तकनीकी सारांश: जटिल गतिकी की व्याख्यात्मक खोज के लिए होलोमॉर्फिक KAN-ODE

1. समस्या विवरण

होलोमॉर्फिक मानचित्रों (जैसे, $z^2 + c$) द्वारा नियंत्रित जटिल गतिशील प्रणालियाँ (complex dynamical systems) फ्रैक्टल सीमाओं और प्रारंभिक स्थितियों के प्रति अत्यधिक संवेदनशीलता प्रदर्शित करती हैं। इन प्रणालियों को डेटा से सटीक रूप से मॉडल करने के लिए ऐसी विधियों की आवश्यकता होती है जो अंतर्निहित जटिल-विश्लेषणात्मक ज्यामिति (complex-analytic geometry) का सम्मान करती हों।

वर्तमान दृष्टिकोणों के समक्ष तीन प्राथमिक सीमाएँ हैं:

1. संरचनात्मक पूर्वधारणाओं (Structural Priors) का अभाव: मानक न्यूरल ऑर्डिनरी डिफरेंशियल इकुेशन्स (Neural ODEs) आमतौर पर वेग क्षेत्रों (velocity fields) को पैरामीटराइज करने के लिए मल्टी-लेयर पर्सेप्ट्रॉन्स (MLPs) का उपयोग करते हैं। ये MLPs जटिल-विश्लेषणात्मक पूर्वधारणाओं का अभाव रखते हैं और उन कॉची-रिमैन (Cauchy–Riemann) शर्तों को लागू करने में विफल रहते हैं जो होलोमॉर्फिक फलनों के लिए आवश्यक हैं।
2. अपारदर्शिता (Opacity): MLPs ब्लैक-बॉक्स एप्रोक्सिमेटर्स के रूप में कार्य करते हैं, जो सीखे गए भार (weights) से व्याख्यात्मक प्रतीकात्मक शासन समीकरणों (symbolic governing equations) तक जाने का कोई मार्ग प्रदान नहीं करते हैं।
3. वास्तविक-मान संबंधी बाधाएं: कोलमोगोरोव-आर्नोल्ड नेटवर्क (KANs) के मौजूदा अनुप्रयोग न्यूरल ODEs तक वास्तविक-मान वाले स्टेट स्पेस तक ही सीमित रहे हैं, जिससे जटिल-मान वाली गतिकी (complex-valued dynamics) अनसुलझी रह गई है।

2. कार्यप्रणाली: होलोमॉर्फिक KAN-ODE

लेखक होलोमॉर्फिक KAN-ODE का प्रस्ताव करते हैं, जो एक ढांचा है जो कोलमोगोरोव-आर्नोल्ड नेटवर्क को न्यूरल ODEs के साथ एकीकृत करता है, जिसे कॉची-रिमैन नियमितीकरण (regularization) द्वारा नियंत्रित किया जाता है ताकि यह सुनिश्चित हो सके कि सीखी गई गतिकी होलोमॉर्फिक है।

2.1 आर्किटेक्चर

यह ढांचा मानक MLPs के निश्चित सक्रियण फलनों (activation functions) को नेटवर्क किनारों (edges) पर स्थित सीखने योग्य यूनिवेरिएट बी-स्प्लाइन (B-spline) फलनों से बदल देता है।

• इनपुट/आउटपुट: नेटवर्क जटिल अवस्था $z = x + iy$के वास्तविक और काल्पनिक भागों को इनपुट के रूप में लेता है और वेग क्षेत्र$f(z) = u + iv$ के वास्तविक और काल्पनिक भागों को आउटपुट के रूप में देता है।
• पैरामीटराइजेशन: प्रत्येक एज एक्टिवेशन $\phi_{i,j}(x)$ को सीखने योग्य गुणांकों के साथ बी-स्प्लाइन आधार फलनों $B_m(x)$ के एक रैखिक संयोजन के रूप में परिभाषित किया गया है।
• दक्षता: प्रस्तावित आर्किटेक्चर $[2, 5, 2]$ की चौड़ाई का उपयोग करता है, जिसके परिणामस्वरूप केवल 280 सीखने योग्य पैरामीटर प्राप्त होते हैं, जबकि MLP बेसलाइन में 4,482 पैरामीटर थे।

