🔬 physics

Symplectic Neural Operators for Learning Infinite Dimensional Hamiltonian Systems

यह शोध पत्र सिम्प्लेक्टिक न्यूरल ऑपरेटर (Symplectic Neural Operator) को प्रस्तुत करता है, जो एक नवीन आर्किटेक्चर है जो अनंत-आयामी हैमिल्टोनियन प्रणालियों की अंतर्निहित सिम्प्लेक्टिक संरचना को संरक्षित करने के लिए बनाया गया है ताकि मानक डेटा-संचालित मॉडलों की तुलना में कठोर दीर्घकालिक स्थिरता और बेहतर ऊर्जा संरक्षण सुनिश्चित किया जा सके।

मूल लेखक: Yeang Makara, Yusuke Tanaka, Takashi Matsubara, Takaharu Yaguchi

प्रकाशित 2026-05-18

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yeang Makara, Yusuke Tanaka, Takashi Matsubara, Takaharu Yaguchi

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 कंप्यूटर को यह सिखाने की कोशिश कर रहे हैं कि एक जटिल भौतिक प्रणाली (physical system), जैसे कि समुद्र तट पर टकराती लहर या चलती हुई क्वांटम कण, समय के साथ कैसा व्यवहार करेगी।

भौतिकी की दुनिया में, इनमें से कई प्रणालियाँ हैमिल्टोनियन मैकेनिक्स (Hamiltonian mechanics) द्वारा संचालित होती हैं। इसे एक सख्त, अदृश्य नियमों के सेट के रूप में समझें जिनका पालन प्रकृति करती है। सबसे महत्वपूर्ण नियम यह है कि ऊर्जा संरक्षित (energy is conserved) रहती है। यदि आपके पास शुरुआत में एक निश्चित मात्रा में ऊर्जा है, तो आपके पास अंत में भी ठीक उतनी ही ऊर्जा होनी चाहिए, चाहे कितना भी समय बीत जाए।

समस्या: "लीकी बकेट" (Leaky Bucket - टपकती बाल्टी)

मानक AI मॉडल (जिन्हें "न्यूरल ऑपरेटर्स" कहा जाता है) पैटर्न सीखने में बहुत अच्छे होते हैं। यदि आप उन्हें कुछ सेकंड के लिए एक लहर दिखाते हैं, तो वे अगले कुछ सेकंडों की सटीक भविष्यवाणी कर सकते हैं।

हालाँकि, ये मानक मॉडल एक टपकती बाल्टी की तरह हैं। वे "ऊर्जा संरक्षण" के नियम को नहीं समझते हैं।

अल्प अवधि (Short term): कुछ चरणों के लिए, रिसाव इतना कम होता है कि आप उसे नोटिस नहीं कर पाते। भविष्यवाणी एकदम सही दिखती है।
दीर्घ अवधि (Long term): जैसे-जैसे समय बीतता है, AI छोटी-छोटी गलतियाँ करता रहता है। क्योंकि उसे पता नहीं है कि उसे ऊर्जा को स्थिर रखना है, ये गलतियाँ जमा होती जाती हैं। "बाल्टी" खाली होने लगती है (या भर जाती है), और सिमुलेशन अराजक (chaotic) हो जाता है। लहर अचानक गायब हो सकती है, फट सकती है, या असंभव दिशाओं में चलने लग सकती है।

समाधान: "सिम्प्लेक्टिक न्यूरल ऑपरेटर" (Symplectic Neural Operator - SNO)

इस शोध पत्र के लेखकों ने एक नया प्रकार का AI बनाया जिसे सिम्प्लेक्टिक न्यूरल ऑपरेटर (SNO) कहा जाता है।

SNO को केवल एक स्मार्ट अनुमान लगाने वाले के रूप में नहीं, बल्कि एक भौतिकी-जागरूक वास्तुकार (physics-aware architect) के रूप में सोचें। AI के सीखने से पहले ही, वास्तुकारों (शोधकर्ताओं) ने AI के "मस्तिष्क" को एक विशेष बाधा (constraint) के साथ बनाया है: इस AI के लिए ऊर्जा के नियम को तोड़ना भौतिक रूप से असंभव है।

