🔬 condensed matter

Data-driven analysis of metastability in a stochastic bistable system

यह शोध पत्र कोपमैन ऑपरेटर (Koopman operator) का उपयोग करने वाली एक डेटा-संचालित कार्यप्रणाली प्रस्तुत करता है, जो उप-प्रमुख मोड (subdominant modes) को ट्रैक करके स्टोकेस्टिक द्विस्थीय प्रणालियों (stochastic bistable systems) में मेटास्टेबिलिटी का विश्लेषण करती है ताकि प्रक्षेपवक्र अनुवर्ती (trajectory following) पर निर्भर रहे बिना पलायन सांख्यिकी (escape statistics) की सटीक भविष्यवाणी की जा सके, आकर्षण के बेसिनों (basins of attraction) का पुनर्निर्माण किया जा सके और साम्यावस्था एवं असंतुलन (equilibrium and nonequilibrium) दोनों स्थितियों में बहु-स्तरीय गतिकी (multi-scale dynamics) को अभिलक्षणित किया जा सके।

मूल लेखक: Ankan Banerjee, Manuel Santos Gutierrez, John Moroney, Valerio Lucarini

प्रकाशित 2026-07-17

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ankan Banerjee, Manuel Santos Gutierrez, John Moroney, Valerio Lucarini

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 एक ऐसी दुनिया है जहाँ सब कुछ लगातार हिल रहा है, जैसे किसी ऊबड़-खाबड़ बस में कॉफी का कप। कभी-कभी, वह कॉफी कप में स्थिर रहती है; और कभी-कभी, एक अचानक झटका उसे किनारे से छलकने पर मजबूर कर देता है। विज्ञान के विशाल ब्रह्मांड में, एक क्षेत्र है जिसे स्टोकेस्टिक डायनेमिक्स (stochastic dynamics) कहा जाता है, जो ठीक इसी तरह के "हिलने-डुलने" वाले व्यवहार का अध्ययन करता है। यह उन प्रणालियों को देखता है जिनके पास दो या दो से अधिक स्थिर स्थान होते हैं जहाँ वे आराम करना चाहते हैं (जैसे कप में रखी कॉफी), लेकिन रैंडम शोर (झटके) उन्हें दूसरे स्थान पर कूदने के लिए धकेल सकते हैं। वैज्ञानिक इन स्थिर स्थानों को "मेटास्टेबल स्टेट्स" (metastable states) कहते हैं।

बड़ा सवाल जो शोधकर्ता पूछते हैं: सिस्टम को कूदने में कितना समय लगेगा? और वह वहाँ पहुँचने के लिए कौन सा रास्ता अपनाएगा? आमतौर पर, इसका उत्तर देने के लिए, आपको खेल के सटीक नियम जानने की आवश्यकता होती है—वे सटीक समीकरण जो बताते हैं कि सिस्टम कैसे चलता है। लेकिन वास्तविक दुनिया में, जैसे मौसम के पैटर्न या मानव मस्तिष्क में, हमारे पास अक्सर वे सटीक नियम नहीं होते। हमारे पास केवल बिखरा हुआ डेटा होता, जैसे कॉफी के छलकने का एक वीडियो रिकॉर्डिंग। यह पेपर बिना यह जाने कि भौतिकी के पीछे की गुप्त रेसिपी क्या है, केवल उस बिखरे हुए डेटा का उपयोग करके इन "कूदने वाली" प्रणालियों को समझने की चुनौती से निपटता है।

द ग्रेट एस्केप: मैजिक लेंस के साथ जंप को ट्रैक करना

कल्पना कीजिए कि आप एक ऐसे परिदृश्य (लैंडस्केप) में घूमती हुई एक मार्बल (कंकड़) को देख रहे हैं जहाँ दो गहरी घाटियाँ एक ऊँची पहाड़ी द्वारा अलग की गई हैं। मार्बल को घाटी के निचले हिस्से में बैठना पसंद है। लेकिन हर अब और तब, हवा का एक रैंडम झोंका (शोर) आता है, और मार्बल को पहाड़ी के ऊपर धकेला जा सकता है और वह दूसरी घाटी में लुढ़क सकता है। यह एक बाइस्टेबल सिस्टम (bistable system) है: इसके पास दो "घर" हैं।

