🤖 machine learning

Geometric Kolmogorov--Arnold Network (GeoKAN)

यह शोधपत्र ज्योमेट्रिक कोल्मोगोरोव-आर्नोल्ड नेटवर्क (GeoKANs) का परिचय देता है, जो मॉडलों का एक परिवार है जो इनपुट निर्देशांकों को विकृत करने के लिए एक विकर्ण रीमानियन मीट्रिक (diagonal Riemannian metric) सीखने के माध्यम से फलन सन्निकटन (function approximation) और भौतिकी-सूचित शिक्षण (physics-informed learning) को उन्नत करते हैं, जिससे तीव्र, कठोर और गैर-समान शासन (sharp, stiff, and non-uniform regimes) को बेहतर ढंग से संभालने के लिए प्रतिनिधित्व संबंधी रिज़ॉल्यूशन को गतिशील रूप से पुनर्वितरित किया जाता है।

मूल लेखक: Abhijit Sen, Bikram Keshari Parida, Giridas Maiti, Mahima Arya, Denys I. Bondar

प्रकाशित 2026-05-11

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Abhijit Sen, Bikram Keshari Parida, Giridas Maiti, Mahima Arya, Denys I. Bondar

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 शहर का एक जटिल मानचित्र (map) बनाने की कोशिश कर रहे हैं।

पुराना तरीका (मानक AI):
अधिकांश मानक AI मॉडल (जैसे पारंपरिक न्यूरल नेटवर्क) एक ऐसे मानचित्रकार (cartographer) की तरह हैं जो एक कठोर, अपरिवर्तनीय ग्रिड का उपयोग करता है। वे हर सड़क, पार्क और गली को एक ही आकार के वर्गों (squares) का उपयोग करके बनाने की कोशिश करते हैं। यदि शहर के एक कोने में एक विशाल, खाली रेगिस्तान है और दूसरे कोने में एक छोटा, भीड़भाड़ वाला बाजार है, तो मानचित्रकार उस खाली रेगिस्तान को उच्च विवरण के साथ बनाने में बहुत सारा कागज बर्बाद कर देता है, जबकि भीड़भाड़ वाले बाजार को कुछ छोटे, धुंधले वर्गों में ठूस दिया जाता है। इसका परिणाम अक्सर व्यस्त क्षेत्रों में एक धुंधला सा मिश्रण होता है और खाली क्षेत्रों में बेकार प्रयास होता है।

नया विचार (GeoKAN):
यह शोध पत्र GeoKAN (जियोमेट्रिक कोलमोगोरोव-आर्नो नेटवर्क) पेश करता है। GeoKAN को एक "स्मार्ट मैप" के रूप में समझें जो चित्र बनाना शुरू करने से पहले खुद कागज को खींच (stretch) और सिकोड़ (shrink) सकता है।

केवल यह सीखने के बजाय कि क्या बनाना है, GeoKAN यह सीखता है कि कहाँ ध्यान से देखना है। यह एक विशेष "रबर शीट" (जिसे learned metric कहा जाता है) बनाता है, जिसे यह समस्या के ऊपर रखता है।

जहाँ चीजें सरल और सुचारू हैं (जैसे खाली रेगिस्तान), वहाँ रबर शीट उस क्षेत्र को सिकोड़ (shrink) देती है। इससे AI उन हिस्सों को अनदेखा कर पाता है और अपनी ऊर्जा बचा पाता है।
जहाँ चीजें अराजक हैं और तेजी से बदलती हैं (जैसे भीड़भाड़ वाला बाजार, या भौतिकी में एक तीव्र शॉकवेव), वहाँ रबर शीट उस क्षेत्र को खींच (stretch) देती है। यह AI को ठीक वहीं अधिक "जगह" देता है जहाँ बारीक विवरणों की आवश्यकता होती है।

यह कैसे काम करता है (वह "खिंचाव" वाला जादू)

