🔢 mathematics

ViT-K: A Few-Shot Learning Model for Coupled Fluid-Porous Media Flows with Interface Conditions

यह शोध पत्र ViT-K को प्रस्तुत करता है, जो एक नवीन फ्यू-शॉट लर्निंग फ्रेमवर्क है जो विजन ट्रांसफॉर्मर्स और कूपमैन ऑपरेटर को जोड़ता है ताकि विरल डेटा से युग्मित तरल-छिद्रयुक्त माध्यम प्रवाह के दीर्घकालिक स्थानिक-कालिक विकास की कुशलतापूर्वक और स्थिरता से भविष्यवाणी की जा सके, जिससे पारंपरिक संख्यात्मक सॉल्वर की कम्प्यूटेशनल लागत और त्रुटि संचय संबंधी समस्याओं पर विजय प्राप्त की जा सके।

मूल लेखक: Mengjia Chen, Changxin Qiu, Zhiping Mao, Menghui Xu

प्रकाशित 2026-05-15

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mengjia Chen, Changxin Qiu, Zhiping Mao, Menghui Xu

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 जटिल प्रणाली के माध्यम से पानी के प्रवाह की भविष्यवाणी करने की कोशिश कर रहे हैं: इसका कुछ हिस्सा नदी की तरह स्वतंत्र रूप से चलता है, और कुछ हिस्सा स्पंज की तरह धीरे-धीरे रिसता है। यह प्रकृति में होता है (जैसे गुफाओं में भूजल) और हमारे शरीर में भी (जैसे ऊतकों के माध्यम से रक्त का प्रवाह)।

इसे कंप्यूटर पर सिम्युलेट करना आमतौर पर एक बुरा सपना होता है। पारंपरिक तरीके रेत की घड़ी के हर एक कण को गिनने की कोशिश करने जैसा है ताकि यह पता लगाया जा सके कि वह कितनी तेजी से खाली होगी। यह अविश्वसनीय रूप से सटीक है, लेकिन इसमें बहुत समय लगता है और भारी कंप्यूटिंग शक्ति की आवश्यकता होती है। यदि आप लंबे समय के लिए भविष्य की भविष्यवाणी करने की कोशिश करते हैं, तो आपकी गणना में छोटी गलतियाँ जल्दी ही जमा हो जाती हैं, और आपकी भविष्यवाणी निरर्थक हो जाती है।

इस शोध पत्र के लेखक, चेन, क्यू, माओ और जू ने इस समस्या को हल करने के लिए ViT-K नामक एक नया टूल बनाया है। ViT-K को एक "स्मार्ट शॉर्टकट" के रूप में सोचें जो प्रवाह के कणों को गिनने के बजाय प्रवाह के नियमों को सीखता है।

यह कैसे काम करता है, यहाँ सरल अवधारणाओं में दिया गया है:

1. दो-भाग वाला मस्तिष्क (The Two-Part Brain)

ViT-K इस काम को करने के लिए दो बहुत अलग प्रकार के "मस्तिष्कों" को जोड़ता है:

"ईगल आई" (विज़न ट्रांसफॉर्मर - Vision Transformer):
एक परिदृश्य के ऊपर से उड़ते हुए एक पक्षी की कल्पना करें। वह केवल एक पेड़ को नहीं देखता; वह पूरे जंगल, नदी और उनके जुड़ाव को देखता है। मॉडल का यह हिस्सा (विज़न ट्रांसफॉर्मर) पूरे प्रवाह क्षेत्र को एक साथ देखता है। यह उस जटिल सीमा को पहचानने में उत्कृष्ट है जहाँ "नदी" और "स्पंज" मिलते हैं। यह तुरंत आकार और बड़ी तस्वीर को सीख लेता है।
"टाइम मशीन" (कूपमैन ऑपरेटर - Koopman Operator):
आमतौर पर, तरल पदार्थ के भविष्य की भविष्यवाणी करना तूफान में रस्सी पर चलने जैसा होता है; एक छोटा सा डगमगाना भी आपको गिरा सकता है। ऐसा इसलिए है क्योंकि तरल पदार्थ अराजक (chaotic) और गैर-रेखीय (non-linear) होते हैं। कूपमैन ऑपरेटर एक "गणितीय ट्रिक" है जो एक "अनुवाद उपकरण" की तरह कार्य करता है। यह तरल पदार्थ की अराजक और डगमगाती गति को लेता है और उसे एक सीधी, सुचारू रेखा में अनुवादित करता है।
- उपमा: एक रोलरकोस्टर की कल्पना करें। सवारी खुद ऊबड़-खाबड़ और घुमावदार है (गैर-रेखीय)। लेकिन यदि आप अंतरिक्ष के एक विशिष्ट कोण से सवारी को देख सकें, तो यह ऊपर और नीचे जाने वाली एक सीधी रेखा की तरह दिख सकती है। कूपमैन ऑपरेटर उस "सीधी रेखा" वाले दृश्य को खोज लेता है। एक बार जब गति एक सीधी रेखा बन जाती है, तो 100 साल बाद यह कहाँ होगी, इसकी भविष्यवाणी करना 10 सेकंड बाद की भविष्यवाणी करने जितना ही आसान हो जाता है।