उन्होंने ऐसा इसलिए किया क्योंकि उन्होंने AI की आंतरिक संरचना को उस गणितीय "सिम्प्लेक्टिक" ज्यामिति (symplectic geometry) की नकल करने के लिए डिज़ाइन किया जिसका उपयोग प्रकृति करती है।

उपमा (Analogy): कल्पना कीजिए कि मानक AI बिना ब्रेक या स्टीयरिंग वाली कार है; यह तेज़ चलती है लेकिन दुर्घटनाग्रस्त हो सकती है। SNO एक ट्रैक पर बनी कार है जिसमें सुरक्षा घेरे (guardrails) लगे हैं। भले ही ड्राइवर (AI) कोई छोटी गलती करे, सुरक्षा घेरे (सिम्प्लेक्टिक संरचना) कार को ट्रैक पर रखते हैं, जिससे यह हमेशा सुरक्षित और स्थिर रहती है।

यह कैसे काम करता है ("शीयर" का रूपक)

पेपर बताता है कि SNO को "शीयर" (shear) ऑपरेशन्स की परतों को जोड़कर बनाया गया है।

कल्पना कीजिए कि आपके पास ताश की एक गड्डी है (जो सिस्टम की स्थिति का प्रतिनिधित्व करती है)।
एक मानक AI ताश को बेतरतीब ढंग से फेंट सकता है, जिससे अंततः क्रम खो जाता है।
SNO केवल विशिष्ट चालों की अनुमति देता है: यह नीचे के हिस्से के आधार पर ताश के ऊपरी हिस्से को खिसका सकता है, या इसके विपरीत, लेकिन यह कभी भी कार्ड को फाड़ता या खोता नहीं है।
क्योंकि यह जो भी चाल चलता है, वह गड्डी के "आकार" को सुरक्षित रखती है, इसलिए चालों का पूरा क्रम सिस्टम की ऊर्जा को संरक्षित रखता है।

उन्होंने क्या पाया

शोधकर्ताओं ने इस नए AI का चार क्लासिक भौतिक समस्याओं पर परीक्षण किया:

वेव इक्वेशन (Wave Equation): लहरें कैसे चलती हैं।
इलेक्ट्रोमैग्नेटिक वेव्स (Electromagnetic Waves): प्रकाश और रेडियो तरंगें कैसे चलती हैं।
श्रोडिंगर इक्वेशन (Schrödinger Equation): क्वांटम कण कैसे चलते हैं।
क्लाइन-गॉर्डन इक्वेशन (Klein-Gordon Equation): एक जटिल फील्ड थ्योरी।

परिणाम:

अल्प अवधि (Short Term): नया SNO मानक मॉडलों के समान ही सटीक था। पहले कुछ सेकंड के लिए सभी एकमत थे।
दीर्घ अवधि (Long Term): यहीं पर असली जादू हुआ।
- मानक मॉडल (FNO, GNO, CNO) भटकने लगे। उनके ऊर्जा स्तर बेतहाशा ऊपर-नीचे होने लगे, और कुछ सौ चरणों के बाद उनकी भविष्यवाणियाँ निरर्थक हो गईं।
- SNO ने ऊर्जा को पूरी तरह से स्थिर रखा। यह हजारों चरणों तक सिस्टम की भविष्यवाणी कर सका बिना सिमुलेशन के बिगड़े। यह भौतिकी के "सुरक्षा घेरों" के प्रति वफादार रहा।

यह क्यों महत्वपूर्ण है

यह पेपर तर्क देता है कि उन प्रणालियों के लिए जहाँ हमें यह जानने की आवश्यकता है कि लंबे समय में क्या होगा (जैसे जलवायु मॉडलिंग, दीर्घकालिक कक्षीय यांत्रिकी, या जटिल सामग्रियों का अनुकरण), पहले एक सेकंड की सटीकता पर्याप्त नहीं है। आपको संरचनात्मक स्थिरता (structural stability) की आवश्यकता है।