शोध पत्र बताता है कि GeoKAN मुख्य तीन चरणों में यह करता है:

खिंचाव (The Metric): सबसे पहले, मॉडल इनपुट के हर हिस्से के लिए एक "खिंचाव कारक" (stretch factor) सीखता है। यह यह तय करने जैसा है कि, "मुझे यहाँ 10x ज़ूम करने की आवश्यकता है, लेकिन मैं वहाँ 5x ज़ूम आउट कर सकता हूँ।"
विरूपण (The Warp): यह उस खिंचाव कारक के आधार पर इनपुट निर्देशांकों (coordinates) को गणितीय रूप से विकृत (warp) करता है। "खिंचे हुए" क्षेत्र में एक बिंदु जो दूर था, अब मॉडल के आंतरिक दृश्य में करीब आ जाता है, जिससे यह विवरणों को स्पष्ट रूप से देख पाता है।
चित्रण (The Basis): एक बार जब स्थान विकृत हो जाता है, तो मॉडल इस नए, खींचे हुए स्थान में समाधान बनाने के लिए विशेष उपकरणों (जैसे वेवलेट्स, जो छोटे, समायोज्य फ्लैशलाइट की तरह हैं) का उपयोग करता है।

GeoKAN के तीन "प्रकार" (Flavors)

लेखकों ने तीन अलग-अलग संस्करण बनाए हैं, जिनमें से प्रत्येक के पास अलग-अलग टूलसेट है:

GeoKAN-NNMetric: "लचीला कलाकार।" यह पूरे चित्र के आधार पर यह तय करने के लिए कि मानचित्र को ठीक से कैसे खींचा जाए, एक जटिल न्यूरल नेटवर्क का उपयोग करता है। यह बहुत ही अव्यवस्थित और जटिल आकृतियों के लिए बेहतरीन है।
GeoKAN-γ: "हल्का आर्किटेक्ट।" यह मानचित्र को खींचने के लिए एक सरल, अधिक संरचित तरीके का उपयोग करता है। यह तेज़ है और कम संसाधनों का उपयोग करता है, जिससे यह तब अच्छा विकल्प बनता है जब आपको कुछ कुशल चाहिए।
LM-KAN (Learned-Metric KAN): "विशेषज्ञ।" यह भौतिकी की समस्याओं को हल करने के लिए मुख्य आकर्षण है। यह लचीले खिंचाव को विभिन्न प्रकार के ड्राइंग टूल्स (वेवलेट्स, रेडियल बेसिस फंक्शन, या फूरियर वेव्स) के साथ जोड़ता है, जो समस्या पर निर्भर करता है।
- उपमा: यदि समस्या एक ध्वनि तरंग (sound wave) है, तो यह "फूरियर" टूल का उपयोग करता है (जो लहरों के लिए अच्छा है)। यदि यह एक तीखा स्पाइक है, तो यह "वेवलेट" टूल का उपयोग करता है (जो अचानक उछाल के लिए अच्छा है)।

उन्होंने क्या पाया (परिणाम)

शोधकर्ताओं ने इन मॉडलों का परीक्षण दो प्रकार की चुनौतियों पर किया:

1. जटिल आकृतियों का चित्रण (Function Approximation)
उन्होंने मॉडलों को ऐसी रेखाएं खींचने के लिए कहा जो टेढ़ी-मेढ़ी थीं, जिनमें तीखे मोड़ थे, या जो बहुत संकीर्ण थीं।

परिणाम: GeoKAN मॉडल खाली हिस्सों पर ऊर्जा बर्बाद किए बिना, तीखे और कठिन हिस्सों को पकड़ने में बहुत बेहतर थे। वे बिल्कुल वहीं "ज़ूम इन" कर सके जहाँ रेखा ऊबड़-खाबड़ थी।