इस पेपर के लेखकों ने यह पता लगाना चाहा कि मार्बल कब एक घाटी से दूसरी घाटी में कूदेगा, और इसमें आमतौर पर कितना समय लगता है, बिना यह जाने कि पहाड़ियों का सटीक आकार क्या है या हवा की ताकत कितनी है। मार्बल के टेढ़े-मेढ़े रास्ते का चरण-दर-चरण पीछा करने के बजाय (जो कठिन है क्योंकि रास्ता अराजक है), उन्होंने कूपमैन ऑपरेटर (Koopman operator) नामक एक गणितीय उपकरण का उपयोग किया।

कूपमैन ऑपरेटर को एक मैजिक लेंस या विशेष चश्मे के रूप में सोचें। मार्बल को देखने के बजाय, यह लेंस मार्बल की गति के पैटर्न को देखता है। यह अव्यवस्थपूर्ण, गैर-रैखिक (non-linear), डगमगाती गति को एक साफ, सीधी कहानी में बदल देता है। जब आप इस लेंस के माध्यम से देखते हैं, तो आप सिस्टम के "मोड्स" (modes) या "कंपनों" (vibrations) को देख सकते हैं। इनमें से कुछ कंपन बहुत तेज़ होते हैं (जैसे घाटी के अंदर मार्बल का आगे-पीछे हिलना), और कुछ बहुत धीमे होते हैं (जैसे वह दुर्लभ क्षण जब मार्बल पहाड़ी पार करने का निर्णय लेता है)।

धीमा और तेज़

शोधकर्ताओं ने सबडोमिनेंट मोड (subdominant mode) नामक एक विशिष्ट "कंपन" पर ध्यान केंद्रित किया। उनके मैजिक लेंस व्यू में, यह मोड एक विशाल स्विच की तरह काम करता है। स्विच के एक तरफ, मान ऋणात्मक (negative) है (घाटी A का प्रतिनिधित्व करता है); दूसरी ओर, यह धनात्मक (positive) है (घाटी B का प्रतिनिधित्व करता है)। ठीक बीच में, जहाँ मान शून्य है, दोनों घाटियों के बीच की अदृश्य सीमा रेखा है।

समय के साथ इस एकल संख्या (सबडोमिनेंट मोड के मान) को बदलते हुए देखकर, टीम यह बता सकती थी कि सिस्टम कब कूदने वाला है। जब संख्या ऋणात्मक से धनात्मक (या इसके विपरीत) में बदल गई, तो उन्हें पता चल गया कि एक ट्रांज़िशन (परिवर्तन) हुआ है। यह एक स्मोक अलार्म होने जैसा है जो मार्बल के घाटी छोड़ने के क्षण में ही बज उठता है, बिना मार्बल को देखे।

उन्हें क्या मिला

टीम ने एक "डबल-वेल" (दो कुओं वाला) सिस्टम के कंप्यूटर मॉडल पर इस पद्धति का परीक्षण किया। उन्होंने अलग-अलग मात्रा में "शोर" (हवा) जोड़ा और परिदृश्य को घुमाया भी ताकि घाटियाँ पूरी तरह से सममित (symmetrical) न रहें (एक "नॉन-इक्विलिब्रियम" सिस्टम बनाया)।

