🔬 physics

Nonlinear GENERIC Informed Neural Networks (N-GINNs): learning GENERIC dynamics with non-quadratic dissipation potentials

यह शोध पत्र नॉनलीन GENERIC इन्फॉर्म्ड न्यूरल नेटवर्क्स (N-GINNs) प्रस्तुत करता है, जो एक ऐसा डीप लर्निंग फ्रेमवर्क है जो उन प्रणालियों के लिए विकास समीकरणों (evolution equations) को सटीक रूप से खोजने हेतु उत्तल विसर्जन क्षमताओं (convex dissipation potentials) के माध्यम से ऊष्मागतिक निरंतरता (thermodynamic consistency) लागू करता है, जिनमें संरक्षी गतिकी (conservative dynamics) और गैर-द्विघाती विसर्जन (non-quadratic dissipation) दोनों प्रदर्शित होते हैं।

मूल लेखक: Vojtěch Votruba, Zequn He, Weilun Qiu, Celia Reina, Michal Pavelka

प्रकाशित 2026-05-12

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Vojtěch Votruba, Zequn He, Weilun Qiu, Celia Reina, Michal Pavelka

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 रोबोट को यह सिखाने की कोशिश कर रहे हैं कि एक जटिल मशीन कैसे चलेगी। आप रोबोट को मशीन के चलने के हजारों वीडियो दिखा सकते हैं और उसे नियम पहचानने दे सकते हैं। लेकिन एक समस्या है: यदि रोबोट सावधान नहीं रहा, तो वह एक ऐसा नियम सीख सकता है जो कुछ सेकंड के लिए तो सही दिखता है, लेकिन अंततः भौतिकी के नियमों को तोड़ देता है। वह ऐसी मशीन का आविष्कार कर सकता है जो शून्य से ऊर्जा पैदा करती है या ऐसी मशीन जो काम करते समय ठंडी होती जाती है, जो हमारे ब्रह्मांड में असंभव है।

यह शोध पत्र एक नया टूल पेश करता है जिसे N-GINS (नॉनलीनियर GENERIC इन्फॉर्म्ड न्यूरल नेटवर्क्स) कहा जाता है। इस टूल को एक "फिजिक्स सेफ्टी हार्नेस" (भौतिकी सुरक्षा हार्नेस) के रूप में सोचें। AI को नियम स्वतंत्र रूप से अनुमान लगाने देने के बजाय, शोधकर्ताओं ने AI के मस्तिष्क को इस तरह बनाया है कि वह ऊष्मागतिकी (thermodynamics) के मौलिक नियमों (ऊर्जा संरक्षण और एंट्रॉपी) को तोड़ ही न सके।

यहाँ बताया गया है कि यह कैसे काम करता है, सरल उपमाओं का उपयोग करते हुए:

1. दो-इंजन वाली प्रणाली (The Two-Engine System)

यह शोध पत्र उन प्रणालियों पर केंद्रित है जिनमें एक साथ दो प्रकार की गतिविधियाँ हो रही होती हैं:

पुनत्त्यवर्ती इंजन (द स्विंग - द रिवर्सिबल इंजन): कल्पना कीजिए कि एक बच्चा झूले पर बैठा है। यदि घर्षण (friction) नहीं होता, तो वह हमेशा आगे-पीछे झूलता रहता। यह "संरक्षी" (conservative) गति है। यह अनुमानित है और समय में पीछे जा सकती है।
अनितत्यवर्ती इंजन (द फ्रिक्शन - द इररेसिबल इंजन): अब, कल्पना कीजिए कि झूले के कब्जे जंग लगे हुए हैं और हवा का प्रतिरोध भी है। झूला धीमा हो जाता है, और ऊर्जा ऊष्मा (heat) में बदल जाती है। आप झूले की गति को वापस पहले जैसा नहीं कर सकते। यह "क्षयकारी" (dissipative) गति है।

अधिकांश वास्तविक दुनिया की मशीनें (जैसे कार के ब्रेक, रासायनिक प्रतिक्रियाएं, या यहाँ तक कि आपकी मांसपेशियां) दोनों का मिश्रण होती हैं। AI के लिए इन दोनों इंजनों को पूरी तरह से संतुलित करना सीखना एक चुनौती है।

2. "सेफ्टी हार्नेस" (द आर्किटेक्चर)

शोधकर्ताओं ने एक विशेष न्यूरल नेटवर्क आर्किटेक्चर बनाया है। कल्पना कीजिए कि एक कार बना रहे हैं जिसका इंजन इस तरह डिज़ाइन किया गया है कि वह आपके द्वारा पेट्रोल टैंक में डाली गई गैस से अधिक ऊर्जा पैदा ही नहीं कर सकता।

