🤖 machine learning

Prediction Is Not Physics: Learning and Evaluating Conserved Quantities in Neural Simulators

यह शोध पत्र प्रदर्शित करता है कि जबकि मानक न्यूरल सिम्युलेटर सटीक प्रक्षेपवक्र (ट्रैजेक्टरी) भविष्यवाणियों के बावजूद भौतिक संरक्षण नियमों को बनाए रखने में अक्सर विफल रहते हैं, संरक्षण खोज नेटवर्क (कन्ज़र्वेशन डिस्कवरी नेटवर्क्स) जैसे विशिष्ट आर्किटेक्चर हैमिल्टोनियन प्रक्षेपवक्रों से वैश्विक संरक्षित मात्राओं को सफलतापूर्वक सीख सकते हैं, हालांकि उनका प्रदर्शन टेम्पोरल कंसिस्टेंसी (सामयिक निरंतरता) और प्रारंभिक स्थितियों के साथ संरेखण जैसी प्रशिक्षण रणनीतियों पर महत्वपूर्ण रूप से निर्भर करता है।

मूल लेखक: Andrew Bukowski, Aditya Kothari, Simba Shi, Ishir Rao

प्रकाशित 2026-05-20

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Andrew Bukowski, Aditya Kothari, Simba Shi, Ishir Rao

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 रोबोट को बिलियर्ड्स (billiards) का खेल खेलना सिखा रहे हैं। आप रोबोट को गेंदों के आपस में टकराने के हजारों वीडियो दिखाते हैं। रोबोट एक सेकंड बाद गेंदों की स्थिति बताने में बहुत माहिर हो जाता है। वह इतना सटीक है कि यदि आप उससे पूछें, "0.1 सेकंड में लाल गेंद कहाँ होगी?" तो वह लगभग पूर्ण सटीकता के साथ उत्तर देता है।

लेकिन यहाँ एक पेंच है: रोबोट वास्तव में भौतिकी (physics) के नियमों को नहीं समझता है।

यह शोध पत्र, जिसका शीर्षक "Prediction Is Not Physics" (भविधवाणी भौतिकी नहीं है) है, एक अजीब समस्या की खोज करता है: एक कंप्यूटर मॉडल यह बताने में तो उत्कृष्ट हो सकता है कि चीजें कहाँ जाती हैं, लेकिन वह यह समझने में बहुत खराब हो सकता है कि वे वहाँ क्यों जाती हैं। विशेष रूप से, यह ऊर्जा संरक्षण (Conservation of Energy) के नियम का पालन करने में विफल रहता है।

मुख्य समस्या: "ड्रिफ्टिंग" (भटकता हुआ) रोबोट

वास्तविक दुनिया में, ऊर्जा बस प्रकट या गायब नहीं होती है। यदि आप एक गेंद फेंकते हैं, तो उसकी गति और ऊंचाई का आपसी तालमेल एकदम सटीक होता है। यदि वह ऊपर जाती है, तो वह धीमी हो जाती है। उसका कुल "ऊर्जा बजट" बिल्कुल समान रहता है।

शोधकर्ताओं ने इन भौतिक सिमुलेशन पर एक "डिफ्यूजन मॉडल" (गति उत्पन्न करने वाला एक प्रकार का AI) को प्रशिक्षित किया।

अच्छी खबर: AI ने गेंदों के पथ की भविष्यवाणी बहुत कम त्रुटि के साथ की। यह बिल्कुल सही लग रहा था।
बुरी खबर: जब उन्होंने ऊर्जा की जांच की, तो AI का "ऊर्जा बजट" बेकाबू हो गया। कुछ मामलों में, AI की ऊर्जा वास्तविक सीमा से 36,000 गुना अधिक उतार-चढ़ाव दिखा रही थी।

उपमा: एक बैंक खाते की कल्पना करें। AI एक कैशियर की तरह है जो यह सटीक भविष्यवाणी कर सकता है कि अगले सप्ताह आपकी जेब में कितने पैसे होंगे। लेकिन, AI का आंतरिक बहीखाता (ledger) दिखाता है कि आपका बैलेंस बिना किसी जमा या निकासी के, अचानक $10 से$ 10,000 और फिर वापस $0 पर कूद रहा है। आपके पास कहाँ पैसा है, इसकी भविष्यवाणी तो सही है, लेकिन आपके धन का भौतिक विज्ञान (physics) टूटा हुआ है।

प्रयोग: क्या AI नियमों को सीख सकता है?

