तकनीकी सारांश: प्रयोगों से रैखिक गतिकी (Linear Dynamics) सीखने की सीमाएँ

1. समस्या विवरण

यह शोध पत्र एक अज्ञात निरंतर-समय रैखिक समय-अपरिवर्तनीय (LTI) प्रणाली के मापदंडों $(A, B)$ को अवलोकित अवस्था-इनपुट प्रक्षेपवक्र (state-input trajectories) से पहचानने की मौलिक समस्या को संबोधित करता है। प्रणाली निम्नलिखित साधारण अवकल समीकरण (ODE) द्वारा शासित है:
$$\dot{x}(t) = Ax(t) + Bu(t), \quad x(0) = x_0$$
जहाँ $x(t) \in \mathbb{R}^n$ अवस्था है, $u(t) \in \mathbb{R}^m$ नियंत्रण इनपुट है, और $(A, B)$ अज्ञात पैरामीटर हैं।

नियंत्रित LTI प्रणालियों के लिए शास्त्रीय पहचान क्षमता सिद्धांत (identifiability theory) यह स्थापित करता है कि प्रणाली की नियंत्रणीयता (controllability) और एक दृढ़तापूर्वक उत्तेजित (persistently exciting - PE) इनपुट, एक एकल प्रयोग से $(A, B)$ को विशिष्ट रूप से पुनः प्राप्त करने के लिए पर्याप्त स्थितियाँ हैं। हालाँकि, कई व्यावहारिक सेटिंग्स में—विशेष रूप से विरल (sparse) और उच्च-आयामी प्रणालियों में—नियंत्रणीयता अक्सर विफल हो जाती है। जब नियंत्रणीयता अनुपस्थित होती है, तो यह स्पष्ट नहीं रहता कि क्या एक एकल प्रयोग पूर्ण प्रणाली को विशिष्ट रूप से निर्धारित कर सकता है या केवल प्रणाली के कुछ भाग ही पुनः प्राप्त किए जा सकते हैं। इसके अतिरिक्त, मौजूदा साहित्य में गैर-स्वायत्त (non-autonomous) LTI प्रणालियों के लिए पहचान क्षमता का ऐसा कोई क्लोज्ड-फॉर्म लक्षण वर्णन नहीं है जो नियंत्रणीयता की धारणा न बनाता हो।

मुख्य समस्या प्रयोग-सशर्त पहचान क्षमता (experiment-conditional identifiability) को लक्षणित करना है: यह निर्धारित करना कि एक विशिष्ट प्रयोगात्मक सेटअप (जो प्रारंभिक अवस्था $x_0$ और नियंत्रण इनपुट $u$ द्वारा परिभाषित है) द्वारा प्रणाली के कौन से भाग विशिष्ट रूप से निर्धारित किए जाते हैं, और कौन से भाग संदिग्ध रहते हैं।

2. कार्यप्रणाली और सैद्धांतिक ढांचा

लेखक एक एकल प्रयोग $e = (x_0, u)$ से पुनः प्राप्त होने वाली सूचना की सीमाओं का विश्लेषण करने के लिए एक ज्यामितीय और बीजगणितीय ढांचे का विकास करते हैं।

2.1 दृश्य उप-स्थान (The Visible Subspace)

प्रस्तुत किया गया केंद्रीय विचार दृश्य उप-स्थान (Visible Subspace) है, जिसे $\mathcal{V}(x_0)$ द्वारा दर्शाया गया है। इसे प्रारंभिक अवस्था $x_0$ और इनपुट मैट्रिक्स $B$ के प्रतिबिंब (image) (अर्थात $\text{Im}(B)$) को समाहित करने वाले सबसे छोटे $A$-अपरिवर्तनीय (A-invariant) उप-स्थान के रूप में परिभाषित किया गया है। औपचारिक रूप से, यह क्रायलोव स्पैन (Krylov span) है:
$$\mathcal{V}(x_0) := \mathcal{K}_n(A, [x_0 \ B]) = \text{span}\left\{ [x_0 \ B], A[x_0 \ B], \dots, A^{n-1}[x_0 \ B] \right\}$$
लेखक एक कक्षा बंधन उपपत्ति (Orbit Confinement Lemma) सिद्ध करते हैं: इनपुट $u$ की जटिलता के बावजूद, परिणामी अवस्था प्रक्षेपवक्र $\phi(t)$ सख्ती से $\mathcal{V}(x_0)$ के भीतर सीमित रहता है। फलस्वरूप, इस उप-स्थान के बाहर की प्रणाली की गतिकी (blind complement में) अवलोकित प्रक्षेपवक्र को प्रभावित नहीं कर सकती।

2.2 डिज़ाइन-संगत बनाम प्रयोग-संगत सेट

शोध पत्र अवलोकनों के अनुरूप प्रणालियों के दो सेटों के बीच अंतर करता है:

1. डिज़ाइन-संगत सेट $[A, B]_E$: उस प्रयोग वर्ग (सभी संभावित इनपुट $u \in U$) के अनुरूप सभी प्रणालियों का सेट। यह प्रारंभिक अवस्था और इनपुट क्षमताओं के आधार पर सूचना की संरचनात्मक सीमा को दर्शाता है।
2. प्रयोग-संगत सेट $[A, B]_e$: एक एकल वास्तविक प्रयोग $(x_0, u)$ के अनुरूप सभी प्रणालियों का सेट।

लेखक एक "सेतु" (Bridge) प्रमेय स्थापित करते हैं: यदि वास्तविक प्रक्षेपवक्र सूचनात्मक (informative) है (अर्थात प्रक्षेपित अवस्था और इनपुट का संयुक्त रिग्रेसर एक पूर्ण-रैंक ग्रैमियन रखता है), तो एकल-प्रयोग सेट, डिज़ाइन-संगत सेट के बराबर हो जाता है ($[A, B]_e = [A, B]_E$)। वे दिखाते हैं कि पर्याप्त क्रम का दृढ़तापूर्वक उत्तेजित इनपुट इस सूचनात्मकता की गारंटी देता है।

2.3 पहचान क्षमता का लक्षण वर्णन

एक सूचनात्मक प्रयोग के तहत, लेखक डेटा के अनुरूप सभी प्रणालियों का एक क्लोज्ड-फॉर्म पैरामीट्रिक विवरण व्युत्पन्न करते हैं। एक समन्वय रूपांतरण $T$ का उपयोग करते हुए जो दृश्य उप-स्थान $\mathcal{V}(x_0)$ को उसके पूरक $\mathcal{W}$ से अलग करता है, कोई भी सुसंगत प्रणाली $(\tilde{A}, \tilde{B})$ निम्नलिखित को संतुष्ट करती है:

• $\tilde{B} = B$
• $\mathcal{V}(x_0)$ पर $\tilde{A}$ का प्रतिबंध $A$ के प्रतिबंध के बराबर है: $\tilde{A}|_{\mathcal{V}(x_0)} = A|_{\mathcal{V}(x_0)}$
• पूरक $\mathcal{W}$ पर गतिकी और क्रॉस-कपलिंग पद मनमाने (arbitrary) हो सकते हैं।

इस प्रकार, प्रणाली पूर्णतः पहचान योग्य (fully identifiable) है यदि और केवल यदि $\mathcal{V}(x_0) = \mathbb{R}^n$ हो (अर्थात, दृश्य उप-स्थान पूरे अवस्था स्थान को व्याप्त करता है)। अन्यथा, केवल दृश्य उप-स्थान पर प्रतिबंधित गतिकी (restricted dynamics) ही विशिष्ट रूप से निर्धारित होती है।

2.4 बीजगणितीय मानदंड

गैर-पहचान क्षमता के निकटता को मापने के लिए, शोध पत्र संवर्धित युग्म $(A, [x_0 \ B])$ पर आधारित दो बीजगणितीय परीक्षण प्रस्तावित करता है:

1. बाएं-आइगनवेक्टर परीक्षण (Left-Eigenvector Test): पूर्ण पहचान क्षमता तब विफल हो जाती है यदि $A$ का एक बायां आइगनवेक्टर $w$ मौजूद हो जिससे $w^\top x_0 = 0$ और $w^\top B = 0$ हो। उत्तेजना स्रोतों के साथ आइगनवेक्टरों के संरेखण को मापने के लिए एक मार्जिन $\mu_{\min}$ को परिभाषित किया गया है।
2. निश्चित-प्रयोग PBH परीक्षण: एक संशोधित पॉपोव-बेलेविच-हौटस (PBH) मार्जिन $d_{\text{PBH}}(A, B | x_0)$ व्युत्पन्न किया गया है, जो दिए गए निश्चित $x_0$ के संदर्भ में पहचान क्षमता के नुकसान की दूरी को मापता है।

3. मुख्य योगदान

1. आंशिक पहचान क्षमता प्रमेय (Partial Identifiability Theorem): शोध पत्र सिद्ध करता है कि भले ही पूर्ण प्रणाली पहचान योग्य न हो, फिर भी दृश्य उप-स्थान $\mathcal{V}(x_0)$ पर प्रतिबंधित गतिकी एक एकल सूचनात्मक प्रयोग द्वारा विशिष्ट रूप से निर्धारित होती है।
2. क्लोज्ड-फॉर्म पैरामीट्रिक विवरण: यह दिए गए प्रयोग के अनुरूप सभी प्रणालियों का एक स्पष्ट विवरण प्रदान करता है, जो अन-पहचान योग्य उप-स्थान में स्वतंत्रता की डिग्री (degrees of freedom) को लक्षणित करता है।
3. पहचान क्षमता के लिए बीजगणितीय मानदंड: यह पूर्ण पहचान क्षमता का परीक्षण करने और पहचान समस्या की मजबूती को मापने के लिए गणना योग्य मेट्रिक्स ($\mu_{\min}$ और $d_{\text{PBH}}$) पेश करता है।
4. नियंत्रित प्रणालियों का विस्तार: स्वायत्त प्रणालियों पर केंद्रित पिछले कार्यों के विपरीत, यह ढांचा नियंत्रित LTI प्रणालियों में प्रारंभिक अवस्था और नियंत्रण इनपुट की भूमिकाओं को स्पष्ट रूप से अलग करता है।