यह जादू की तरह काम करता है: उन्होंने पाया कि सिस्टम को कूदने में लगने वाला समय, जो इस मैजिक स्विच को देखकर निकाला गया था, उन्नत सिद्धांतों (जिन्हें 'लार्ज डेविएशन थ्योरी' कहा जाता है) द्वारा किए गए अनुमानों से पूरी तरह मेल खाता है। यह सिद्धांत कहता है कि कम हवा में, कूदने में लगने वाला समय हवा के कमजोर होने पर तेजी से (exponentially) बढ़ता है। उनके डेटा-संचालित तरीके ने इसकी पुष्टि की, भले ही परिदृश्य घुमावदार और अव्यवस्थित था।
अदृश्य का मानचित्र बनाना: वे केवल डेटा को देखकर "बेसिन ऑफ अट्रैक्शन" (सुरक्षित क्षेत्रों) का नक्शा बना सके। उनके मैजिक स्विच की ज़ीरो-लाइन उस वास्तविक सीमा के साथ पूरी तरह से मेल खाती थी जहाँ मार्बल दूसरी घाटी में गिर जाता। यह बहुत बड़ी बात है क्योंकि वास्तविक जीवन में, हम अक्सर नहीं जानते कि ये सीमाएँ कहाँ हैं।
"सैडल" का रहस्य: उन्होंने "सैडल पॉइंट" (saddle point)—यानी दो घाटियों के बीच की पहाड़ी के बिल्कुल शीर्ष—के बारे में भी कुछ नया खोजा। आमतौर पर, सिद्धांत उस समय को अनदेखा कर देते हैं जब मार्बल पहाड़ी के शीर्ष पर डगमगाता रहता है। लेकिन कूपमैन स्पेक्ट्रम में गहराई से देखकर (अधिक विशिष्ट कंपनों को खोजकर), उन्होंने एक ऐसा मोड पाया जो ठीक से बताता है कि मार्बल नीचे गिरने से पहले ऊपर कितनी देर तक रुकता है। यह उस "तेज़" भाग को समझाने में मदद करता है जिसे पहले पकड़ पाना कठिन था।

यह क्यों मायने रखता है

सबसे रोमांचक बात यह है कि यह विधि डेटा-संचालित (data-driven) है। आपको गति के समीकरण जानने की आवश्यकता नहीं है। आपको बस सिस्टम के व्यवहार की एक रिकॉर्डिंग चाहिए। लेखकों ने दिखाया है कि इस "मैजिक लेंस" का उपयोग करके, आप यह पता लगा सकते हैं कि कोई सिस्टम कितना स्थिर है, खतरे के क्षेत्र कहाँ हैं, और इसे पलटने में कितना समय लगता है, भले ही सिस्टम जटिल, घुमावदार या असंतुलित हो।

हालाँकि यह अध्ययन एक सरल कंप्यूटर मॉडल पर किया गया था, लेखक सुझाव देते हैं कि यह दृष्टिकोण वास्तविक दुनिया के टिपिंग पॉइंट्स (tipping points) को समझने की कुंजी हो सकता—जैसे जलवायु परिवर्तन के बदलाव या मस्तिष्क की अवस्थाएं—जहाँ हमारे पास केवल डेटा है और कोई सटीक समीकरण नहीं है। उन्होंने ब्रह्मांड की हर समस्या को हल नहीं किया, लेकिन उन्होंने अदृश्य सीमाओं को देखने के लिए एक बहुत ही आशाजनक नया उपकरण बनाया है जो हमारी दुनिया को स्थिर रखते हैं।

तकनीकी सारांश: एक स्टोकेस्टिक बाइस्टेबल सिस्टम में मेटास्टेबिलिटी का डेटा-संचालित विश्लेषण