2.2 कॉची-रिमैन नियमितीकरण

होलोमॉर्फिसिटी को लागू करने के लिए, लेखक कॉची-रिमैन समीकरणों से व्युत्पन्न एक विभेदन योग्य (differentiable) नियमितीकरण पद पेश करते हैं:
$$\frac{\partial u}{\partial x} = \frac{\partial v}{\partial y}, \quad \frac{\partial u}{\partial y} = -\frac{\partial v}{\partial x}$$
लॉस फंक्शन में एक पद $L_{CR}$ शामिल है जो इन शर्तों से विचलन को दंडित करता है। प्रशिक्षण के दौरान होने वाले 'कोलेप्स' को रोकने के लिए, एक लीनियर वार्मअप शेड्यूल का उपयोग किया जाता है, जो प्रारंभिक प्रशिक्षण चरणों के दौरान $\lambda_{CR}$ के भार को शून्य से धीरे-धीरे बढ़ाता है।

2.3 प्रतीकात्मक निष्कर्षण (Symbolic Extraction)

KANs की एक प्रमुख विशेषता उनकी स्वचालित प्रतीकात्मक प्रतिगमन (automatic symbolic regression) करने की क्षमता है। प्रशिक्षण के बाद, प्रत्येक किनारे पर सीखे गए स्प्लाइन सक्रियणों को आधार फलनों (जैसे, बहुपद, घातांकीय, त्रिकोणमितीय पद) के एक संभावित पुस्तकालय के विरुद्ध फिट किया जाता है। नेटवर्क के किनारों पर प्रभावी आधार फलन शासन समीकरण के प्रतीकात्मक परिवार (जैसे, यह पहचानना कि प्रणाली $z^2 + c$ परिवार से संबंधित है) की पहचान करने के लिए उपयोग किए जाते हैं।

3. प्रमुख योगदान

1. होलोमॉर्फिक KAN आर्किटेक्चर: जटिल गतिकी के लिए कॉची-रिमैन नियमितीकरण के तहत KANs को Neural ODEs के साथ संयोजित करने वाला पहला ढांचा।
2. व्यापक मूल्यांकन: छह शुद्ध जटिल-विश्लेषणात्मक प्रणालियों का परीक्षण, जिसमें बहुपद ($z^2+c, z^3+c$) और ट्रांसेंडेंटल वर्ग ($e^z+c, \sin(z)+c, \cos(z)+c, z \cdot e^z+c$) के साथ-साथ एक भौतिक विभव प्रवाह (potential flow) अनुप्रयोग शामिल है।
3. व्याख्यात्मकता और मजबूती: यह प्रदर्शित करना कि मॉडल प्रतीकात्मक सूत्रों को पुनः प्राप्त कर सकता है, होलोमॉर्फिक संरचना को लागू कर सकता है, और MLPs की तुलना में बेहतर शोर प्रतिरोध (noise resilience) बनाए रख सकता है।

4. प्रयोगात्मक परिणाम

ढांचे का मूल्यांकन छह शुद्ध जटिल-विश्लेषणात्मक प्रणालियों और एक भौतिक प्रणाली (सिलेंडर के चारों ओर पोटेंशियल फ्लो) पर किया गया।

4.1 सटीकता और दक्षता

• वेग क्षेत्र सन्निकटन: होलोमॉर्फिक KAN ने केवल 280 पैरामीटर का उपयोग करके सभी छह शुद्ध प्रणालियों पर $R^2 > 0.95$ प्राप्त किया।
• MLP के साथ तुलना: जबकि MLP बेसलाइन (4,482 पैरामीटर) ने अपने बड़े कैपेसिटी के कारण कम पॉइंटवाइज मीन स्क्वेयर्ड एरर (MSE) प्राप्त किया, इसमें व्याख्यात्मकता और संरचनात्मक प्रवर्तन का अभाव था।
• फ्रैक्टल पुनर्निर्माण: मॉडल ने जूलिया सेट (Julia set) फ्रैक्टल सीमाओं को 98.0% सहमति (जैसे, साइन सिस्टम के लिए) के साथ पुनर्गठित किया, जो यह प्रमाणित करता है कि सीखे गए वेग क्षेत्र सूक्ष्म ज्यामितीय विवरणों को संरक्षित करते हैं।