2. भौतिक समीकरणों को हल करना ("वास्तविक दुनिया" के परीक्षण)
उन्होंने भौतिकी के प्रसिद्ध समीकरणों को हल करने के लिए GeoKAN का उपयोग किया जो तरल प्रवाह (fluid flow), ऊष्मा स्थानांतरण (heat transfer) और तरंगों (waves) का वर्णन करते हैं।

बर्गर्स समीकरण (तरल पदार्थ): इसमें तरल पदार्थ चलते हैं और तीव्र "शॉक्स" (shocks) पैदा करते हैं। GeoKAN ने इन तीव्र शॉक्स को पुराने मॉडलों की तुलना में बेहतर ढंग से संभाला और तेजी से प्रशिक्षित हुआ।
एलेन-चैन (फेज परिवर्तन): इसमें सामग्रियों के बीच पतली सीमाएं शामिल होती हैं। GeoKAN इन पतली, चलती हुई रेखाओं को ट्रैक करने में बेहतर था, विशेष रूप से कठिन परिदृश्यों में।
हेल्महोल्ट्ज़ समीकरण (तरंगें): यह उच्च-आवृत्ति वाली तरंगों के बारे में है। जैसे-जैसे तरंगें तेज़ और अधिक जटिल होती गईं, पुराने मॉडल धुंधले होने लगे। GeoKAN ने, अपने "खिंचाव वाले" मानचित्र और तरंग-विशिष्ट उपकरणों का उपयोग करके, तरंग पैटर्न को सटीक और स्पष्ट रखा, और अक्सर आधे समय में प्रशिक्षण पूरा किया।

निष्कर्ष

शोध पत्र का दावा है कि GeoKAN विज्ञान के लिए AI बनाने का एक स्मार्ट तरीका है। पूरी दुनिया को एक ही "ज़ूम स्तर" के साथ देखने के लिए मजबूर करने के बजाय, GeoKAN दुनिया को खींचना (stretch) सीखता है ताकि वह अपनी मानसिक शक्ति को ठीक वहीं केंद्रित कर सके जहाँ गतिविधि हो रही है।

जब यह जीतता है: यह तब चमकता है जब समस्या में तीखे किनारे, अचानक परिवर्तन, या जटिल तरंगें (जैसे शॉकवेव्स या लहरें) हों।
समझौता (Trade-off): कभी-कभी, बहुत सरल समस्याओं के लिए, पुराने तरीके अभी भी तेज़ होते हैं। लेकिन जब चीजें "कठोर" या "तीव्र" हो जाती हैं, तो अपनी ज्यामिति को अनुकूलित करने की GeoKAN की क्षमता इसे एक बहुत अधिक शक्तिशाली उपकरण बनाती है।

संक्षेप में: GeoKAN केवल उत्तर नहीं सीखता; यह प्रश्न को देखने का सबसे अच्छा तरीका भी सीखता है।

तकनीकी सारांश: ज्योमेट्रिक कोलमोगोरोव-आर्नोल्ड नेटवर्क (GeoKAN)

समस्या विवरण

मानक डीप लर्निंग मॉडल, जिनमें मल्टीलेयर पर्सेप्ट्रॉन्स (MLPs) और हालिया कोलमोगोरोव-आर्नोरोल्ड नेटवर्क (KANs) शामिल हैं, आमतौर पर एक निश्चित यूक्लिडियन समन्वय प्रणाली (Euclidean coordinate system) के भीतर कार्य करते हैं। जबकि KANs फिक्स्ड स्केलर वेट्स के स्थान पर सीखने योग्य यूनिवेरिएट फंक्शन्स का उपयोग करके एप्रोक्सिमेशन फ्लेक्सिबिलिटी में सुधार करते हैं, वे फिर भी इन फंक्शन्स को सीधे मूल इनपुट कोऑर्डिनेट्स पर इवैल्यूएट करते हैं। यह सीमा वैज्ञानिक मशीन लर्निंग और डिफरेंशियल इक्वेशन सॉल्विंग में महत्वपूर्ण हो जाती है, जहाँ लक्ष्य फंक्शन अक्सर अत्यधिक गैर-समान व्यवहार प्रदर्शित करते हैं: कुछ क्षेत्रों में सुचारू (smooth) लेकिन शॉक, पतले इंटरफेस, तीखे शिखर (sharp peaks), या बाउंड्री लेयर्स के पास तेजी से बदलने वाले। ऐसे परिदृश्यों में, निश्चित-कोऑर्डिनेट रिप्रेजेंटेशन क्षमता का अक्षम आवंटन करता है, जो अक्सर सुचारू क्षेत्रों को अत्यधिक रिज़ॉल्यूशन देता है जबकि तीव्र परिवर्तन वाले क्षेत्रों को कम रिज़ॉल्यूशन देता है।