समस्या विवरण
मेटास्टेबिलिटी (Metastability), जो जटिल प्रणालियों में प्रतिस्पर्धी अवस्थाओं के सह-अस्तित्व द्वारा लक्षित होती है, एक सर्वव्यापी घटना है जिसके जलवायु विज्ञान, पारिस्थितिकी और इंजीनियरिंग में महत्वपूर्ण निहितार्थ हैं। इन प्रणालियों को समझने में एक महत्वपूर्ण चुनौती मेटास्टेबल अवस्थाओं की स्थिरता को मापने और "शोर-प्रेरित टिपिंग" (noise-induced tipping)—अर्थात इन अवस्थाओं के बीच स्टोकेस्टिक रूप से संचालित संक्रमणों—की भविष्यवाणी करने में निहित है। जबकि बड़े विचलन सिद्धांत (Large Deviation Theory - LDT) जैसे कठोर गणितीय ढांचे माध्य निकास समय (mean exit times) और पलायन पथों (instantons) का वर्णन करने के लिए मौजूद हैं, उन्हें आमतौर पर अंतर्निहित गतिक समीकरणों और चरण स्थान (phase space) की ज्यामिति (जैसे कि क्वासीपोटेंशियल) के पूर्ण ज्ञान की आवश्यकता होती है। वास्तविक दुनिया की जटिल प्रणालियों के लिए, जहाँ केवल अवलोकनीय (observables) के आंशिक टाइम-सीरीज़ डेटा उपलब्ध होते हैं, ये ज्यामिति-निर्भर विधियाँ महत्वपूर्ण सीमाओं का सामना करती हैं। लेखक मेटास्टेबिलिटी का विश्लेषण करने के लिए एक शुद्ध डेटा-संचालित कार्यप्रणाली विकसित करने की आवश्यकता को संबोधित करते हैं, जो विशेष रूप से बिना किसी पूर्व ज्ञान के धीमे इंटर-वेल ट्रांज़िशन (inter-well transitions) और तेज़ सैडल एस्केप (saddle escape) प्रक्रियाओं की पहचान करने पर केंद्रित है।

कार्यप्रणाली
लेखक कोपमैन ऑपरेटर फॉर्मलिज्म (Koopman operator formalism) पर आधारित एक ढांचा प्रस्तावित करते हैं, जो विश्लेषण को अवस्था चरों (state variables) के गैर-रेखीय विकास से बदलकर एक अनंत-आयामी स्थान में अवलोकनीय (observables) के रेखीय विकास की ओर स्थानांतरित करता है। यह अध्ययन एक प्रोटोटाइपिकल द्वि-आयामी स्टोकेस्टिक बाइस्टेबल सिस्टम (एक रोटेटिंग डबल-वेल पोटेंशियल) का उपयोग करता है जिसे संतुलन ( $\mu=0$ ) और गैर-संतुलन ( $\mu \neq 0$ ) दोनों स्थितियों का प्रतिनिधित्व करने के लिए ट्यून किया जा सकता है।

मुख्य कार्यप्रणाली में शामिल हैं:

डेटा जनरेशन: विभिन्न शोर तीव्रता ( $\alpha$ ) और घूर्णन मापदंडों ( $\mu$ ) के तहत टाइम-सीरीज़ के समूहों (ensembles) को उत्पन्न करने के लिए यूलर-मारुयामा स्कीम (Euler-Maruyama scheme) का उपयोग करके स्टोकेस्टिक डिफरेंशियल इक्वेशंस का संख्यात्मक सिमुलेशन।
कोपमैन सन्निकटन (Koopman Approximation): एक्सटेंडेड डायनेमिक मोड डिकम्पोजिशन (EDMD) एल्गोरिदम का अनुप्रयोग। टाइम-सीरीज़ डेटा से कोपमैन ऑपरेटर और उसके जनरेटर को अनुमानित करने के लिए बहुपद फलनों (polynomial functions) के एक डिक्शनरी का उपयोग किया जाता है।
स्पेक्ट्रल विश्लेषण: कोपमैन ऑपरेटर के आइगेनवैल्यू (eigenvalues) और आइगेनफंक्शंस (modes) की पहचान। अध्ययन निम्नलिखित पर केंद्रित है:
- प्रथम उप-प्रमुख मोड ( $\phi_2$ ): जो सबसे धीमी क्षय दर (decay rate) से जुड़ा है और मेटास्टेबल अवस्थाओं के बीच संक्रमण को नियंत्रित करता है।
- गहरे उप-प्रमुख मोड (Deeper subdominant modes): जो तेज़ क्षय दरों से जुड़े हैं और इंट्रा-वेल डायनेमिक्स तथा सैडल-टू-एट्रैक्टर रिलैक्सेशन को कैप्चर करते हैं।
सत्यापन: बड़े विचलन सिद्धांत (विशेष रूप से क्रेमर के नियम और अपरिवर्तनीय प्रणालियों के विस्तार) से प्राप्त सैद्धांतिक भविष्यवाणियों के विरुद्ध डेटा-संचालित अनुमानों का तुलनात्मक अध्ययन।

