Structural identifiability of partially-observed stochastic processes: from single-particle trajectories to total particle density data

तकनीकी सारांश: आंशिक रूप से प्रेक्षित स्टोकेस्टिक प्रक्रियाओं की संरचनात्मक पहचान योग्यता (Structural Identifiability)

समस्या का विवरण
प्रायोगिक डेटा की बढ़ती उपलब्धता ने मात्रात्मक अंतर्दृष्टि प्राप्त करने के लिए स्टोकेस्टिक मॉडल को कैलिब्रेट करने की आवश्यकता को तीव्र कर दिया है। पैरामीटर अनुमान के लिए एक मौलिक पूर्व शर्त संरचनात्मक पहचान योग्यता (structural identifiability) है: यह निर्धारित करना कि क्या आदर्श, शोर-मुक्त डेटा से मॉडल मापदंडों को विशिष्ट रूप से पुनः प्राप्त किया जा सकता है। जबकि साधारण अवकल समीकरण (ODE) मॉडलों के लिए व्यापक विधियाँ मौजूद हैं, स्टोकेस्टिक प्रक्रियाओं की संरचनात्मक पहचान योग्यता का आकलन करने के लिए सामान्य कार्यप्रणाली का अभाव है। यह चुनौती इन प्रक्रियाओं में निहित यादृच्छिकता (randomness) और उपलब्ध डेटा की प्रकृति के कारण और भी जटिल हो जाती है। विशेष रूप से, यह शोध इस बात पर ध्यान केंद्रित करता है कि पहचान योग्यता अवलोकन शासन (observation regime) पर कैसे निर्भर करती है, जो एकल-कण प्रक्षेपवक्र डेटा (व्यक्तिगत-आधारित) और कुल कण घनत्व डेटा (जनसंख्या-स्तर) के बीच अंतर करती है। आंशिक रूप से प्रेक्षित मार्कोव प्रक्रियाओं के लिए, चुनौती इस तथ्य से और बढ़ जाती है कि डेटा कणों की आंतरिक अवस्थाओं को छिपा सकता है, जिससे पैरामीटर अनुमान जटिल हो जाता है।

कार्यप्रणाली
लेखक स्थानिक-कालिक स्टोकेस्टिक प्रक्रियाओं के एक वर्ग, विशेष रूप से वेग-जंप (velocity-jump) मॉडल के लिए संरचनात्मक पहचान योग्यता का विश्लेषण करने हेतु एक नवीन कार्यप्रणाली प्रस्तावित करते हैं, जहाँ एक कण की आंतरिक अवस्था अवस्थाओं के एक नेटवर्क के भीतर एक निरंतर-समय मार्कोव श्रृंखला के रूप में विकसित होती है, जिसमें प्रत्येक अवस्था एक निश्चित वेग द्वारा विशिष्ट होती है। अध्ययन दो अलग-अलग गणितीय निरूपणों का उपयोग करता है जो दो प्रकार के डेटा के अनुरूप हैं:

1. व्यक्तिगत-आधारित मॉडल (एकल-कण प्रक्षेपवक्र):

   • लेखक निरंतर-समय मार्कोव प्रक्रिया के स्पष्ट व्यक्तिगत-आधारित विवरण का उपयोग करते हैं।
   • वे प्रक्षेपवक्र $x(t)$ और उसके व्युत्पन्न $x'(t)$ का विश्लेषण करते हैं, जो कि खंडवार स्थिर (piecewise constant) है और अवस्था वेगों के सेट से मान लेता है।
   • पहचान योग्यता का आकलन प्रत्येक अवस्था में बिताए गए समय के संचयी वितरण (स्विचिंग दरों की पहचान करने के लिए) और अवस्थाओं के बीच संक्रमण की आवृत्ति (संक्रमण संभावनाओं की पहचान करने के लिए) को व्युत्पन्न करके किया जाता है।
   • प्रारंभिक स्थितियों (स्थान और अवस्था वितरण) की पहचान अनगिनत प्रक्षेपवकों के माध्यम से शुरुआती बिंदुओं और प्रारंभिक वेगों के वितरण का विश्लेषण करके की जाती है।

2. जनसंख्या-स्तर का मॉडल (कुल कण घनत्व):