शोधकर्ताओं ने पूछा: क्या हम एक AI को "संरक्षण नियम" (यह नियम कि ऊर्जा स्थिर रहती है) को केवल गति को देखकर खोजना सिखा सकते हैं, बिना उसे पहले से गणित बताए?

उन्होंने तीन अलग-अलग प्रकार के "जासूसों" (AI मॉडल) का तीन क्लासिक भौतिक समस्याओं पर परीक्षण किया:

एक फेंकी गई गेंद (प्रक्षेप्य गति - Projectile motion)।
एक झूलता हुआ पेंडुलम।
एक उछलती हुई स्प्रिंग।

जासूस 1: "स्ट्रक्चर्ड" (संरचित) आर्किटेक्ट

इस AI को एक विशिष्ट ब्लूप्रिंट के साथ बनाया गया था: "आपको ऊर्जा की गणना गति ऊर्जा (Speed Energy) + स्थिति ऊर्जा (Position Energy) के रूप में करनी ही होगी।"

परिणाम: यह एकदम सटीक था। इसने ऊर्जा के नियम को लगभग तुरंत खोज लिया।
कमजोरी: यह बहुत कठोर था। जब शोधकर्ताओं ने डेटा में "शोर" (जैसे टीवी स्क्रीन पर दिखने वाला स्टैटिक/झिलमिलाहट) जोड़ा, तो यह जासूस भ्रमित हो गया। इसने शोर को अपने सख्त ब्लूप्रिंट में फिट करने की कोशिश की और गलतियाँ कीं।

जासूस 2: "ब्लैक बॉक्स" (CDN)

इस AI के पास कोई ब्लूप्रिंट नहीं था। यह केवल एक न्यूरल नेटवर्क था जिसे बताया गया था: "एक ऐसी संख्या खोजो जो वस्तु के हिलने के साथ स्थिर रहे, लेकिन केवल हर चीज़ के लिए '5' का अनुमान न लगा देना।"

परिणाम: यह बहुत अच्छा था, लेकिन इसे एक छोटे से संकेत की आवश्यकता थी। यदि शोधकर्ताओं ने इसे शुरुआत में एक हल्का सा धक्का दिया (यह बताते हुए कि, "हे, तुम्हारा पहला अनुमान वास्तविक ऊर्जा जैसा दिखना चाहिए"), तो इसने लगभग एक स्ट्रक्चर्ड आर्किटेक्ट जितना ही प्रदर्शन किया।
आश्चर्य: जब डेटा में शोर (noise) था, तो इस लचीले जासूस ने वास्तव में कठोर वाले से बेहतर प्रदर्शन किया। यह स्टैटिक को अनदेखा कर सका और वास्तविक पैटर्न को खोज सका।

जासूस 3: "पॉलीनोमियल" छात्र

इस AI ने सरल गणितीय सूत्रों (जैसे $x^2$ , $\sin(x)$ , आदि) को मिलाकर नियम खोजने की कोशिश की।

परिणाम: यह इस बात के प्रति बहुत संवेदनशील था कि उसने कितनी देर तक पढ़ाई की।
- कम पढ़ाई: इसने जल्दी हार मान ली। इसने एक "आंशिक" नियम खोजा (जैसे केवल गति को देखना) और कम स्कोर (0.78) प्राप्त किया।
- लंबी पढ़ाई: अधिक समय और डेटा के साथ, इसने पूर्ण, जटिल नियम को समझ लिया और लगभग पूर्ण स्कोर (0.9998) प्राप्त किया।
सबक: कभी-कभी, कोई मॉडल "खराब" नहीं होता; बस उसे उस "लोकल ट्रैप" (स्थानीय जाल) से बाहर निकलने के लिए पर्याप्त लंबे समय तक प्रशिक्षित नहीं किया गया होता जहाँ उसे लगता है कि उसने उत्तर पा लिया है।