कार्यप्रणाली (Methodology)

लेखक जियोमेट्रिक कोलमोगोरोव-आर्नोल्ड नेटवर्क (GeoKANs) पेश करते हैं, जो मॉडलों का एक परिवार है जो बेसिस एक्सपेंशन और फीचर मिक्सिंग से पहले इनपुट स्पेस की ज्यामिति (geometry) को इनपुट फंक्शन के साथ अनुकूलित करता है। मुख्य तंत्र एक डायगोनल रिमानियन मेट्रिक (diagonal Riemannian metric) $g(u)$ को सीखता है जो बेसिस एक्सपेंशन से पहले इनपुट कोऑर्डिनेट्स को विकृत (warp) करता है।

मुख्य तंत्र

Raw इनपुट्स $x$ पर बेसिस फंक्शन्स को इवैल्यूएट करने के बजाय, GeoKAN पहले विकृत कोऑर्डिनेट्स (warped coordinates) की गणना करता है:
$\xi_i = x_i \sqrt{g_i(x)}$
जहाँ $g_i(x) > 0$ एक सीखा गया मेट्रिक कंपोनेंट है। यह वार्पिंग (warping) तीव्र परिवर्तन वाले क्षेत्रों को खींचती है (प्रभावी रिज़ॉल्यूशन बढ़ाती है) और सुचारू क्षेत्रों को संकुचित करती है। मॉडल फिर इन ज्योमेट्री-अनुकूलित कोऑर्डिनेट्स में फीचर्स का निर्माण करता है।

वेरिएंट्स (Variants)

पेपर में तीन मुख्य वेरिएंट्स प्रस्तावित किए गए हैं, जो इस बात में भिन्न हैं कि मेट्रिक को कैसे पैरामीटराइज़ किया जाता है और पोस्ट-वार्प फीचर्स का निर्माण कैसे किया जाता है:

GeoKAN-NNMetric: यह एक कपल्ड मेट्रिक का उपयोग करता है जिसे एक न्यूरल नेटवर्क (MetricNet) के माध्यम से पूर्ण इनकमिंग रिप्रेजेंटेशन से सीखा जाता है। यह एक स्थानीयकृत वेवलेट डिक्शनरी (Mexican-hat wavelets) और एक वॉल्यूम समरी टर्म ( $\log \det g$ ) के साथ मिलकर कार्य करता है।
GeoKAN- $\gamma$ : यह एक स्ट्रक्चर्ड, सेपरेबल मेट्रिक का उपयोग करता है जहाँ प्रत्येक कोऑर्डिनेट स्वतंत्र रूप से अपना स्वयं का स्केलिंग सीखता है। पोस्ट-वार्प डिक्शनरी के बजाय, यह मेट्रिक से प्राप्त स्पष्ट ज्यामितीय फीचर्स का निर्माण करता है, जिसमें विकृत कोऑर्डिनेट, मेट्रिक का स्थानीय लॉगरिदमिक डेरिवेटिव और मेट्रिक मैग्नीट्यूड शामिल हैं।
LM-KAN (Learned-Metric KAN): इसे विशेष रूप से फिजिक्स-इन्फॉर्म्ड सेटिंग्स के लिए डिज़ाइन किया गया है। यह एक कपल्ड सीखा गया मेट्रिक (Geo-KAN-NNMetric की तरह) उपयोग करता है लेकिन पोस्ट-वार्प बेसिस को समस्या की संरचना के आधार पर चुना जा सकता है: वेवलेट (LM-KAN-Wav), रेडियल बेसिस फंक्शन (LM-KAN-RBF), या फूरियर (LM-KAN-Fourier)।