AI के आर्किटेक्चर में सीधे "संरक्षण के नियम" को शामिल करके, सिम्प्लेक्टिक न्यूरल ऑपरेटर जटिल भौतिक प्रणालियों के लिए एक विश्वसनीय, दीर्घकालिक विकल्प (surrogate) के रूप में कार्य करता है, जो अन्य AI मॉडलों की "भटकने" (drift) की समस्या को रोकता है।

संक्षेप में: यह पेपर एक नया AI प्रस्तुत करता है जो न केवल यह सीखता है कि क्या होता है, बल्कि यह भी सीखता है कि ऊर्जा संरक्षण के मौलिक नियमों के अनुसार कैसे व्यवहार करना है, जिससे यह सुनिश्चित होता है कि यह जटिल भौतिक प्रणालियों के भविष्य की भविष्यवाणी करते समय "पटरी से नहीं उतरेगा"।

तकनीकी सारांश: अनंत-आयामी हैमिल्टनियन प्रणालियों को सीखने के लिए सिम्प्लेक्टिक न्यूरल ऑपरेटर्स (Symplectic Neural Operators)

समस्या विवरण

अनंत-आयामी हैमिल्टनियन प्रणालियों (जैसे तरंग समीकरण, द्रव गतिज विज्ञान, क्षेत्र सिद्धांत) का मॉडलिंग और सिमुलेशन मानक डेटा-संचालित आर्किटेक्चर के लिए महत्वपूर्ण चुनौतियां प्रस्तुत करता है। जबकि न्यूरल ऑपरेटर्स (NOs) जैसे कि DeepONet, फूरियर न्यूरल ऑपरेटर्स (FNO), और ग्राफ न्यूरल ऑपरेटर्स (GNO) ने फलन स्थानों (function spaces) से फलन स्थानों तक मैपिंग करके PDE के समाधान ऑपरेटरों को सीखने में सफलता प्रदर्शित की है, वे आमतौर पर इनपुट और आउटपुट को अनियंत्रित फलनों के रूप में देखते हैं।

परिणामस्वरूप, मानक NOs हैमिल्टनियन प्रवाह (Hamiltonian flows) की अंतर्निहित ज्यामितीय संरचना को एनकोड करने में विफल रहते हैं। परिमित-आयामी प्रणालियों में, यह स्थापित है कि सिम्प्लेक्टिसिटी (सिम्प्लेक्टिक रूप का संरक्षण) ही स्थिर दीर्घकालिक गतिकी, चरण-आयतन संरक्षण और ऊर्जा संरक्षण सुनिश्चित करने वाली प्रमुख विशेषता है, न कि केवल बिंदुवार ऊर्जा मिलान। अनंत आयामों में, जहाँ चरण स्थान (phase spaces) फलन स्थान होते हैं, मानक NOs अल्पकालिक त्रुटि (short-term error) कम प्राप्त कर सकते हैं लेकिन इंटरैक्टिंग मोड्स के बीच संरचनात्मक त्रुटियों के संचय के कारण दीर्घकालिक रोलआउट के दौरान विनाशकारी ऊर्जा बहाव (energy drift) और अस्थिरता प्रदर्शित करते हैं। मौजूदा संरचना-संरक्षण मॉडल जैसे कि SympNets आम तौर पर परिमित-आयामी वेक्टर स्पेस ( $\mathbb{R}^d$ ) और विशिष्ट विविक्तीकरणों (discretizations) तक सीमित हैं, जिनमें PDE सरोगेट मॉडलिंग के लिए आवश्यक मेश-स्वतंत्रता (mesh-independence) का अभाव है।

कार्यप्रणाली

लेखक सिम्प्लेक्टिक न्यूरल ऑपरेटर (SNO) का प्रस्ताव करते हैं, जो एक न्यूरल ऑपरेटर आर्किटेक्चर है जिसे डेटा से सीधे परिमित-समय हैमिल्टनियन फ्लो मैप्स को सीखने के लिए डिज़ाइन किया गया है, जो रचना द्वारा सिम्प्लेक्टिक संरचना को संरक्षित करता है।