प्रमुख योगदान और परिणाम

ज्यामिति-अज्ञेयवादी बेसिन पहचान (Geometry-Agnostic Basin Identification): दिखाया गया है कि प्रथम उप-प्रमुख कोपमैन मोड ( $\phi_2$ ) चरण स्थान को दो प्रतिस्पर्धी आकर्षण बेसिनों (basins of attraction) के अनुरूप लगभग-अपरिवर्तनीय सेटों में विभाजित करता है। $\phi_2$ का ज़ीरो-लेवल सेट (isosurface) शोर और स्पष्ट समीकरणों के ज्ञान के बिना भी, नियतात्मक बेसिन सीमा (deterministic basin boundary) का सटीक पुनर्निर्माण करता है। यह संतुलन और गैर-संतुलन (घूर्णनात्मक) दोनों मामलों में सत्य है।
माध्य निकास समय का अनुमान: लेखक माध्य निकास समय का अनुमान लगाने के लिए दो डेटा-संचालित दृष्टिकोण प्रदर्शित करते हैं:
1. टाइम-सीरीज़ ट्रैकिंग: $\phi_2(x(t))$ के अदिश टाइम-सीरीज़ की निगरानी करके, संक्रमण तब पहचाने जाते हैं जब मोड शून्य को पार करता है। इन क्रॉसिंग समयों के सांख्यिकी से प्राप्त माध्य निकास समय, LDT भविष्यवाणियों (एक्सपोनेंशियल स्केलिंग और सब-एक्सपोनेंशियल प्रीफैक्टर सहित) के साथ अच्छी तरह मेल खाता है।
2. स्पेक्ट्रल अनुमान: यह दिखाया गया है कि कोपमैन जनरेटर के दूसरे आइगेनवैल्यू का व्युत्क्रम ( $1/|\lambda_2|$ ) एक एट्रैक्टर से माध्य निकास समय के बराबर होता है। यह संबंध प्रतिवर्ती (reversible) और अपरिवर्तनीय (irreversible) दोनों प्रणालियों के लिए मान्य है, जो हालिया सैद्धांतिक परिणामों की पुष्टि करता है।
पलायन प्रक्रियाओं का अपघटन (Decomposition of Escape Processes): कोपमैन स्पेक्ट्रम में गहरे मोड का विश्लेषण करके, लेखक सफलतापूर्वक अंतर करते हैं:
- इंटर-वेल मिक्सिंग: जो $\phi_2$ द्वारा नियंत्रित होती है।
- इंट्रा-वेल परिवर्तनशीलता: जो स्थिर फिक्स्ड पॉइंट्स के पास जटिल आइगेनवैल्यू से जुड़ी होती है।
- सैडल एस्केप: एक विशिष्ट मोड की पहचान की गई है जो एट्रैक्टर्स की ओर ट्रैजेक्टरीज के तीव्र रिलैक्सेशन को कैप्चर करता है। इस मोड की क्षय दर (decay rate) सैडल के पास बिताए गए औसत समय का अनुमान लगाती है, जो एक ऐसा परिमाण है जिसे अक्सर मानक LDT सन्निकटन में उपेक्षित किया जाता है।
गैर-संतुलन स्थितियों का प्रभाव: अध्ययन मात्रात्मक रूप से यह बताता है कि घूर्णन घटक ( $\mu$ ) मेटास्टेबिलिटी को कैसे प्रभावित करता है। $\mu$ को बढ़ाने से सिस्टम की अस्थिरता मजबूत होती है, जिससे संक्रमण अधिक बार होते हैं। हालांकि शोर तीव्रता के साथ निकास समय का सैद्धांतिक स्केलिंग वैध रहता है, उच्च $\mu$ के लिए क्रॉसिंग पॉइंट्स का ज्यामितीय प्रसार बढ़ जाता है, क्योंकि इंस्टेंटोनिक ट्रैजेक्टरीज बेसिन बाउंड्री के एक व्यापक क्षेत्र में स्पर्शरेखीय (tangent) हो जाती हैं, जिससे कुछ पलायन सैडल से दूर होने वाले क्षेत्रों में भी होते हैं।