फिजिक्स-इन्फॉर्म्ड लर्निंग

फिजिक्स-इन्फॉर्म्ड सेटिंग में, लेखक मानक फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINN) फ्रेमवर्क के भीतर सरोगेट मॉडल के रूप में LM-KAN वेरिएंट का उपयोग करते हैं। ट्रेनिंग ऑब्जेक्टिव एक रेजिडुअल-आधारित लॉस फंक्शन बना रहता है जिसमें गवर्निंग डिफरेंशियल इक्वेशन, इनिशियल कंडीशंस और बाउंड्री कंडीशंस शामिल होती हैं। नवीनता पूरी तरह से आर्किटेक्चर में है: सरोगेट एक कार्य-निर्भर मेट्रिक सीखता है और अपने स्थानीयकृत बेसिस रिप्रेजेंटेशन को मेट्रिक-अनुकूलित कोऑर्डिनेट्स में इवैल्यूएट करता है, न कि लॉस के वेरिएशनल फॉर्मुलेशन को बदलता है।

मुख्य योगदान (Key Contributions)

ज्यामितीय इंडक्टिव बायस (Geometric Inductive Bias): पेपर एक ऐसा ढांचा पेश करता है जहाँ मॉडल न केवल फंक्शन एप्रोक्सिमेशन सीखता है बल्कि रिप्रेजेंटेशन स्पेस की अंतर्निहित ज्यामिति को भी सीखता है, जो रिप्रेजेंटेशनल रिज़ॉल्यूशन को कार्य-निर्भर तरीके से पुनर्वितरित करने का एक तंत्र प्रदान करता है।
तीन विशिष्ट आर्किटेक्चर: GeoKAN-NNMetric, GeoKAN- $\gamma$ , और LM-KAN का विकास लचीले कपल्ड-मेट्रिक अप्रोच से लेकर स्ट्रक्चर्ड, लाइटवेट मेट्रिक-फीचर मॉडल्स तक का एक स्पेक्ट्रम प्रदान करता है।
बेसिस एडैप्टेशन: विशिष्ट बेसिस फैमिली (वेवलेट, RBF, फूरियर) का ज्यामितीय वार्प के भीतर एकीकरण मॉडल को विशिष्ट समस्या प्रकारों (जैसे, ऑसिलेटरी हेल्महोल्ट्ज़ समस्याओं के लिए फूरियर) के लिए अपने इंडक्टिव बायस को अनुकूलित करने की अनुमति देता है।
व्यापक बेंचमार्किंग: कार्य दो अलग-अलग श्रेणियों में इन मॉडलों का मूल्यांकन करता है:
- सुपरवाइज्ड फंक्शन एप्रोक्सिमेशन: इनट्रिंसिक एप्रोक्सिमेशन लाभों को अलग करने के लिए मैच-कैपेसिटी बेंचमार्क्स का उपयोग करना।
- फिजिक्स-इन्फॉर्म्ड लर्निंग: वैज्ञानिक कंप्यूटिंग संदर्भों में प्रदर्शन का परीक्षण करने के लिए विभिन्न डिफरेंशियल इक्वेशंस (Allen–Cahn, Burgers', Lorenz system, Helmholtz) को हल करना।

परिणाम (Results)