1. सैद्धांतिक आधार

यह कार्य स्ट्रॉन्ग सिम्प्लेक्टिक हिल्बर्ट मैनिफोल्ड्स पर अनंत-आयामी हैमिल्टनियन प्रणालियों के सिद्धांत पर आधारित है।

अनंत आयामों में सिम्प्लेक्टिसिटी: लेखक हिल्बर्ट स्पेस पर सिम्प्लेक्टिक ऑपरेटर्स को परिभाषित करते हैं जहाँ सिम्प्लेक्टिक फॉर्म $\omega(u, v) = \langle Ju, v \rangle$ एक बाउंडेड, इन्वर्टिबल, स्केव-एडजॉइंट ऑपरेटर $J$ द्वारा प्रेरित होता है। एक मैप सिम्प्लेक्टिक है यदि इसका फ्रेट डेरिवेटिव (Fréchet derivative) संतुष्ट करता है: $(D\Phi)^* J D\Phi = J$ ।
शीयर-टाइप सिम्प्लेक्टिक मैप्स: आर्किटेक्चर नॉनलीनियर शीयर मैप्स पर निर्भर करता है। यदि $V: H \to \mathbb{R}$ एक $C^2$ फलन है जिसका सेल्फ-एडजॉइंट हेसियन (Hessian) है, तो मैप $\Phi_V(q, p) = (q, p + \nabla V(q))$ एक सिम्प्लेक्टोमोर्फिज्म (symplectomorphism) है। यह सरल शीयर ब्लॉक्स के संयोजन के माध्यम से जटिल सिम्प्लेक्टिक प्रवाह के निर्माण की अनुमति देता है।

2. आर्किटेक्चर डिज़ाइन

SNO को ग्रेडिएंट न्यूरल फंकशनल्स द्वारा पैरामीटराइज्ड "अपर" (upper) और "लोअर" (lower) शीयर ब्लॉक्स के वैकल्पिक संयोजन के रूप में बनाया गया है।

सेल्फ-एडजॉइंट फूरियर न्यूरल ऑपरेटर्स (SAFNOs): यह सुनिश्चित करने के लिए कि ग्रेडिएंट ऑपरेटर्स $\nabla V$ सेल्फ-एडजॉइंट लीनियरइजेशन प्रेरित करें (सिम्प्लेक्टिसिटी के लिए एक आवश्यकता), लेखक SAFNOs पेश करते हैं। ये फूरियर न्यूरल ऑपरेटर्स हैं जहाँ स्पेक्ट्रल वेट्स (फूरियर सिम्बल्स) को विशिष्ट एडजॉइंट-पेयर समरूपताओं ( $W_k = W^*_{L-1-k}$ और $R_k(\xi) = R^*_{L-1-k}(\xi)$ ) द्वारा बाधित किया जाता है। यह गारंटी देता है कि परिणामी लीनियर ऑपरेटर लक्षित हिल्बर्ट स्पेस पर सेल्फ-एडजॉइंट है, जो मेश विविक्तीकरण से स्वतंत्र है।
ग्रेडिएंट न्यूरल फंकशनल्स: ऊर्जा फंकशनल्स $E_\theta$ को इनपुट के लीनियर ट्रांसफॉर्मेशन पर लागू पॉइंटवाइज न्यूरल नेटवर्क्स के इंटीग्रल के रूप में पैरामीटराइज किया जाता है। $E_\theta$ का ग्रेडिएंट, $\nabla E_\theta$ , SAFNOs और पॉइंटवाइज ग्रेडिएंट्स का उपयोग करके लागू किया जाता है, जो यह सुनिश्चित करता है कि ग्रेडिएंट मैप का जैकोबियन सेल्फ-एडजॉइंट है।
SNO मैप: अंतिम ऑपरेटर $SNO_\Theta$ को इस प्रकार परिभाषित किया गया है:
$SNO_\Theta = T^{up}_{\theta_L} \circ T^{low}_{\vartheta_L} \circ \dots \circ T^{up}_{\theta_1} \circ T^{low}_{\vartheta_1}$
जहाँ प्रत्येक $T$ एक ग्रेडिएंट न्यूरल फंक्शनल से व्युत्पन्न एक शीयर मैप है। रचना द्वारा, सिम्प्लेक्टिक मैप्स का संयोजन सिम्प्लेक्टिक बना रहता है।