बड़ा निष्कर्ष

यह शोध पत्र भौतिकी के लिए AI बनाने वाले किसी भी व्यक्ति के लिए एक चेतावनी के साथ समाप्त होता है:

"अगले कदम की भविष्यवाणी करने में सटीक होना, ब्रह्मांड के नियमों को समझने के समान नहीं है।"

आपके पास एक ऐसा AI हो सकता है जो भविष्य की सटीक भविष्यवाणी करता है (कम त्रुटि), लेकिन वह प्रकृति के मौलिक नियमों का उल्लंघन करता है (ऊर्जा बेतहाशा भटकती है)। शोधकर्ताओं ने पाया कि केवल AI को "रूढ़िवादी (conservative) होने" के लिए कहना पर्याप्त नहीं है; आपको अक्सर उसे वास्तविक भौतिकी के एक संकेत के साथ मार्गदर्शन करने या यह सुनिश्चित करने की आवश्यकता होती है कि वह गलत समाधानों से बचने के लिए पर्याप्त लंबे समय तक प्रशिक्षण ले।

संक्षेप में (Summary in a Nutshell)

भविष्यवाणी $\neq$ भौतिकी: एक AI यह अनुमान लगा सकता है कि गेंद कहाँ जाएगी, बिना यह जाने कि ऊर्जा संरक्षित है।
"ड्रिफ्ट" (भटकाव) बहुत बड़ा है: सटीक AI भी वास्तविक स्थिति की तुलना में हजारों गुना अधिक ऊर्जा त्रुटि दिखा सकता है।
लचीलापन बनाम कठोरता: कठोर मॉडल (जो भौतिक नियमों के साथ बनाए गए हैं) साफ डेटा पर बेहतरीन होते हैं लेकिन शोर (noise) के साथ टूट जाते हैं। लचीले मॉडल (जो शून्य से सीखते हैं) शोर के खिलाफ अधिक मजबूत होते हैं लेकिन उन्हें सही उत्तर खोजने के लिए अधिक प्रशिक्षण समय की आवश्यकता होती है।
सबक: वास्तविक दुनिया का अनुकरण करने के लिए, हमें केवल यह नहीं मापना चाहिए कि "भविष्यवाणी कितनी करीब है?", बल्कि यह भी कि "क्या ऊर्जा स्थिर रहती है?"

तकनीकी सारांश: भविष्यवाणी भौतिकी नहीं है: न्यूरल सिम्युलेटर्स में संरक्षित मात्राओं को सीखना और उनका मूल्यांकन करना

समस्या विवरण

भौतिकी सिमुलेशन डेटा पर प्रशिक्षित न्यूरल नेटवर्क अक्सर उच्च अल्पकालिक भविष्यवाणी सटीकता (कम रोलआउट मीन स्क्वेर्ड एरर - MSE) प्राप्त कर लेते हैं, लेकिन मौलिक भौतिक नियमों, जैसे कि ऊर्जा के संरक्षण का पालन करने में विफल रहते हैं। यहाँ तक कि जब डिफ्यूजन नेटवर्क जैसे जनरेटिव मॉडल को सैंपलिंग के दौरान सीखे गए संरक्षण संरचनाओं द्वारा निर्देशित किया जाता है, तब भी वे अक्सर ऐसे प्रक्षेप पथ (trajectories) उत्पन्न करते हैं जहाँ समय के साथ ऊर्जा में महत्वपूर्ण विचलन (drift) होता है। यह विसंगति एक महत्वपूर्ण प्रश्न खड़ा करती है: क्या न्यूरल नेटवर्क अवस्था अवलोकनों (state observations) से सीधे वैश्विक संरक्षित मात्राओं को पहचान या चुन सकते हैं, और क्या कम भविष्यवाणी त्रुटि भौतिक रूप से वैध गति की गारंटी देने के लिए पर्याप्त है?