2. बहुत कम से सीखना (Few-Shot Learning)

अधिकांश AI मॉडल को कहानी समझने के लिए एक फिल्म हजारों बार देखने की आवश्यकता होती है। ViT-K अलग है। यह एक "फ्यू-शॉट" लर्नर है।

उपमा: कल्पना करें कि आप एक बच्चे को बिल्ली और कुत्ते की तस्वीर दिखाते हैं। एक सामान्य AI को बिल्ली और कुत्ते को सीखने के लिए 1,000-1,000 तस्वीरों की आवश्यकता हो सकती है। ViT-K एक प्रतिभाशाली बच्चे की तरह है जो केवल कुछ स्नैपशॉट (केवल 5 या 10) देखकर तुरंत अंतर्निहित भौतिकी (physics) को समझ जाता है। यह केवल विशिष्ट चित्रों को नहीं, बल्कि प्रवाह के पैटर्न को सीखता है।

3. यह क्रैश क्यों नहीं होता (स्थिरता - Stability)

वर्तमान AI भविष्यवाणियों के साथ सबसे बड़ी समस्या यह है कि त्रुटियां घातीय रूप से (exponentially) बढ़ती हैं।

पुराना तरीका: यदि आप आज एक छोटी सी गलती करते हैं, तो कल वह गलती दोगुनी हो जाएगी, उसके अगले दिन चार गुनी बड़ी हो जाएगी, और जल्द ही आपकी भविष्यवाणी पूरी तरह से गलत हो जाएगी।
ViT-K का तरीका: क्योंकि यह समस्या को सीधी रेखा में बदलने के लिए "टाइम मशीन" (कूपमैन) का उपयोग करता है, इसलिए त्रुटियां केवल रैखिक रूप से (linearly) बढ़ती हैं।
- उपमा: यदि आप एक गलियारे में चल रहे हैं और आप थोड़ा लड़खड़ा जाते हैं, तो एक सामान्य AI सोचेगा कि आप गड्ढे में गिर गए हैं। ViT-K समझ जाता है कि आप केवल लड़खड़ाए हैं, और आप केवल थोड़े से रास्ते से भटकेंगे, चाहे आप कितनी भी देर तक चलते रहें। यह इसे उस डेटा की तुलना में 100 गुना अधिक लंबे समय तक प्रवाह की भविष्यवाणी करने की अनुमति देता जिस पर इसे प्रशिक्षित किया गया था, बिना विफल हुए।

4. "नॉइज़ फ़िल्टर" (The Noise Filter)

वास्तविक दुनिया का डेटा अक्सर अव्यवस्थित होता है, जैसे स्टेटिक के साथ रेडियो सिग्नल।

उपमा: यदि आप एक धुंधली, शोर वाली फोटो के आधार पर चित्र बनाने की कोशिश करते हैं, तो आप आमतौर पर धुंधलापन ही बनाते हैं। ViT-K एक स्पेक्ट्रल फिल्टर की तरह कार्य करता है। यह "स्टेटिक" (यादृच्छिक शोर) को अनदेखा करता है और केवल वास्तविक "सिग्नल" (तरल पदार्थ का वास्तविक भौतिक विज्ञान) पर ध्यान केंद्रित करता है। भले ही इनपुट डेटा 15% शोर से दूषित हो, ViT-K अभी भी प्रवाह की एक साफ, सुचारू और भौतिक रूप से सही तस्वीर को पुनर्गठित कर सकता है।

उन्होंने क्या सिद्ध किया?