3. स्थिरता विश्लेषण (Stability Analysis)

पेपर दीर्घकालिक स्थिरता के संबंध में एक कठोर सैद्धांतिक परिणाम प्रदान करता है। लेखक सिद्ध करते हैं कि यदि सीखा गया मैप $S_\epsilon$ सटीक हैमिल्टनियन फ्लो $\Phi_\tau^H$ का एक सिम्प्लेक्टिक $\epsilon$ -परटर्बेशन है, और कुछ स्मूथनेस और बाउंडेडनेस शर्तों को पूरा करता है, तो एक संशोधित हैमिल्टनियन $\tilde{H}_{\epsilon, m}$ मौजूद है जो दीर्घकालिक अंतराल के दौरान $\tilde{H}_{\epsilon, m}$ को लगभग संरक्षित करता है। विशेष रूप से, ऊर्जा त्रुटि टाइम स्टेप्स के साथ रैखिक रूप से केवल $O(\epsilon^{-m})$ के टाइम स्केल तक बढ़ती है, जिसके बाद त्रुटि $O(\epsilon)$ द्वारा बंडेड रहती है। यह गैर-संरचना-संरक्षण मॉडलों के विपरीत है जहाँ ऊर्जा बहाव (energy drift) आमतौर पर अनबाउंडेड होता है।

मुख्य योगदान

संरचना-संरक्षण ऑपरेटर मॉडल: SNO का परिचय, जो अनंत-आयामी हैमिल्टनियन PDEs के लिए पहला न्यूरल ऑपरेटर आर्किटेक्चर है जो रचना द्वारा सिम्प्लेक्टिक है, जिससे एक संरचना-संरक्षण फलन-से-फलन सरोगेट प्राप्त होता है।
कुशल परिकल्पना वर्ग (Efficient Hypothesis Class): सिम्प्लेक्टिक ऑपरेटर्स के लिए लर्निंग स्पेस को प्रतिबंधित करके, मॉडल एक मजबूत फिजिक्स-गाइडेड इंडक्टिव बायस के रूप में कार्य करता है, जो सर्च स्पेस को कम करता है और संभावित रूप से डेटा दक्षता और सामान्यीकरण (generalization) में सुधार करता है।
कठोर स्थिरता गारंटी: सिम्प्लेक्टिक SNOs को दीर्घकालिक रोलआउट के दौरान एक संशोधित हैमिल्टनियन को संरक्षित करने के संबंध में एक संशोधित हैमिल्टनियन के ऊपर एक सैद्धांतिक प्रमाण स्थापित करना, जो उनके नियंत्रित ऊर्जा व्यवहार के लिए एक कठोर स्पष्टीकरण प्रदान करता है।
सेल्फ-एडजॉइंट न्यूरल ऑपरेटर्स: SAFNOs का विकास, जो एक नए प्रकार के न्यूरल ऑपरेटर्स हैं जो स्पेक्ट्रल बाधाओं के माध्यम से सेल्फ-एडजॉइंटनेस को लागू करते हैं, जो फलन स्पेस में वैध ग्रेडिएंट-आधारित सिम्प्लेक्टिक मैप्स के निर्माण के लिए आवश्यक है।

प्रयोगात्मक परिणाम

लेखकों ने चार कैनोनिकल हैमिल्टनियन PDEs पर SNO का मूल्यांकन किया: लीनियर वेव इक्वेशन, इलेक्ट्रोमैग्नेटिक वेव इक्वेशन, श्रोडिंगर इक्वेशन, और नॉनलीनर क्लेन-गॉर्डन इक्वेशन।