4. प्रयोगात्मक परिणाम

लेखक अपने सैद्धांतिक निष्कर्षों को कृत्रंत (synthetic) विरल LTI प्रणालियों पर सत्यापित करते हैं, जो नियंत्रणीयता की विफलता के प्रति संवेदनशील होती हैं।

• नियंत्रणीयता बनाम पहचान क्षमता: प्रयोग दिखाते हैं कि जैसे-जैसे विरलता (sparsity) बढ़ती है, नियंत्रणीय प्रणालियों का अंश काफी कम हो जाता है। हालाँकि, यह दिखाया गया है कि पहचान क्षमता प्रयोग-सशर्त है: सघन (dense) प्रारंभिक अवस्थाएं एक अनियंत्रित प्रणाली को पूर्णतः पहचान योग्य बना सकती हैं, जबकि विरल प्रारंभिक अवस्थाएं आंशिक पहचान क्षमता की ओर ले जा सकती हैं।
• उप-प्रणाली रिकवरी (Subsystem Recovery): शोध पत्र विरल प्रणालियों पर चार पहचान विधियों (DMDc, MOзап, SINDy, और Neural ODEs) का बेंचमार्किंग करता है।
  • परिणाम: सभी विधियाँ, भले ही पूर्ण प्रणाली पहचान योग्य न हो, दृश्य उप-तंत्र (दृश्य उप-स्थान $\mathcal{V}(x_0)$ पर प्रतिबंध) को शून्य के करीब त्रुटि के साथ सफलतापूर्वक पुनः प्राप्त करती हैं।
  • विपरीत: पूर्ण प्रणाली को पुनः प्राप्त करने में त्रुटि ($REE_{\text{full}}$) शून्य से दूर रहती है, जो अन-उत्तेजित उप-स्थान में संरचनात्मक अस्पष्टता को दर्शाती है।
  • शोर मजबूती (Noise Robustness): जैसे-जैसे अवलोकन शोर बढ़ता है, दृश्य उप-तंत्र में त्रुटि पूर्ण-प्रणाली त्रुटि की तुलना में कम रहती है, हालांकि क्लोज्ड-फॉर्म अनुमानकों की तुलना में Neural ODEs (NODEs) अनुकूलन चुनौतियों के कारण समग्र रूप से उच्च त्रुटि प्रदर्शित करते हैं।

5. महत्व और दावे

शोध पत्र एक अंतराल को हल करने का दावा करता है जो नियंत्रणीयता की धारणा बनाए बिना गैर-स्वायत्त LTI प्रणालियों की पहचान क्षमता के संबंध में साहित्य में मौजूद है। इसका प्राथमिक महत्व दृष्टिकोण को "क्या प्रणाली पहचान योग्य है?" से बदलकर "इस विशिष्ट प्रयोग के दिए गए संदर्भ में क्या पहचान योग्य है?" करने में निहित है।

लेखक तर्क देते हैं कि:

• शास्त्रीय गारंटी (नियंत्रणीयता + PE) अक्सर विरल, उच्च-आयामी प्रणालियों के लिए बहुत अधिक प्रतिबंधात्मक होती हैं।
• चिकित्सकों को अपने प्रयोगात्मक डिजाइन द्वारा प्रेरित दृश्य उप-स्थान के सापेक्ष यांत्रिक निष्कर्षों की व्याख्या करनी चाहिए।
• दृश्य उप-स्थान के बाहर की गतिकी के बारे में कोई भी दावा अनुचित है, चाहे मॉडल प्रशिक्षण डेटा को कितनी भी अच्छी तरह से फिट क्यों न करे।
• प्रस्तावित बीजगणितीय मानदंड चिकित्सकों को प्रयोग चलाने से पहले या बाद में अपने पहचान कार्य की "एपिस्टेमिक अनिश्चितता" (epistemic uncertainty) को मापने की अनुमति देते हैं।

यह कार्य नए अनुमान एल्गोरिदम का प्रस्ताव नहीं करता है, बल्कि मौजूदा विधियों की सीमाओं और प्रयोगात्मक डेटा की मौलिक सूचना सामग्री को समझने के लिए एक सैद्धांतिक लेंस प्रदान करता है।