सुपरवाइज्ड फंक्शन एप्रोक्सिमेशन

मैच्ड-कैपेसिटी बेंचमार्क्स (लगभग $2 \times 10^4$ पैरामीटर्स) में, GeoKAN वेरिएंट्स ने गैर-समान संरचनाओं वाले लक्ष्यों पर MLPs और Efficient-KAN की तुलना में बेहतर प्रदर्शन किया:

हाई-फ्रीक्वेंसी और लोकलाइज्ड टारगेट्स: हाई-फ्रीक्वेंसी साइनोइड्स, स्टेप डिस्कंटीन्यूटीज़, नैरो नीडल्स और मल्टीस्केल एनवेलप-मॉड्यूलेटेड साइनोइड्स पर GeoKAN-NNMetric और LM-KAN-Wav ने सबसे कम मीन स्क्वेर्ड एरर (MSE) प्राप्त किया।
चर्प सिग्नल्स (Chirp signals): LM-KAN-RBF ने अन्य वेरिएंट्स की तुलना में चर्प टारगेट्स पर बेहतर प्रदर्शन किया, जो बताता है कि RBF बेसिस स्मूथली बदलते लोकल फ्रीक्वेंसी के लिए बेहतर अनुकूल हैं।
व्याख्या (Interpretation): परिणाम पुष्टि करते हैं कि सीखा गया मेट्रिक प्रभावी रूप से रिज़ॉल्यूशन को पुनर्वितरित करता है, कठिन क्षेत्रों को खींचता है और सुचारू क्षेत्रों को संकुचित करता है, जिससे पैरामीटर काउंट बढ़ाए बिना टाइट फिट प्राप्त होता है।

फिजिक्स-इन्फॉर्म्ड लर्निंग

LM-KAN के प्रदर्शन की तुलना कई डिफरेंशियल इक्वेशंस के लिए मानक PIKAN बेसलाइन्स (Efficient-KAN और Wav-KAN) के विरुद्ध की गई:

Allen–Cahn इक्वेशन (केस 1): दोनों मॉडल्स ने उच्च सटीकता प्राप्त की। PIKAN ने थोड़ा कम फाइनल लॉस प्राप्त किया, लेकिन LM-KAN काफी तेजी से (315s बनाम 539s) प्रशिक्षित हुआ और इसमें कम पैरामीटर्स थे।
Allen–Cahn इक्वेशन (केस 2 - स्टिफ): अधिक चुनौतीपूर्ण शासन (regime) में जिसमें शार्प इंटरफेस थे, LM-KAN ने बेहतर सॉल्यूशन रिकंस्ट्रक्शन और कम PDE रेजिडुअल प्रदान किया, हालांकि इसमें अधिक कम्प्यूटेशनल लागत (4760s बनाम 1281s) लगी।
Burgers' इक्वेशन: LM-KAN ने PIKAN के लगभग समान फाइनल लॉस प्राप्त किया, लेकिन काफी कम समय में (206s बनाम 295s), अधिक पैरामीटर्स होने के बावजूद, जो तीव्र ग्रेडिएंट्स को हल करने में बेहतर कम्प्यूटेशनल दक्षता को दर्शाता है।
Lorenz सिस्टम: LM-KAN ने PIKAN की तुलना में कम फाइनल लॉस प्राप्त किया, जो दर्शाता है कि ज्यामितीय अनुकूलन कपल्ड नॉनलीन ODEs के लिए फायदेमंद है, हालांकि इसमें प्रशिक्षण का समय अधिक लगा।
Helmholtz इक्वेशन: इस अत्यधिक ऑसिलेटरी शासन में, LM-KAN (फूरियर बेसिस का उपयोग करते हुए) Efficient-KAN बेसलाइन की तुलना में काफी बेहतर रहा। यह कम फाइनल लॉस (लगभग 45% की कमी) तक पहुँचा और दोगुने से अधिक तेजी से प्रशिक्षित हुआ (76s बनाम 166s), जबकि इसके पैरामीटर काउंट लगभग समान थे। ज्यामितीय अनुकूलन तरंग दैर्ध्य (wavelengths) कम होने पर भी फेज सटीकता और वेव स्ट्रक्चर को बनाए रखने में विशेष रूप से प्रभावी साबित हुआ।