अल्पकालिक सटीकता (Short-Term Accuracy): अल्प अवधि (10–20 टाइम स्टेप्स) में, SNO मानक बेसलाइन्स (FNO, GNO, CNO) के तुलनीय प्रदर्शन करता है, जिसमें सभी मॉडल कम त्रुटि प्राप्त करते हैं।
दीर्घकालिक स्थिरता (Long-Term Stability): विस्तारित रोलआउट (3000 टाइम स्टेप्स तक) के दौरान, मानक NOs महत्वपूर्ण फेज और एम्प्लीट्यूड त्रुटियां, स्प्यूरियस ऑसिलेशन्स, और अस्थिरता की ओर ले जाने वाला मोनोटोनिक एनर्जी ड्रिफ्ट प्रदर्शित करते हैं।
ऊर्जा संरक्षण: SNO पूरे सिमुलेशन होराइजन के दौरान लगभग स्थिर और ग्राउंड ट्रुथ के अनुरूप ऊर्जा प्रोफाइल बनाए रखता है।
मात्रात्मक प्रदर्शन: सभी बेंचमार्क में, SNO ने बेसलाइन्स की तुलना में काफी छोटी सापेक्ष $L^2$ रोलआउट त्रुटियों और सापेक्ष ऊर्जा त्रुटियों का प्रदर्शन किया। उदाहरण के लिए, 1000 स्टेप्स पर वेव इक्वेशन प्रयोग में, SNO की त्रुटियां $10^{-1}$ के क्रम में रहीं, जबकि FNO की त्रुटियां $10^0$ तक बढ़ गईं और GNO/CNO की त्रुटियां $10^1$ से अधिक हो गईं।

महत्व और दावे

पेपर दावा करता है कि SNO फ्रेमवर्क वैज्ञानिक मशीन लर्निंग में एक महत्वपूर्ण अंतर को संबोधित करता है: उन ज्यामितीय इनवेरियंट्स का सम्मान करते हुए अनंत-आयामी गतिकी को सीखने की क्षमता जो दीर्घकालिक व्यवहार को नियंत्रित करते हैं।

स्थानीय सटीकता से परे: कार्य इस बात पर जोर देता है कि हैमिल्टनियन सिस्टम के लिए, केवल अनुमान सटीकता (approximation accuracy) पर्याप्त नहीं है; संरचनात्मक संरक्षण दीर्घकालिक गतिकी के लिए आवश्यक है।
डेटा-संचालित सरोगेट्स: क्लासिकल सिम्प्लेक्टिक इंटीग्रेटर्स के विपरीत, जिन्हें हैमिल्टनियन फंक्शनल और वेरिएशनल डेरिवेटिव्स के स्पष्ट ज्ञान की आवश्यकता होती है, SNO सीधे ट्रैजेक्टरी डेटा से परिमित-समय फ्लो मैप सीखता है। यह इसे उन मामलों में भी लागू करने योग्य बनाता है जहाँ अंतर्निहित समीकरण अज्ञात हैं या उन्हें कुशलतापूर्वक विविक्त (discretize) करना बहुत जटिल है।
व्यावहारिक उपयोगिता: लेखक बताते हैं कि SNOs तेज़, संरचना-संरक्षण सरोगेट्स के रूप में कार्य करते हैं जो बार-बार किए जाने वाले लंबे समय के रोलआउट, इनवर्स प्रॉब्लम्स और अनिश्चितता परिमाणीकरण (uncertainty quantification) के लिए उपयुक्त हैं, जहाँ एक प्रशिक्षित ऑपरेटर का मूल्यांकन मूल PDEs को बार-बार हल करने की तुलना में कम्प्यूटेशनल रूप से सस्ता होता है।

लेखक अपनी सीमाओं के बारे में विनम्र रहते हैं, यह नोट करते हुए कि वर्तमान फॉर्मूलेशन स्ट्रॉन्ग कैनोनिकल सिम्प्लेक्टिक हिल्बर्ट फेज स्पेस पर लागू होता है और कमजोर सिम्प्लेक्टिक फॉर्म या सामान्य मैनिफोल्ड्स तक ढांचे का विस्तार करने के लिए आगे के ज्यामितीय और कार्यात्मक-विश्लेषणात्मक विकास की आवश्यकता है। इसके अतिरिक्त, आर्किटेक्चरल बाधाओं के कारण SNO के प्रशिक्षण समय को सामान्य न्यूरल ऑपरेटर्स की तुलना में लंबा बताया गया है।