लेखक इस बात की जांच करते हैं कि क्या मॉडल मॉडलों को सत्यापित करने, पीढ़ी (generation) को निर्देशित करने या भौतिक नियमों की पहचान करने के लिए प्रक्षेप पथों से अपरिवर्तनीय गुणों (invariant properties) को पहचान सकते हैं, जो विशेष रूप से प्रक्षेप पथ-स्तरीय सटीकता और वैश्विक संरक्षण के बीच के अंतर को संबोधित करता है।

कार्यप्रणाली (Methodology)

वातावरण और डेटा

यह अध्ययन तीन शास्त्रीय हैमिल्टोनियन सिस्टम (Hamiltonian systems) को बेंचमार्क करता है जिनके ज्ञात विश्लेतिक अपरिवर्तनीय (analytical invariants) हैं:

प्रोजेक्टाइल मोशन (Projectile Motion): विभाज्य ऊर्जा $E = \frac{1}{2}(v_x^2 + v_y^2) + gy$ ।
नॉनलीन पेंडुलम (Nonlinear Pendulum): गैर-विभाज्य हैमिल्टोनियन $H = \frac{1}{2}\omega^2 - g \cos \theta$ ।
स्प्रिंग-मास सिस्टम (Spring-Mass System): विभाज्य ऊर्जा $E = \frac{1}{2}kx^2 + \frac{1}{2}v^2$ ।

डेटा का निर्माण सटीक क्लोज्ड-फॉर्म समाधानों या एडेप्टिव RK45 इंटीग्रेशन का उपयोग करके किया गया है ताकि यह सुनिश्चित हो सके कि ग्राउंड-ट्रुथ ऊर्जा विचलन नगण्य ( $10^{-5}$ से $10^{-7}$ ) है। प्रयोग शोर-मुक्त (noise-free) प्रक्षेप पथों और 1% एडिटिव गौसियन नॉइज़ वाले प्रक्षेप पथों सहित किए गए हैं।

मूल्यांकित मॉडल

लेखक इनवैरिएंट्स सीखने के चार दृष्टिकोणों की तुलना करते हैं:

स्ट्रक्चर्ड एनर्जी नेटवर्क (SE): एक आर्किटेक्चर जो स्पष्ट रूप से स्केलर को काइनेटिक और पोटेंशियल टर्म्स में विभाजित करता है, $H(s) = T_\theta(v) + V_\phi(q)$ । यह मजबूत भौतिक पूर्वधारणाओं (priors) के साथ एक बेसलाइन के रूप में कार्य करता है।
ब्लैक-बॉक्स कंजर्वेशन डिस्कवरी नेटवर्क (CDN): एक मानक MLP जिसमें कोई आरोपित भौतिक संरचना नहीं है।
- CDN-Conservation: केवल टेम्पोरल कंसिस्टेंसी (temporal consistency) पर प्रशिक्षित।
- CDN-Aligned: टेम्पोरल कंसिस्टेंसी और $t=0$ पर विश्लेतिक ऊर्जा के साथ एक कमजोर मानकीकृत अलाइनमेंट लॉस के साथ प्रशिक्षित।
पॉलीनोमियल CDN: एक लीनियर मॉडल $f(s) = w^\top \phi(s)$ जहाँ $\phi(s)$ में डिग्री-2 पॉलीनोमियल्स और ट्रिगोनोमेट्रिक फीचर्स शामिल हैं।
डिफ्यूजन बेसलाइन: एक DDPM जिसे अवस्था परिवर्तनों ( $\Delta s$ ) को उत्पन्न करने के लिए प्रशिक्षित किया गया है, जिसे रोलआउट के दौरान CDN इनवेरिएंट और SE नेटवर्क के ऊर्जा लेवल सेट की ओर एक सॉफ्ट प्रोजेक्शन द्वारा निर्देशित किया गया है।

लॉस फंक्शन्स (Loss Functions)

इनवेरिएंट लर्निंग के लिए प्राथमिक उद्देश्य दो पदों (terms) को जोड़ता है:

टेम्पोरल कंसिस्टेंसी (Temporal Consistency): क्रमिक समय चरणों के बीच सीखे गए इनवेरिएंट के अंतर को कम करता है, $f(s_{t+1}) - f(s_t)$ ।
वैरिएंस हिंज (Variance Hinge): उस ट्रिवियल सॉल्यूशन को रोकता है जहाँ मॉडल सभी इनपुट्स के लिए एक स्थिरांक (constant) आउटपुट देता है, इसके लिए प्रारंभिक बैच में वैरिएंस को लागू किया जाता है।
अलाइनमेंट लॉस (वैकल्पिक): स्केल और शिफ्ट तक सीखे गए इनवेरिएंट को विश्लेतिक ऊर्जा के साथ संरेखित करने के लिए $t=0$ पर एक कमजोर मानकीकृत लॉस।

मुख्य योगदान और परिणाम

1. भविष्यवाणी सटीकता संरक्षण का संकेत नहीं देती है

डिफ्यूजन मॉडल ने कम रोलआउट MSE (जैसे, पेंडुलम के लिए $3.4 \times 10^{-4}$ ) प्राप्त किया, लेकिन ऊर्जा को संरक्षित करने में विफल रहा। उत्पन्न प्रक्षेप पथों में ऊर्जा का मानक विचलन (standard deviation) ग्राउंड-ट्रुथ प्रक्षेप पथों की तुलना में 7,500 से 36,000 गुना अधिक था। यह प्रदर्शित करता है कि कम भविष्यवाणी त्रुटि और सॉफ्ट इनवेरिएंट गाइडेंस वैश्विक संरक्षण कानूनों को लागू करने के लिए अपर्याप्त हैं।

2. इनवेरिएंट चयन के लिए कमजोर पर्यवेक्षण (Weak Supervision) की आवश्यकता

जबकि संरक्षण उद्देश्य (टेम्पोरल कंसिस्टेंसी) मॉडल को कुछ स्थिर सीखने के लिए प्रोत्साहित करता है, यह अनिश्चित (underdetermined) है।

CDN-Conservation (बिना अलाइनमेंट के): विश्लेतिक ऊर्जा के साथ अलाइनमेंट के बिना, मॉडल वास्तविक हैमिल्टोनियन को खोजने में विफल रहता है। पेंडुलम और स्प्रिंग-मास सिस्टम पर, पियर्सन $R^2$ शून्य के करीब ( $< 10^{-3}$ ) गिर गया।
CDN-Aligned: एक छोटे अलाइनमेंट टर्म ( $\lambda_{align}=0.2$ ) के साथ, ब्लैक-बॉक्स CDN ने सभी सिस्टम के लिए $R^2 \ge 0.996$ प्राप्त किया, जिससे सिद्ध हुआ कि टेम्पोरल कंसिस्टेंसी और कमजोर पर्यवेक्षण मिलकर बिना किसी स्ट्रक्चरल प्रायर के भौतिक रूप से सार्थक मात्राओं को पुनः प्राप्त कर सकते हैं।

3. ट्रेनिंग शेड्यूल्स के प्रति संवेदनशीलता (पॉलीनोमियल CDN)

पॉलीनोमियल CDN ने प्रशिक्षण अवधि और डेटा वॉल्यूम के प्रति महत्वपूर्ण संवेदनशीलता दिखाई:

शॉर्ट शेड्यूल: पेंडुलम पर, यह काइनेटिक एनर्जी टर्म ( $\omega^2$ ) द्वारा हावी एक आंशिक समाधान की ओर अभिसरित (converge) हुआ, जिससे पोटेंशियल टर्म ( $\cos \theta$ ) छूट गया, जिसके परिणामस्वरूप $R^2 = 0.78$ रहा।
लॉन्ग शेड्यूल: अधिक एपॉक्स और डेटा के साथ, मॉडल ने पूर्ण हैमिल्टोनियन को पुनः प्राप्त किया, जिससे $R^2 = 0.9998$ तक पहुँच गया।
यह इंगित करता है कि संरक्षण लॉस लैंडस्केप में खराब लोकल मिनिमा (आंशिक हैमिल्टोनियन) होते हैं जिन्हें पार करने के लिए पर्याप्त ट्रेनिंग बजट की आवश्यकता होती है।