लेखकों ने कई कठिन परिदृश्यों पर ViT-K का परीक्षण किया:

सरल प्रवाह: इसने उच्च सटीकता के साथ स्पंज और नदी के माध्यम से पानी के प्रवाह की भविष्यवाणी की।
जटिल आकृतियाँ: इसने एक "कार्स्ट एक्वीफर" (एक गुफा प्रणाली जिसमें टेढ़े-मेढ़े, अजीब आकार हैं) को संभाला जहाँ पानी दरारों और स्पंज के माध्यम से एक साथ बहता है।
धड़कता हुआ रक्त प्रवाह: उन्होंने शरीर में शाखाओं वाली वाहिकाओं में बहते रक्त का अनुकरण किया, जो दिल की धड़कन की तरह धड़कता है। ViT-K घंटों तक दिल की धड़कन के साथ सटीक तालमेल बनाए रखता है, जबकि अन्य मॉडल तालमेल खो देते हैं।
गति: यह वैज्ञानिकों द्वारा उपयोग किए जाने वाले पारंपरिक, उच्च-परिशुद्धता वाले कंप्यूटर तरीकों की तुलना में 5 गुना तेज़ था, जबकि सटीकता का वही स्तर बनाए रखा।

मुख्य निष्कर्ष (The Bottom Line)

ViT-K जटिल तरल प्रवाह को सिम्युलेट करने का एक नया तरीका है जो आंशिक रूप से नदी और आंशिक रूप से स्पंज है। यह आकार देखने के लिए "बर्ड्स आई व्यू" (पक्षी की दृष्टि) और भविष्य की भविष्यवाणी करने के लिए एक "गणितीय सीधा करने वाले" का उपयोग करता है। यह बहुत कम डेटा से सीखता है, शोर को अनदेखा करता है, और—सबसे महत्वपूर्ण बात—ऐसी गलतियाँ नहीं करता जो समय के साथ जमा होती जाती हैं। यह इसे भूमिगत जल प्रणालियों से लेकर रक्त वाहिकाओं तक, जटिल वातावरण में तरल पदार्थों के संचलन को समझने के लिए एक शक्तिशाली उपकरण बनाता है, जिसके लिए दिनों तक सुपरकंप्यूटर चलाने की आवश्यकता नहीं होती है।

तकनीकी सारांश: युग्मित तरल-सरंध्र माध्यम प्रवाह (Coupled Fluid-Porous Media Flows) के लिए ViT-K

1. समस्या विवरण

मुक्त प्रवाह (free flow) और सरंध्र माध्यम (porous media) के बीच की अंतःक्रियाओं का संख्यात्मक अनुकरण, जो युग्मित स्टोक्स/नेवियर-स्टोक्स-डार्सी (NSD) प्रणालियों द्वारा नियंत्रित होते हैं, भूजल जलविज्ञान से लेकर बायोफ्लुइड परिवहन तक के अनुप्रयोगों के लिए महत्वपूर्ण है। हालाँकि, पारंपरिक उच्च-सटीकता वाले सॉल्वर (जैसे, परिमित तत्व विधियाँ - finite element methods) महत्वपूर्ण बाधाओं का सामना करते हैं:

