड, नए मामले, मोबाइल बनाम होमबाउंड संक्रमित) को रिकॉर्ड करता है।

2. कूपमैन प्रतिनिधित्व और प्रारंभिक चेतावनी:

   • कूपमैन लर्निंग: लेखक एक न्यूरल एनकोडर का उपयोग करके शुरुआती महामारी प्रक्षेपवक्रों (5-दिवसीय विंडो) के लिए एक निम्न-आयामी लेटेंट प्रतिनिधित्व ($z_d \in \mathbb{R}^6$) सीखते हैं। इस लेटेंट स्पेस में गतिकी को एक रैखिक ट्रांजिशन मैट्रिक्स ($A$) द्वारा अनुमानित किया जाता है, जो लघु-क्षितिज पूर्वानुमान ($h=5$ दिन) की अनुमति देता है ($z_{d+1} \approx A z_d$)।
   • प्रशिक्षण उद्देश्य: मॉडल पुनर्निर्माण हानि (reconstruction loss), लेटेंट लिनियरिटी लॉस और मल्टी-स्टेप प्रेडिक्शन लॉस को कम करता है।
   • वर्गीकरण: एक रैंडम फॉरेस्ट क्लासिफायर का उपयोग प्रारंभिक अवलोकन विंडो (प्रत्यक्ष सांख्यिकी) और कूपमैन लेटेंट स्पेस (लेटेंट कोऑर्डिनेट्स और पूर्वानुमान) से प्राप्त फीचर्स के आधार पर बड़े प्रकोप की संभावना को वर्गीकृत करने के लिए किया जाता है (जिसे $\rho \ge 0.3$ के अंतिम अटैक रेट द्वारा परिभाषित किया गया है)।

3. प्रतितथ्यात्मक हस्तक्षेप (Counterfactual Intervention):

   • प्रोटोकॉल: उच्च-जोखिम वाले प्रक्षेपवक्रों के लिए, सिस्टम प्रतितथ्यात्मक सिमुलेशन करता है। एक एकल एजेंट को एक चयनित दिन के लिए क्वारंटाइन (घर पर रहने के लिए मजबूर) किया जाता है, जबकि अन्य सभी पैरामीटर (रैंडम सीड्स, प्रारंभिक स्थितियाँ, दिनचर्या) बेसलाइन के समान रहते हैं।
   • मेट्रिक्स: हस्तक्षेप की सफलता को अंतिम अटैक रेट में कमी ($\Delta \rho$) और पीक इन्फेक्टेड काउंट द्वारा मापा जाता है। एक हस्तक्षेप को "प्रकोप-रोकने वाला" तब माना जाता है जब वह अंतिम अटैक रेट को $\ge 0.3$ से बदलकर $< 0.3$ कर देता है।

प्रमुख योगदान

• कूपमैन-आधारित प्रारंभिक चेतावनी: यह शोध पत्र प्रदर्शित करता है कि कूपमैन ऑपरेटर लर्निंग प्रभावी रूप से उच्च-आयामी, गैर-रैखिक बहु-एजेंट महामारी प्रक्षेपवक्रों को एक निम्न-आयामी लेटेंट स्पेस में संकुचित कर सकता है जो दीर्घकालिक परिणामों के लिए प्रासंगिक जानकारी को सुरक्षित रखता है।
• फीचर एकीकरण: यह दिखाता है कि कूपमैन-व्युत्पन्न फीचर्स (लेटेंट स्टेट्स और फोरकास्ट) आउटब्रेक रिस्क को वर्गीकृत करने के लिए प्रत्यक्ष महामारी विज्ञान सारांशों (जैसे, सक्रिय संक्रमण संख्या) के समान ही सूचनात्मक हैं, और कम अवलोकन विंडो के साथ उच्च सटीकता प्राप्त करते हैं।
• न्यूनतम हस्तक्षेप विश्लेषण: यह अध्ययन कि यह परीक्षण करने की एक व्यवस्थित विधि प्रदान करता है कि निकट-क्रिटिकल प्रक्षेपवक्यों को कैसे संशोधित किया जा सकता है। यह स्थापित करता है कि न्यूनतम व्यवधान (एक एजेंट, एक दिन) सिस्टम के शासन (regime) को गुणात्मक रूप से बदल सकता है, जिससे इसे एक बड़े प्रकोप से विलुप्ति की ओर मोड़ा जा सकता है, बशर्ते हस्तक्षेप ट्रांसमिशन चेन के स्व-स्थिर (self-sustaining) होने से पहले हो।
• टिपिंग पॉइंट लक्षण वर्णन: कार्य उस "निकट-क्रिटिकल" शासन को चित्रित करता है जहाँ समान पैरामीटर सेटिंग्स भिन्न परिणाम देती हैं, जो केवल समग्र संचरण दरों के बजाय विशिष्ट संपर्क अनुक्रमों के प्रति संवेदनशीलता को उजागर करती है।