"ऊर्जा" और "एंट्रॉपी" मानचित्र: AI दो मानचित्र सीखता है: एक सिस्टम की कुल ऊर्जा के लिए और दूसरा उसकी अव्यवस्था (एंट्रॉपी) के लिए।
"घर्षण" मानचित्र: AI एक "डिसिपेशन पोटेंशियल" (क्षय क्षमता) भी सीखता है। सरल शब्दों में, यह एक मानचित्र है जो सिस्टम को बताता है कि कितनी ऊर्जा ऊष्मा में बदल रही है।
- नवाचार: पिछले AI मॉडल केवल सरल, सीधी रेखा वाले घर्षण (जैसे एक निरंतर ब्रेक) को सीख सकते थे। यह नया मॉडल जटिल, नॉन-लीनियर घर्षण को सीख सकता है। इसे एक कार के ब्रेक के रूप में सोचें जो ठंडे होने पर अलग और लाल-गर्म होने पर अलग तरह से काम करते हैं। शोध पत्र इसे "नॉन-क्वाड्रेटिक डिसिपेशन" कहता है, जिसका अर्थ है कि घर्षण के नियम सीधे नहीं बल्कि घुमावदार और जटिल हो सकते हैं।

3. "लॉक एंड की" (द कंस्ट्रेंट्स)

यह सुनिश्चित करने के लिए कि AI बेईमानी न करे, शोधकर्ताओं ने कोड में "लॉक" बनाए हैं।

ऊर्जा लॉक (The Energy Lock): कोड इस तरह लिखा गया है कि "रिवर्सिबल इंजन" और "फ्रिक्शन इंजन" कुल ऊर्जा के संबंध में एक-दूसरे को पूरी तरह से संतुलित करते हैं। AI को कुल ऊर्जा को स्थिर रखने के लिए मजबूर किया जाता है (जब तक कि बाहर से गर्मी न दी जाए)।
एंट्रॉपी लॉक (The Entropy Lock): कोड यह सुनिश्चित करता है कि "फ्रिक्शन इंजन" हमेशा ऊष्मा (एंट्रॉपी) उत्पन्न करे। गणितीय रूप से यह असंभव है कि AI बाहरी दबाव के बिना सिस्टम को अधिक व्यवस्थित बना दे।

4. तीन परीक्षण

टीम ने यह साबित करने के लिए कि यह काम करता है, तीन बहुत अलग परिदृश्यों पर इस "सेफ्टी-हार्नेस वाले" AI का परीक्षण किया:

परीक्षण 1: गर्म कमरे में उछलती गेंद।
एक स्प्रिंग जो ऊपर-नीचे उछल रहा है और ऊष्मा के माध्यम से अपनी ऊर्जा खो रहा है। यह यह दिखाने के लिए "आसान" परीक्षण था कि AI मानक भौतिकी को सीख सकता है।
परीक्षण 2: केमिकल मोटर।
कल्पिए कि एक पिस्टन (जैसे कार के इंजन में) गैस से भरा है जो साथ ही एक रासायनिक प्रतिक्रिया (जैसे बेकिंग सोडा और सिरका मिलाना) से भी गुजर रहा है। गैस पिस्टन को धकेलती है, लेकिन रासायनिक प्रतिक्रिया जटिल, नॉन-लीनियर घर्षण पैदा करती है। यह एक कठिन परीक्षण था क्योंकि नियम घुमावदार और जटिल थे। AI ने सफलतापूर्वक इन नियमों को सीख लिया।
परीक्षण 3: खिंचता हुआ धातु।
कल्पना कीजिए कि एक धातु की छड़ को खींचा जा रहा है। यह शुरू में एक स्प्रिंग की तरह व्यवहार करती है, लेकिन यदि आप इसे जोर से खींचते हैं, तो यह स्थायी रूप से विकृत (प्लास्टिसिटी) हो जाती है और गर्म हो जाती है। इसमें धातु की पूरी शीट का हिलना शामिल है, न कि केवल एक बिंदु का। AI ने खिंचाव, स्थायी मोड़ और हीटिंग को एक साथ कैसे प्रेडिक्ट करना है, यह सीख लिया।

निष्कर्ष

शोध पत्र का दावा है कि N-GINS इन जटिल प्रणालियों के डेटा को देखकर उनके संचालन के सटीक गणितीय नियमों को समझ सकता है, जबकि यह गारंटी देता है कि वे नियम ऊष्मागतिकी के नियमों का पालन करते हैं।