गणना लागत (Computational Cost): इंटरफ़ेस विषमताओं और बहु-पैमाने की विशेषताओं को हल करने के लिए महंगी मेश जनरेशन और पुनरावृत्ति समाधान (iterative solving) की आवश्यकता होती है।
दीर्घकालिक अस्थिरता (Long-Term Instability): मौजूदा डीप लर्निंग सरोगेट मॉडल, जैसे कि भौतिकी-सूचित न्यूरल नेटवर्क (PINNs) और मानक न्यूरल ऑपरेटर्स (जैसे, FNO, DeepONet), अक्सर खराब अनुकूलित लॉस लैंडस्केप, बहु-भौतिकी शासन (multi-physics regimes) में अभिसरण विफलता, और घातांकीय त्रुटि संचय (exponential error accumulation) से ग्रस्त होते हैं।
डेटा की कमी (Data Scarcity): व्यावहारिक इंजीनियरिंग परिदृश्यों में अक्सर जटिल डीप लर्निंग मॉडल को प्रभावी ढंग से प्रशिक्षित करने के लिए आवश्यक बड़े डेटासेट की कमी होती है।

2. कार्यप्रणाली: ViT-K फ्रेमवर्क

इन सीमाओं को दूर करने के लिए, लेखक ViT-K प्रस्तावित करते हैं, जो स्थानिक प्रतिनिधित्व (spatial representation) के लिए विज़न ट्रांसफॉर्मर (ViT) और अस्थायी गतिशीलता (temporal dynamics) के लिए कूपमैन ऑपरेटर (Koopman operator) को सहक्रियात्मक रूप से एकीकृत करता है।

2.1 विज़न ट्रांसफॉर्मर के माध्यम से स्थानिक एन्कोडिंग

स्थानीय रिसेप्टिव फील्ड्स पर निर्भर करने वाले कनवल्शनल न्यूरल नेटवर्क (CNN) के विपरीत, ViT-K वैश्विक स्थानिक निर्भरताओं (global spatial dependencies) को पकड़ने के लिए एक विज़न ट्रांसफॉर्मर एनकोडर का उपयोग करता है।

तंत्र (Mechanism): इनपुट फ्लो फील्ड (वेग, दबाव, क्षमता) को पैच में विभाजित किया जाता है और मल्टी-हेड सेल्फ-अटेंशन तंत्र के माध्यम से संसाधित किया जाता है।
भूमिका: ViT एनकोडर एक लिफ्टिंग फंक्शन ( $\Psi_{enc}$ ) के रूप में कार्य करता है, जो उच्च-आयामी, विषम भौतिक क्षेत्रों (जटिल तरल-सरंध्र इंटरफेस सहित) को एक संक्षिप्त, निम्न-आयामी लेटेंट स्टेट वेक्टर ( $g \in \mathbb{R}^d$ ) में मैप करता है। यह प्रभावी रूप से वैश्विक स्थानिक मोड और इंटरफेस विशेषताओं को निकालता है।

2.2 संरचित कूपमैन ऑपरेटर के माध्यम से अस्थायी विकास

स्थिरता सुनिश्चित करने के लिए, फ्रेमवर्क मानक आवर्ती (recurrent) या ऑटो-रिग्रेसिव टेम्पोरल लेयर्स के स्थान पर कूपमैन ऑपरेटर फॉर्मूलेशन का उपयोग करता है।

रैखिकीकरण (Linearization): युग्मित NSD प्रणाली की गैर-रेखीय गतिशीलता को एक अनंत-आयामी अवलोकन स्थान (observable space) में ऊपर उठाया जाता है जहाँ विकास रैखिक होता है।
संरचित जनरेटर (Structured Generator): कूपमैन जनरेटर $A$ $A$ को एक सममित ऋणात्मक अर्ध-निश्चित मैट्रिक्स ( $S \preceq 0$ $S ⪯ 0$ ) और एक स्केव-सिमेट्रिक मैट्रिक्स ( $W$ $W$ ) के योग के रूप में प्रतिबंधित किया गया है।
- $S \preceq 0$ ऊर्जा अपव्यय (ऊर्जा क्षय/स्थिरता) सुनिश्चित करता है।
- $W$ संरक्षणवादी दोलनशील गतिशीलता (conservative oscillatory dynamics) को कैप्चर करता है।
विकास (Evolution): लेटेंट स्टेट रैखिक रूप से विकसित होता है: $g(t+\Delta t) = e^{A\Delta t}g(t)$ । यह संरचनात्मक बाधा गारंटी देती है कि भविष्यवाणियाँ समय के साथ घातांकीय के बजाय रैखिक रूप से बढ़ती हैं।