4. शोर (Noise) के प्रति मजबूती

1% एडिटिव गौसियन नॉइज़ के तहत, स्ट्रक्चर्ड एनर्जी नेटवर्क का प्रदर्शन समान रूप से खराब हुआ ( $R^2 \approx 0.013$ गिरा)। इसके विपरीत, ब्लैक-बॉक्स CDN प्रोजेक्टाइल और स्प्रिंग-मास सिस्टम पर अधिक मजबूत था, जिसने स्ट्रक्चर्ड मॉडल से बेहतर प्रदर्शन किया। लेखक सुझाव देते हैं कि शोर वाले डेटा पर $T(v) + V(q)$ डिकम्पोजिशन को थोपना Corrupted सिग्नल्स को अलग-अलग फिट करने की आवश्यकता रखता है, जबकि अनकन्स्ट्रेंड (unconstrained) CDN पूरे स्टेट का एक मजबूत फंक्शन सीख सकता है।

5. सिम्बोलिक रिग्रेशन सत्यापन

विश्लेतिक ऊर्जा लक्ष्यों पर STLSQ स्पार्स रिग्रेशन का उपयोग करके, लेखकों ने पुष्टि की कि उनकी फीचर लाइब्रेरी तीनों सिस्टम के लिए सटीक सिम्बोलिक समीकरणों को पुनः प्राप्त करने के लिए पर्याप्त अभिव्यंजक (expressive) थी। हालाँकि, वे इसे पाइपलाइन चेक के रूप में देखते हैं न कि अनसुपरवाइज्ड डिस्कवरी के रूप में, क्योंकि रिग्रेशन टारगेट ज्ञात ऊर्जा थी।

महत्व और दावे

यह शोध तर्क देता है कि ट्रैजेक्टरी-स्तरीय सटीकता मेट्रिक्स (जैसे MSE) भौतिक सिमुलेशन मॉडल के लिए अपर्याप्त बेंचमार्क हैं। एक मॉडल अल्पकाल में अत्यधिक सटीक हो सकता है जबकि मौलिक संरक्षण कानूनों का उल्लंघन करता है।

लेखक दावा करते हैं कि:

संरक्षण गुणवत्ता का एक अलग अक्ष है: इसका मूल्यांकन भविष्यवाणी त्रुटि से अलग स्वतंत्र रूप से किया जाना चाहिए।
आर्किटेक्चरल प्रायर के ट्रेड-ऑफ होते हैं: जबकि स्ट्रक्चर्ड नेटवर्क (SE) अपनी मान्यताओं से मेल खाने वाले स्वच्छ डेटा पर लगभग पूर्ण प्रदर्शन करते हैं, वे कमजोर पर्यवेक्षण प्रदान किए जाने पर लचीले ब्लैक-बॉक्स मॉडल (CDN) की तुलना में अधिक नाजुक हो सकते हैं।
ऑप्टिमाइजेशन महत्वपूर्ण है: इनवेरिएंट्स को पुनः प्राप्तने की क्षमता ट्रेनिंग शेड्यूल्स पर निर्भर करती; सीमित बजट आंशिक समाधानों की ओर ले जा सकते हैं जो वैध दिखते हैं (मध्यम $R^2$ ), लेकिन पूर्ण भौतिकी को कैप्चर करने में विफल रहते हैं।
गाइडेंस (Guidance) रामबाण नहीं है: डिफ्यूजन सैंपलिंग के दौरान सीखे गए इनवेरिएंट्स से सॉफ्ट गाइडेंस लंबे रोलआउट में ऊर्जा संरक्षण की गारंटी नहीं देता है, जो सख्त बाधाओं या बेहतर सैंपलिंग रणनीतियों की आवश्यकता को रेखांकित करता है।

कार्य निष्कर्ष निकालता है कि हालांकि न्यूरल नेटवर्क इनवेरिएंट्स सीख सकते हैं, लेकिन उन्हें विश्वसनीय रूप से करने के लिए लॉस डिज़ाइन, प्रशिक्षण अवधि और स्ट्रक्चरल प्रायर एवं मॉडल फ्लेक्सिबिलिटी के बीच संतुलन पर सावधानीपूर्वक विचार करने की आवश्यकता होती है।