प्रायोगिक परिणाम

• डेटासेट: 10,200 सिमुलेशन रन जेनरेट किए गए, जिसमें संवेदनशीलता पैरामीटर्स को एक ट्रांजिशन पॉइंट (1.3015–1.3025) के आसपास बारीकी से स्वीप किया गया, जिसके परिणामस्वरूप नियंत्रित (4,825) और बड़े प्रकोप (5,375) के लगभग संतुलित डेटासेट प्राप्त हुआ।
• भविष्यवाणी प्रदर्शन:
  • अकेले कूपमैन मॉडल ने रन स्तर पर 0.9980 का ROC AUC प्राप्त किया।
  • रैंडम फॉरेस्ट क्लासिफायर ने, प्रत्यक्ष और कूपमैन-व्युत्पन्न फीचर्स का उपयोग करते हुए, होल्ड-आउट 5-दिवसीय विंडो पर 0.9958 की टेस्ट एक्यूरेसी और 0.9999 का ROC AUC प्राप्त किया।
  • फीचर इम्पॉर्टेंस एनालिसिस ने पुष्टि की कि कूपमैन-व्युत्पन्न फीचर्स ने वर्गीकरण में महत्वपूर्ण योगदान (22.49%) दिया, जो प्रत्यक्ष इन्फेक्टेड सीरीज़ फीचर्स (23.57%) के तुलनीय है।
• हस्तक्षेप के परिणाम:
  • उदाहरण स्वरूप प्रतितथ्यात्मक मामलों में, एक चयनित एजेंट के एक-दिवसीय क्वारंटाइन ने कई उदाहरणों में बड़े प्रकोप को सफलतापूर्वक रोका, जिससे अंतिम अटैक रेट ~0.69 से घटकर लगभग शून्य हो गया।
  • अन्य मामलों में, उसी प्रकार के हस्तक्षेप ने केवल महामारी के पीक को विलंबित किया या अधिकतम सक्रिय बोझ को कम किया, लेकिन अंतिम प्रकोप को रोकने में विफल रहा, जो यह दर्शाता है कि न्यूनतम हस्तक्षेपों की प्रभावकारिता प्रक्षेपवक्र की विशिष्ट डायनामिकल स्थिति पर बहुत अधिक निर्भर करती है।

महत्व और दावे
यह शोध पत्र बहु-एजेंट प्रणालियों में फेज-ट्रांजिशन जैसी व्यवहार का अध्ययन करने के लिए एक कम्प्यूटेशनल फ्रेमवर्क प्रदान करने का दावा करता है। इसका प्राथमिक महत्व प्रारंभिक भविष्यवाणी और प्रतितथ्यात्मक सिमुलेशन के संयुक्त उपयोग में निहित है:

1. संशोधनीय प्रक्षेपवक्यों की पहचान करना: फ्रेमवर्क उन प्रक्षेपवखों की पहचान करता है जहाँ परिणाम अभी भी पूर्व-निर्धारित नहीं है और छोटे व्यवधानों के प्रति संवेदनशील बना हुआ है।
2. न्यूनतम हस्तक्षेप व्यवहार्यता: यह सिद्ध करता है कि निकट-क्रिटिकल शासन में, अत्यंत स्थानीयकृत और अस्थायी हस्तक्षेप सिस्टम को विनाशकारी परिणाम से दूर निर्देशित करने के लिए पर्याप्त हो सकते हैं, जो इस धारणा को चुनौती देते हैं कि केवल व्यापक, जनसंख्या-व्यापी उपाय ही प्रभावी होते हैं।
3. मेथोडोलॉजिकल ब्रिज: यह कार्य नॉन-लीनियर डायनेमिक्स, स्पेक्ट्रल एनालिसिस (कूपमैन ऑपरेटर्स के माध्यम से), और डेटा-ड्रिवन निर्णय समर्थन के बीच एक सेतु बनाता है, यह दिखाते हुए कि सीखे गए लेटेंट रिप्रेजेंटेशन भविष्य के पूर्वानुमान उपकरण और हस्तक्षेप योजना के लिए फीचर स्रोत दोनों के रूप में कार्य कर सकते हैं।

लेखक स्पष्ट रूप से कहते हैं कि यह एब्स्ट्रैक्टेड एजेंटों और सरलीकृत संचरण नियमों का उपयोग करके एक नियंत्रित कम्प्यूटेशनल अध्ययन है। वे यह दावा नहीं करते हैं कि परिणाम वास्तविक दुनिया के अनुप्रयोग के लिए एक कैलिब्रेटेड महामारी विज्ञान निर्णय प्रणाली हैं, बल्कि यह जटिल अनुकूलन प्रणालियों (complex adaptive systems) में टिपिंग पॉइंट्स और हस्तक्षेप संवेदनशीलता के विश्लेषण के लिए एक प्रूफ-ऑफ-कांसेप्ट है। भविष्य के कार्य में समृद्ध धारणाएं (टीकाकरण, विस्तृत नेटवर्क) और लागत-बाधित नीतियां शामिल करने का सुझाव दिया गया है।