2.3 भौतिक पुनर्निर्माण और प्रशिक्षण

डिकोडर: एक पुनर्निर्माण नेटवर्क ( $\Psi_{dec}$ ) विकसित हुए लेटेंट स्टेट्स को वापस भौतिक डोमेन में मैप करता है, जिससे पूर्ण वेग, दबाव और क्षमता क्षेत्र प्राप्त होते हैं।
लॉस फंक्शन (Loss Function): प्रशिक्षण उद्देश्य तरल और सरंध्र उप-डोमेन में डोमेन-भारित मीन स्क्वेर्ड एरर (MSE) को कम करता है, जिसे एक रैखिकता लॉस ( $L_{linearity}$ ) के साथ जोड़ा जाता है जो लेटेंट स्पेस में रैखिक विकास बाधा को लागू करता है। यह विषम इंटरफ़ेस के पार भौतिक निरंतरता सुनिश्चित करता है।

3. प्रमुख योगदान

नवीन वास्तुकला (Novel Architecture): युग्मित स्टोक्स/नेवियर-स्टोक्स-डार्सी प्रणालियों के लिए ViT के वैश्विक स्थानिक अटेंशन और कूपमैन ऑपरेटर की रैखिक अस्थायी गतिशीलता का एकीकरण।
सैद्धांतिक स्थिरता (Theoretical Stability): पेपर एक कठोर त्रुटि विश्लेषण (थ्योरम 4.2) प्रदान करता है जो सिद्ध करता है कि संरचित कूपमैन जनरेटर वैश्विक भविष्यवाणी त्रुटि को समय के साथ रैखिक रूप से बढ़ने ( $O(T)$ ) के लिए सीमित करता है, जिससे अनियंत्रित डीप लर्निंग मॉडल्स की विशिष्ट घातांकीय विचलन ( $O(e^T)$ ) से बचा जा सके।
फ्यू-शॉट क्षमता (Few-Shot Capability): फ्रेमवर्क को स्पैटियो-टेम्पोरल विकास को विरल (sparse) डेटासेट (जैसे, केवल 5-10 स्नैपशॉट्स) से सीखने के लिए डिज़ाइन किया गया है, जो इसे डेटा-दुर्लभ शासन के लिए उपयुक्त बनाता है।
अंतर्निहित स्पेक्ट्रल फ़िल्टरिंग (Implicit Spectral Filtering): मॉडल माप शोर (measurement noise) के विरुद्ध एक अंतर्निहित फिल्टर के रूप में कार्य करता है, जो शोर युक्त इनपुट को वैध PDE समाधानों के सीखे गए निम्न-आयामी मैनिफोल्ड पर प्रोजेक्ट करता है।

4. संख्यात्मक परिणाम

लेखकों ने चार बेंचमार्क समस्याओं पर ViT-K को मान्य किया है:

उदाहरण 1 (स्टोक्स-डार्सी): इंटरपोलेशन में उच्च निष्ठा (high fidelity) और $t=2.0$ (प्रशिक्षण क्षितिज का दोगुना) तक स्थिर एक्सट्रपलेशन प्रदर्शित किया: सापेक्ष त्रुटियां 15% से नीचे रहीं। त्रुटि वृद्धि रैखिक देखी गई, जो सैद्धांतिक सीमाओं के अनुरूप है।
उदाहरण 2 (नेवियर-स्टोक्स-डार्सी): आवधिक सीमा चक्रों (periodic limit cycles) पर परीक्षण किया गया। मॉडल ने बिना फेज ड्रिफ्ट के दोलनशील गतिशीलता को सफलतापूर्वक कैप्चर किया, लंबे क्षितिज पर 1% से कम सापेक्ष त्रुटि बनाए रखी।
उदाहरण 3 (विषम कार्स्ट मीडिया): अनियमित सीमाओं वाले Y-आकार के एक्विफर पर मान्य किया गया। ViT-K ने स्पष्ट भौतिकी-आधारित इंटरफेस लॉस के बिना जटिल बीवर्स-जोसेफ (Beavers–Joseph) इंटरफेस स्थितियों और प्रवाह पुनर्निर्देशन को सफलतापूर्वक हल किया।
उदाहरण 4 (पल्सेटाइल हेमोडायनामिक्स): बाहरी पल्सेटाइल फोर्सिंग के साथ द्विभाजित वाहिकाओं (bifurcating vessels) में प्रवाह का अनुकरण। एक नॉन-ऑटोनॉमस कूपमैन फॉर्मूलेशन का उपयोग करते हुए, मॉडल ने 125 कार्डिएक चक्रों तक ड्राइविंग फ्रीक्वेंसी के साथ फेज-लॉकिंग बनाए रखी।