   • लेखक प्रत्येक अवस्था $s$ में कण घनत्व $n_s(x,t)$ के विकास का वर्णन करने के लिए एक आंशिक अवकल समीकरण (PDE) प्रणाली (एक फॉकर-प्लांक फॉर्मूलेशन) व्युत्पन्न करते हैं।
   • वे PDE प्रणाली पर डिफरेंशियल अलजेब्रा दृष्टिकोण लागू करते हैं, जो ODE विश्लेषण में एक सामान्य तकनीक है। इसमें अनपेक्षित अवस्था चरों ($n_1, n_2, n_3$) को प्रतीकात्मक रूप से समाप्त करना शामिल है ताकि केवल प्रेक्षित कुल घनत्व $N(x,t)$ और मॉडल मापदंडों पर निर्भर इनपुट-आउटपुट समीकरण प्राप्त किए जा सकें।
   • नवीन प्रारंभिक स्थिति विश्लेषण: यह पहचानते हुए कि $t=0$ पर मानक डिफरेंशियल अलजेब्रा पूरी पहचान योग्यता जानकारी कैप्चर नहीं कर सकता है (क्योंकि स्थानिक और कालिक व्युत्पन्न समानुपाती हो सकते हैं), लेखक एक नई विधि पेश करते हैं। वे $t=0$ के परितः घनत्व विकास का टेलर विस्तार (Taylor expansion) बनाने के लिए PDE प्रणाली के विशेषता समीकरणों (characteristic equations) का उपयोग करते हैं। यह प्रारंभिक स्थिति से संबंधित अतिरिक्त पैरामीटर संयोजनों की पहचान करने की अनुमति देता है जो मानक उन्मूलन के माध्यम से स्पष्ट नहीं होते हैं।

मुख्य परिणाम
कार्यप्रणाली को नौ मापदंडों (वेग, स्विचिंग दर, और संक्रमण संभावना) वाले तीन-अवस्था वाले वेग-जंप मॉडल पर लागू किया गया है।

• एकल-कण प्रक्षेपवक्र डेटा:

  • जब अनगिनत अनंत लंबाई वाले एकल-कण प्रक्षेपवक्र उपलब्ध होते हैं, तो मॉडल संरचनात्मक रूप से वैश्विक रूप से पहचान योग्य (अवस्था पुनर्व्यवस्था के अधीन) होता है।
  • सभी मापदंडों, जिनमें वेग, स्विचिंग दरें, संक्रमण संभावनाएँ और प्रारंभिक स्थिति वितरण शामिल हैं, को विशिष्ट रूप से पुनः प्राप्त किया जा सकता है।

• कुल कण घनत्व डेटा:

  • PDE प्रणाली पर इनपुट-आउटपुट समीकरणों पर डिफरेंशियल अलजेब्रा दृष्टिकोण का उपयोग करते हुए, लेखक मॉडल मापदंडों के फलन के रूप में गुणांक ($c_1$ से $c_8$) व्युत्पन्न करते हैं।
  • वेग और स्विचिंग दरें संरचनात्मक रूप से पहचान योग्य (अवस्था पुनर्व्यवस्था के अधीन) पाई गईं।
  • हालाँकि, संक्रमण संभावना मापदंडों को केवल PDE से प्राप्त इनपुट-आउटपुट गुणांकों का उपयोग करके वैश्विक रूप से पहचान योग्य नहीं पाया गया; वे कई समाधान देने वाले द्विघात समीकरणों (quadratic equations) का पालन करते हैं।
  • प्रारंभिक स्थितियों का प्रभाव: $t=0$ पर मानक डिफरेंशियल अलजेब्रा दृष्टिकोण का उपयोग करने से केवल एक पहचान योग्य गुणांक ($c_9$) प्राप्त होता है, जो प्रारंभिक अवस्था संभावनाओं ($a_1, a_2, a_3$) की पहचान करने के लिए अपर्याप्त है।
  • टेलर विस्तार का योगदान: विशेषता समीकरणों पर आधारित नवीन टेलर विस्तार पद्धति का उपयोग करके, लेखक अतिरिक्त गुणांकों ($c_{10}$ से $c_{15}$) की पहचान करते हैं। ये गुणांक प्रारंभिक अवस्था संभावनाओं की पहचान करने की अनुमति देते हैं।
  • स्थानीय पहचान योग्यता: टेलर विस्तार से प्राप्त अतिरिक्त गुणांकों के साथ भी, मॉडल संभाव्यता मापदंडों के संबंध में केवल स्थानीय रूप से संरचनात्मक रूप से पहचान योग्य है। इसका अर्थ यह है कि जबकि पैरामीटर वास्तविक मानों के एक छोटे पड़ोस में अद्वितीय रूप से पहचान योग्य हैं, ऐसे विशिष्ट पैरामीटर सेट (तुल्य मॉडल) मौजूद हैं जो विशिष्ट प्रारंभिक स्थितियों के तहत समान कुल कण घनत्व विकास उत्पन्न करते हैं।