महत्व और दावे
यह शोध पत्र दावा करता है कि यह विशुद्ध रूप से डेटा-संचालित तकनीकों का उपयोग करके उच्च-आयामी मेटास्टेबल प्रणालियों के अध्ययन के लिए एक व्यापक, बहु-स्तरीय ढांचा (multi-scale framework) प्रदान करता है। इसका प्राथमिक महत्व निम्नलिखित में निहित है:

समीकरण- और ज्यामिति-अज्ञेयवादी विश्लेषण: ड्रिफ्ट वेक्टर फील्ड या क्वासीपोटेंशियल के स्पष्ट रूप की आवश्यकता के बिना बेसिन सीमाओं की पहचान करने और संक्रमण सांख्यिकी का अनुमान लगाने की क्षमता।
संतुलन और गैर-संतुलन का एकीकृत उपचार: यह कार्य प्रतिवर्ती और अपरिवर्तनीय दोनों स्टोकेस्टिक प्रणालियों पर सफलतापूर्वक लागू होता है, जो मानक LDT परिणामों और डेटा-संचालित स्पेक्ट्रल विश्लेषण के बीच के अंतर को पाटता है।
एज स्टेट (Edge State) में नवीन अंतर्दृष्टि: एज स्टेट को एक मध्यस्थ के रूप में वर्णित करने वाले एक विशिष्ट कोपमैन मोड की पहचान करना, जो संक्रमणों को संचालित करता है; यह एक ऐसी विशेषता है जिसे पिछले बड़े विचलन तर्कों में काफी हद तक अनदेखा किया गया है।

लेखक इस कार्य को उच्च-आयामी जटिल प्रणालियों के विश्लेषण की दिशा में एक प्रारंभिक कदम के रूप में देखते हैं। वे स्वीकार करते हैं कि हालांकि वर्तमान अध्ययन एक सममित 2D मॉडल पर केंद्रित है, लेकिन इसके सिद्धांत (जैसे कि उप-प्रमुख मोड के ज़ीरो-आइसोलाइन का उपयोग करके बेसिन सीमाओं का अनुमान लगाना) अपेक्षित रूप से असममित प्रणालियों और उच्च आयामों में सामान्यीकृत होंगे, जो संभवतः कर्नालाइज़्ड (kernelized) EDMD या रेसिडुअल DMD तकनीकों के माध्यम से "डायमेंशनलिटी के अभिशाप" (curse of dimensionality) को दूर कर सकते हैं। यह कार्य यह दावा नहीं करता है कि इसने उच्च-आयामी फ्रैक्टल बेसिन बाउंड्री की सभी चुनौतियों को हल कर दिया है, बल्कि यह सुझाव देता है कि कोपमैन मोड ऐसे बाउंड्री के लिए एक "शोर-नियमित" (noise-regularized) अनुमान प्रदान करते हैं।

द ग्रेट एस्केप: मैजिक लेंस के साथ जंप को ट्रैक करना

धीमा और तेज़

उन्हें क्या मिला

यह क्यों मायने रखता है

इसी तरह के और पेपर