प्रदर्शन मेट्रिक्स:

सटीकता (Accuracy): ViT-K ने एक्सट्रपलेशन कार्यों में बेसलाइन मॉडल्स (FNO और ConvLSTM) को काफी पीछे छोड़ दिया, जहाँ बेसलाइन मॉडल तेजी से त्रुटि विचलन प्रदर्शित करते हैं।
दक्षता (Efficiency): हेमोडायनामिक्स उदाहरण में, ViT-K ने 5 सेकंड के भौतिक समय के लिए उच्च-सटीकता वाले परिमित तत्व विधि (FEM) सॉल्वर की तुलना में 5.2× स्पीडअप प्राप्त किया।
मजबूती (Robustness): 10-15% योगात्मक गॉसियन शोर के तहत, ViT-K ने उत्कृष्ट डीनोइजिंग क्षमताएं प्रदर्शित कीं, स्मूथ भौतिक क्षेत्रों का पुनर्निर्माण किया जबकि मानक सॉल्वर ग्रेडिएंट अनियमितताओं के साथ संघर्ष कर रहे थे।
दीर्घकालिक एक्सट्रपलेशन (Long-Term Extrapolation): चरम परीक्षणों में, मॉडल ने प्रशिक्षण क्षितिज से 100 गुणा अधिक ( $t=1.0$ से $t=100.0$ तक) एक्सट्रपलेट किया, जिसमें सापेक्ष त्रुटियां केवल रैखिक रूप से बढ़ीं (जैसे, ~2% से ~3.5% तक), जो सिस्टम के 'ब्लो-अप' की अनुपस्थिति की पुष्टि करती हैं।

5. महत्व और दावे

पेपर का दावा है कि ViT-K डेटा-संचालित दक्षता और भौतिक विश्वसनीयता के बीच के अंतर को पाटकर रियल-टाइम मल्टीफिजिक्स फोरकास्टिंग के लिए एक मजबूत प्रतिमान प्रदान करता है। इसका प्राथमिक महत्व है:

स्थिरता-स्केलेबिलिटी ट्रेड-ऑफ को हल करना: डिजाइन द्वारा, मॉडल यह सुनिश्चित करता है कि भविष्यवाणियाँ घातांकीय रूप से संचित न हों, जिससे न्यूनतम प्रशिक्षण डेटा के साथ भी विश्वसनीय दीर्घकालिक एक्सट्रपलेशन संभव होता है।
जटिल इंटरफेस को संभालना: सेल्फ-अटेंशन तंत्र जटिल ज्यामिति में तरल-सरंध्र इंटरफेस की विषम विशेषताओं को प्रभावी ढंग से कैप्चर करता है, जो पारंपरिक कनवल्शनल दृष्टिकोणों से बेहतर प्रदर्शन करता है।
भौतिक निरंतरता: संरचित कूपमैन फॉर्मूलेशन यह गारंटी देता है कि सीखी गई गतिशीलता मौलिक भौतिक सिद्धांतों (जैसे, ऊर्जा अपव्यय) का पालन करती है, जो "ब्लैक-बॉक्स" न्यूरल ऑपरेटर्स के लिए एक सैद्धांतिक रूप से ठोस विकल्प प्रदान करती है।

लेखक निष्कर्ष निकालते हैं कि हालांकि वर्तमान कार्य 2D बेंचमार्क पर केंद्रित है, यह फ्रेमवर्क भविष्य के अनुसंधान में 3D अनियमित ज्यामिति और उच्च-रेनॉल्ड्स संख्या प्रवाह के विस्तार के लिए एक आधार प्रदान करता है।