यह एक छात्र को गणित के टेस्ट देने जैसा है जहाँ उसे एक समस्या हल करनी है, लेकिन टेस्ट पेपर में एक बिल्ट-इन कैलकुलेटर है जो उसे अंकगणित के नियमों का उल्लंघन करने वाला उत्तर लिखने से रोकता है। परिणाम एक ऐसा मॉडल है जो न केवल सटीक है, बल्कि भरोसेमंद भी है क्योंकि भौतिक रूप से इसके लिए ऊर्जा और ऊष्मा के मौलिक नियमों के बारे में "गलत" होना असंभव है।

तकनीकी सारांश: नॉनलीन GENERIC इन्फॉर्म्ड न्यूरल नेटवर्क्स (N-GINNs)

समस्या विवरण
डेटा-संचालित गवर्निंग इक्वेशंस (governing equations) की खोज अक्सर मौलिक भौतिक सिद्धांतों के साथ अनुकूलता बनाए रखने में संघर्ष करती है, विशेष रूप से कम्प्यूटेशनल मैकेनिक्स में जहाँ दीर्घकालिक भविष्यवाणियों के लिए संरक्षण नियमों (conservation laws) और एंट्रॉपी उत्पादन बाधाओं का पालन करना आवश्यक होता है। जबकि मौजूदा स्ट्रक्चर-प्रिजर्विंग मशीन लर्निंग विधियों ने सफल रिवर्सिबल हैमिल्टोनियन डायनेमिक्स (जैसे कि हैमिल्टोनियन न्यूरल नेटवर्क्स के माध्यम से) और कुछ विसरणात्मक (dissipative) प्रणालियों को सफलतापूर्वक मॉडल किया है, 'जनरल इक्वेशन फॉर नॉन-इक्विलिब्रियम रिवर्सिबल-इररेसिवेबल कपलिंग' (GENERIC) फॉर्मलिज्म के पूर्ण बिल्डिंग ब्लॉक्स की खोज के लिए एक महत्वपूर्ण अंतर बना हुआ है। विशेष रूप से, वर्तमान ढांचे अक्सर रैखिक घर्षण मैट्रिसेस (linear friction matrices) या सॉफ्ट-कंस्ट्रेंड पेनल्टी पर निर्भर करते हैं, जो सामान्य, संभावित रूप से गैर-क्वाड्रेटिक डिसिपेशन पोटेंशियल द्वारा शासित प्रणालियों को मजबूती से संभालने में विफल रहते हैं। ऐसे गैर-क्वाड्रेटिक पोटेंशियल जटिल अपरिवर्तनीय तंत्रों जैसे रासायनिक प्रतिक्रियाओं, जंप प्रक्रियाओं और प्लास्टिसिटी को मॉडल करने के लिए आवश्यक हैं, जहाँ गॉसियन फ्लक्चुएशन धारणाएँ विफल हो जाती हैं।

कार्यप्रणाली
लेखक नॉनलीन GENERIC इन्फॉर्म्ड न्यूरल नेटवर्क्स (N-GINNs) का प्रस्ताव करते हैं, जो एक डीप लर्निंग फ्रेमवर्क है जिसे गैर-रेखीय GENERIC फॉर्मलिज्म द्वारा शासित प्रणालियों के लिए विकास समीकरणों (evolution equations) की खोज करने के लिए डिज़ाइन किया गया है। मुख्य विकास समीकरण इस प्रकार है:
$\dot{x} = L(x)D_x E(x) + D_{x^*} \Xi(x, x^*)|_{x^*=D_x S(x)}$
जहाँ $x$ स्टेट वेक्टर है, $L(x)$ पॉइसन बाइवेक्टर (Poisson bivector) है, $E(x)$ ऊर्जा फंक्शनल है, $S(x)$ एंट्रॉपी फंक्शनल है, और $\Xi(x, x^*)$ डिसिपेशन पोटेंशियल है।

कार्यप्रणाली थर्मोडायनामिक बाधाओं को लॉस फंक्शन में पेनल्टी टर्म्स के माध्यम से लागू करने के बजाय, उन्हें निर्माण द्वारा ही (by construction) लागू करके (हार्ड कंस्ट्रेंट्स) स्वयं को अलग करती है। आर्किटेक्चर निम्नलिखित घटकों को एकीकृत करता है:

रिवर्सिबल डायनेमिक्स (हैमिल्टोनियन भाग): फ्रेमवर्क ऊर्जा $E(x)$ , एंट्रॉपी $S(x)$ , और बाइवेक्टर $L(x)$ को सीखता है। रिवर्सिबल डिजेनरेसी कंडीशन $L(x)D_x S(x) = 0$ और $L$ की स्केव-सिमेट्री (skew-symmetry) को संतुष्ट करने के लिए, लेखक एक रीपैरामीट्राइजेशन रणनीति का उपयोग करते हैं। एक रॉ न्यूरल नेटवर्क आउटपुट $\tilde{L}(x)$ को एंट्रॉपी ग्रेडिएंट से निर्मित मैट्रिक्स $Q_S$ का उपयोग करके प्रोजेक्ट किया जाता है, जिससे यह सुनिश्चित होता है कि $L(x) = Q_S^T \tilde{L} Q_S$ स्केव-सिमेट्रिक है और एंट्रॉपी ग्रेडिएंट को शून्य करता है।
इररेसिवेबल डायनेमिक्स (डिसिपेटिव भाग): डिसिपेशन पोटेंशियल $\Xi(x, x^*)$ को एक पार्शियली इनपुट कॉन्वेक्स न्यूरल नेटवर्क (PICNN) का उपयोग करके मॉडल किया जाता है। इररेसिवेबल डिजेनरेसी कंडीशन $\Xi(x, x^* + \lambda D_x E(x)) = \Xi(x, x^*)$ को संतुष्ट करने और $\Xi(x, 0)=0$ के साथ कॉन्वेक्सिटी सुनिश्चित करने के लिए, रॉ PICNN आउटपुट को $D_x E(x)$ के ऑर्थोगोनल सबस्पेस पर एक ऑर्थोगोनल प्रोजेक्शन $P(x)$ के माध्यम से रीपैरामीटर किया जाता है। अंतिम पोटेंशियल को $\Xi(x, x^*) = \tilde{\Xi}(x, P(x)x^*) - \tilde{\Xi}(x, 0) - D_{x^*}\tilde{\Xi}(x, 0)P(x)x^*$ के रूप में परिभाषित किया गया है।
थर्मोडायनामिक गारंटी: यह निर्माण प्रथम नियम (ऊर्जा संरक्षण) और द्वितीय नियम (गैर-ऋणात्मक एंट्रॉपी उत्पादन) की गारंटी देता है, बिना नेटवर्क को डेटा से इन गुणों को सीखने की आवश्यकता के। लेखक नोट करते हैं कि जबकि जैकोबी आइडेंटिटी (जो पॉइसन स्ट्रक्चर को वैध ब्रैकेट बनाने के लिए आवश्यक है) को उच्च-आयामी सेटिंग्स में जटिलता के कारण स्पष्ट रूप से लागू नहीं किया गया है, फिर भी यह थर्मोडायनामिक रूप से स्वीकार्य होने के लिए अनिवार्य नहीं है।

मुख्य योगदान

गैर-क्वाड्रेटिक GENERIC के लिए पहला फ्रेमवर्क: यह गैर-क्वाड्रेटिक मामलों सहित (बाइवेक्टर, ऊर्जा, एंट्रॉपी और डिसिपेशन पोटेंशियल के पूर्ण सेट को विशेष रूप से डिसिपेशन-पोटेंशियल फॉर्मुलेशन के भीतर खोजने में सक्षम) GENERIC बिल्डिंग ब्लॉक्स की खोज करने वाला पहला फ्रेमवर्क है।
हार्ड-कंस्ट्रेंट आर्किटेक्चर: यह फ्रेमवर्क विशिष्ट रीपैरामीट्राइजेशन पेश करता है जो गणितीय रूप से थर्मोडायनामिक्स के पहले और दूसरे नियमों के अनुपालन की गारंटी देता है, जो सॉफ्ट-कंस्ट्रेंड दृष्टिकोणों से आगे बढ़ता है।
सांख्यिकीय-यांत्रिक निरंतरता (Statistical-Mechanical Consistency): डिसिपेशन मैट्रिक्स के बजाय डिसिपेशन पोटेंशियल $\Xi$ को पैरामीटराइज करके, यह दृष्टिकोण लार्ज डेविएशन थ्योरी (large deviation theory) के साथ संरेखित होता है, जहाँ $\Xi$ , फ्लक्चुएशन के रेट फंक्शन से संबंधित है, जो एक अधिक पार्सिमोनियस और सांख्यिकीय रूप से व्याख्या योग्य प्रतिनिधित्व प्रदान करता है।

परिणाम
लेखक N-GINNs को तीन अलग-अलग उदाहरणों पर सत्यापित करते हैं जिनकी जटिलता बढ़ती जाती है:

हीट बाथ में हार्मोनिक ऑसिलेटर: एक सिस्टम जिसमें क्वाड्रेटिक डिसिपेशन है। मॉडल ने शास्त्रीय डायनेमिक्स को सटीक रूप से रिकवर किया, ऊर्जा संरक्षण और सकारात्मक एंट्रॉपी उत्पादन को बनाए रखा, भले ही इसे एक मानक नॉन-स्ट्रक्चर-प्रिजर्विंग RK4 स्कीम के साथ इंटीग्रेट किया गया था।
आइडियलाइज्ड केमिकल मोटर: एक सिस्टम जिसमें एक नॉन-कैनोनिकल पॉइसन ब्रैकेट (पिस्टन मोशन कपल्ड टू गैस) और एक गैर-क्वाड्रेटिक डिसिपेशन पोटेंशियल (केमिकल रिएक्शन काइनेटिक्स) शामिल है। मॉडल ने यांत्रिक गति और रासायनिक प्रतिक्रियाओं के बीच गैर-रेखीय कपलिंग को सफलतापूर्वक कैप्चर किया, और थर्मोडायनामिक निरंतरता बनाए रखी।
वन-डायमेंशनल विस्कोप्लास्टिक मॉडल (Perzyna Type): एक निरंतरता प्रणाली (continuum system) जो विस्कोप्लास्टिक फ्लो से जुड़े गैर-क्वाड्रेटिक डिसिपेशन पोटेंशियल वाले आंशिक अवकल समीकरणों (PDEs) द्वारा शासित है। फ्रेमवर्क ने स्थानिक रूप से वितरित क्षेत्रों (विस्थापन, संवेग, स्ट्रेन, तापमान) और अंतर्निहित थर्मोडायनामिक संरचना को सफलतापूर्वक सीखा, जो PDE-आधारित सेटिंग्स में इसकी स्केलेबिलिटी को प्रदर्शित करता है।

सभी मामलों में, सीखे गए मॉडलों ने टेस्ट ट्राजेक्टरीज पर कम सापेक्ष $L_2$ त्रुटियां प्राप्त कीं और थर्मोडायनामिक बाधाओं का सख्ती से पालन किया (बंद प्रणालियों के लिए स्थिर कुल ऊर्जा, सख्ती से सकारात्मक एंट्रॉपी उत्पादन)।

महत्व और दावे
पेपर का दावा है कि N-GINNs डेटा से थर्मोडायनामिक रूप से सुसंगत मॉडल खोजने के लिए एक मजबूत, स्ट्रक्चर-प्रिजर्विंग टूल प्रदान करते हैं, विशेष रूप से उन प्रणालियों के लिए जहाँ गैर-क्वाड्रेटिक डिसिपेशन महत्वपूर्ण है। लेखक इस बात पर जोर देते हैं कि उनका दृष्टिकोण डिजाइन द्वारा थर्मोडायनामिक्स के पहले और दूसरे नियमों के सटीक अनुपालन को सुनिश्चित करता है, जो मौजूदा डेटा-संचालित विधियों की सीमाओं को संबोधित करता है जो भौतिक सिद्धांतों का उल्लंघन कर सकती हैं।

लेखक वर्तमान दायरे के संबंध में विनम्र रहते हैं, यह स्वीकार करते हुए कि:

यह वर्तमान में एक निर्धारित ट्राजेक्टरीज पर प्रशिक्षित एक नियत (deterministic) फ्रेमवर्क है, जो सिंगल रोलआउट प्रेडिक्शन प्रदान करता है।
यह मानता है कि स्टेट वेरिएबल्स पूरी तरह से देखे जा सकते हैं, जबकि कई वास्तविक दुनिया के अनुप्रयोगों में आंशिक अवलोकन या आंतरिक चर शामिल होते हैं।
उच्च-आयामी सेटिंग्स में जैकोबी आइडेंटिटी का सटीक प्रवर्तन अभी भी एक खुला चैलेंज बना हुआ है और इसे उदाहरणों में स्पष्ट रूप से असेस नहीं किया गया है।
स्केलेबिलिटी, अनिश्चितता मात्रा निर्धारण (uncertainty quantification), और ऑटोमैटिक स्टेट वेरिएबल पहचान के एकीकरण के लिए भविष्य के कार्य की आवश्यकता है।

पेपर N-GINNs को जटिल गैर-संतुलन ऊष्मागतिकी (non-equilibrium thermodynamics) और आधुनिक डीप लर्निंग के बीच के अंतर को पाटने की दिशा में एक महत्वपूर्ण कदम के रूप में प्रस्तुत करता है, जो अपरिवर्तनीय प्रक्रियाओं के एक व्यापक वर्ग के लिए व्याख्या योग्य, भौतिक रूप से सुसंगत मॉडल की खोज को सक्षम बनाता है।