महत्व और दावे (Significance and Claims)

पेपर का दावा है कि GeoKAN वैज्ञानिक मशीन लर्निंग के लिए एक अधिक लचीला और अक्सर अधिक प्रभावी रिप्रेजेंटेशनल मैकेनिज्म प्रदान करता है, विशेष रूप से उन समस्याओं के लिए जो तीव्र संक्रमण (sharp transitions), लोकलाइज्ड स्ट्रक्चर, या ऑसिलेटरी कॉम्प्लेक्सिटी द्वारा चिह्नित होती हैं।

आर्किटेक्चरल बनाम वेरिएशनल: लेखक जोर देते हैं कि सुधार आर्किटेक्चरल है। ट्रेनिंग फ्रेमवर्क (रेजिडुअल-बेस्ड लॉस) मानक बना रहता है; लाभ सरोगेट की ज्योमेट्री-अनुकूलित कोऑर्डिनेट सिस्टम सीखने की क्षमता से आता है।
कार्य-निर्भर रिज़ॉल्यूशन: प्राथमिक महत्व यह है कि "जहाँ आवश्यकता है वहाँ क्षमता (capacity) को रखा जा सके।" एक मेट्रिक सीखकर जो कठिन क्षेत्रों को खींचता है, GeoKAN उन फिक्स्ड-ग्रिड रिप्रेजेंटेशन की अक्षमता से बचता है जिन्हें वैश्विक स्तर पर स्थानीय विशेषताओं को हल करना पड़ता है।
संयमित दावे: लेखक स्वीकार करते हैं कि GeoKAN हर मेट्रिक में समान रूप से श्रेष्ठ नहीं है। कुछ मामलों में (जैसे, Allen–Cahn केस 1), मानक PIKAN कम फाइनल लॉस या तेज़ प्रशिक्षण प्राप्त करता है। GeoKAN का लाभ मजबूत गैर-समानता, स्टिफनेस, या हाई-फ्रीक्वेंसी ऑसिलेशन वाले शासन में सबसे अधिक स्पष्ट है।
भविष्य की दिशाएं: पेपर सुझाव देता है कि भविष्य के कार्य उच्च-आयामी PDEs के लिए अनिसोट्रोपिक (गैर-डायगोनल) मेट्रिक्स तलाश सकते हैं और बेसिस सिलेक्शन में और अधिक अनुकूलन ला सकते हैं।

संक्षेप में, GeoKAN इनपुट डोमेन की ज्यामिति को सीखकर KAN प्रतिमान (paradigm) का विस्तार करता है, जो कई वैज्ञानिक और डिफरेंशियल इक्वेशन समस्याओं में निहित गैर-समानता को संभालने के लिए एक मजबूत दृष्टिकोण प्रदान करता है।

यह कैसे काम करता है (वह "खिंचाव" वाला जादू)

GeoKAN के तीन "प्रकार" (Flavors)

उन्होंने क्या पाया (परिणाम)

निष्कर्ष

तकनीकी सारांश: ज्योमेट्रिक कोलमोगोरोव-आर्नोल्ड नेटवर्क (GeoKAN)

समस्या विवरण

कार्यप्रणाली (Methodology)

मुख्य तंत्र

वेरिएंट्स (Variants)

फिजिक्स-इन्फॉर्म्ड लर्निंग

मुख्य योगदान (Key Contributions)

परिणाम (Results)

सुपरवाइज्ड फंक्शन एप्रोक्सिमेशन

फिजिक्स-इन्फॉर्म्ड लर्निंग

महत्व और दावे (Significance and Claims)

इसी तरह के और पेपर