4.2 प्रतीकात्मक खोज

मॉडल ने ऑटोमैटिक स्प्लाइन-टू-फॉर्मूला फिटिंग (100% सटीकता) के माध्यम से सभी छह प्रणालियों के लिए शासन वाले प्रतीकात्मक परिवार को सही ढंग से पहचाना।

• बहुपद प्रणालियों को बहुपद के रूप में पहचाना गया।
• ट्रांसेंडेंटल प्रणालियों को घातांकीय, त्रिकोणमितीय या मिश्रित घातांकीय रूपों में सही ढंग से फिट किया गया।

4.3 स्थिरता और शोर प्रतिरोध

• लियापुनोव विश्लेषण (Lyapunov Analysis): मॉडल ने प्रणालियों के स्थायिरता वर्गीकरण को सही ढंग से पहचाना, जिसमें बहुपद प्रणालियों को अराजक (chaotic) और ट्रांसेंडेंटल प्रणालियों को मुख्य रूप से स्थिर बताया गया।
• शोर प्रतिरोध (Noise Robustness): 10% अवलोकन शोर के तहत, KAN ने MSE में केवल 4% गिरावट दिखाई, जबकि MLP में यह गिरावट 15.2× के कारक से हुई। यह कॉची-रिमैन बाधा और स्प्लाइन पैरामीटराइजेशन द्वारा प्रदान किए गए इंडक्टिव बायस (inductive bias) को रेखांकित करता है।
• ट्रांसफर लर्निंग: द्विघात गतिकी ($z^2+c$) पर प्रशिक्षित KAN को क्यूबिक गतिकी ($z^3+c$) सीखने के लिए फाइन-ट्यून करने से स्क्रैच से प्रशिक्षण की तुलना में अंतिम MSE में 90.4% सुधार हुआ, जो होलोमॉर्फिक पूर्वधारणाओं की हस्तांतरणीयता को दर्शाता है।

4.4 देखे गए सीमाएँ

• तर्कसंगत/विलक्षण प्रणालियाँ (Rational/Singular Systems): पोटेंशियल फ्लो अनुप्रयोग ($f(z) = Uz + Ua^2/z$) में, मॉडल ने कम $R^2$ (0.333) प्राप्त किया, जो यह संकेत देता है कि स्मूथ फलनों के लिए अनुकूलित B-spline पैरामीटराइजेशन तर्कसंगत संरचनाओं और विलक्षणताओं (singularities) के साथ संघर्ष करता है।
• ग्रेडिएंट चुनौतियाँ: उच्च-क्रम ग्रेडिएंट वाली प्रणालियों (जैसे, $z^3+c$) ने स्मूथ प्रणालियों की तुलना में थोड़े कम $R^2$ मान दिखाए।

5. महत्व और दावे

यह शोध पत्र होलोमॉर्फिक गतिकी की भौतिक-सूचित खोज के लिए MLP के एक पैरामीटर-कुशल, व्याख्यात्मक विकल्प के रूप में Holomorphic KAN-ODE को स्थापित करता है। लेखकों का दावा है कि हालांकि MLPs अपनी उच्च क्षमता के कारण बेहतर पॉइंटवाइज रिकंस्ट्रक्शन सटीकता प्रदान कर सकते हैं, वे इस डोमेन में वैज्ञानिक खोज के लिए आवश्यक तीन महत्वपूर्ण क्षमताओं को प्रदान करने में विफल रहते हैं:

1. प्रतीकात्मक सूत्र रिकवरी: बंद रूप (closed-form) वाले शासन समीकरणों को निकालने की क्षमता।
2. लागू होलोमॉर्फिक संरचना: यह गारंटी देना कि सीखी गई गतिकी जटिल-विश्लेषणात्मक बाधाओं को पूरा करती है।
3. बेहतर शोर प्रतिरोध: उन शोर वाले अवलोकन परिवेशों में प्रदर्शन बनाए रखना जहाँ ब्लैक-बॉक्स मॉडल विफल हो जाते हैं।

यह कार्य स्थापित करता है कि KANs जटिल विश्लेषण, गतिशील प्रणालियों के सिद्धांत और वैज्ञानिक मशीन लर्निंग के बीच के अंतर को पाटने के लिए एक व्यवहार्य उपकरण हैं, विशेष रूप से उन प्रणालियों के लिए जहाँ संरचनात्मक पूर्वधारणाएं और व्याख्यात्मकता सर्वोपरि हैं।