• विशेष मामले (साझा वेग):

  • यदि दो या तीन अवस्थाएं एक ही वेग साझा करती हैं, तो पहचान योग्यता कम हो जाती है। यदि तीनों अवस्थाएं एक ही वेग साझा करती हैं, तो केवल वेग ही पहचान योग्य है; सभी दर और संभावना मापदंड गैर-पहचान योग्य हो जाते हैं।
  • यदि दो अवस्थाएं एक वेग साझा करती हैं, तो उनकी स्विचिंग दरों का योग पहचान योग्य है, लेकिन व्यक्तिगत दरें और संभावनाएँ, टेलर विस्तार पद्धति के बावजूद, आम तौर पर गैर-पहचान योग्य रहती हैं।

महत्व और दावे
यह शोध स्थानिक-कालिक स्टोकेस्टिक प्रक्रियाओं के संरचनात्मक पहचान योग्यता के विश्लेषण के लिए पहली सामान्य कार्यप्रणाली प्रदान करने का दावा करता है, जो व्यक्तिगत-आधारित विवरणों और जनसंख्या-स्तर के PDE फॉर्मूलेशन के बीच के अंतर को पाटता है।

• डेटा प्रकार की निर्भरता: अध्ययन एक महत्वपूर्ण अंतर को रेखांकित करता है: एकल-कण प्रक्षेपवक्र डेटा वैश्विक संरचनात्मक पहचान योग्यता की ओर ले जाता है, जबकि कुल कण घनत्व डेटा केवल स्थानीय पहचान योग्यता की ओर ले जाता है। यह इस बात पर जोर देता है कि अवलोकन शासन का चयन पैरामीटर के अद्वितीय अनुमान की व्यवहार्यता को मौलिक रूप से निर्धारित करता है।
• प्रारंभिक स्थितियों की भूमिका: यह कार्य दर्शाता है कि प्रारंभिक स्थितियाँ PDE मॉडलों में संरचनात्मक पहचान योग्यता को महत्वपूर्ण रूप से प्रभावित करती हैं। लेखक दावा करते हैं कि मानक डिफरेंशियल अलजेब्रा दृष्टिकोण अक्सर प्रारंभिक स्थिति की जानकारी को कैप्चर करने के लिए अपर्याप्त होते हैं और उनके द्वारा प्रस्तावित विशेषता समीकरणों पर आधारित टेलर विस्तार विधि अतिरिक्त पहचान योग्य पैरामीटर संयोजनों को उजागर करने के लिए आवश्यक है।
• प्रायोगिक डिजाइन निहितार्थ: संरचनात्मक रूप से तुल्य मॉडलों (अलग-अलग मापदंड जो समान घनत्व विकास उत्पन्न करते हैं) का अस्तित्व यह सुझाव देता है कि प्रारंभिक स्थितियों को बदलना प्रायोगिक डिजाइन में पैरामीटर पहचान योग्यता में सुधार के लिए एक व्यावहारिक रणनीति के रूप में काम कर सकता है।
• कार्यप्रणाली विस्तार: लेखक का तर्क है कि उनका दृष्टिकोण, विशेष रूप से टेलर विस्तार के लिए विशेषता समीकरणों का उपयोग, अन्य स्टोकेस्टिक मॉडलों के लिए लागू करने योग्य है जहाँ ऐसे समीकरण लिखे जा सकते हैं, जो संभावित रूप से स्थानिक घटकों वाले रासायनिक प्रतिक्रिया नेटवर्क तक विस्तार कर सकता है।

लेखक अपने व्यावहारिक अनुप्रयोगों के संबंध में विनम्र बने रहते हैं, यह नोट करते हुए कि उनके परिणाम आदर्श, शोर-मुक्त सेटिंग्स में पहचान योग्यता को चित्रित करते हैं। वे स्पष्ट रूप से कहते हैं कि सीमित, शोर वाले डेटा के साथ व्यावहारिक पहचान योग्यता को संबोधित करने के लिए भविष्य के कार्य की आवश्यकता है और अधिक जटिल प्रारंभिक या सीमा स्थितियों वाले मॉडलों तक इन विधियों को विस्तारित करने की आवश्यकता है।