Two-Parameter Flows for Learning Population Dynamics of Physical Systems

तकनीकी सारांश: भौतिक प्रणालियों की जनसंख्या गतिशीलता (Population Dynamics) सीखने के लिए टू-पैरामीटर फ्लो (Two-Parameter Flows)

समस्या विवरण
यह शोध पत्र बिना लेबल वाले नमूनों (unlabeled samples) का उपयोग करके, बिना प्रक्षेपवक्र (trajectory) की जानकारी के, समय के साथ उच्च-आयामी संभाव्यता घनत्वों (high-dimensional probability densities) की गतिशीलता को सीखने की चुनौती को संबोधित करता है। लेखक नमूना गतिशीलता (sample dynamics) (व्यक्तिगत प्रक्षेपवक्रों के साथ बिंदु-वार विसंगतियों को कम करने के लिए मॉडल फिट करना) और जनसंख्या गतिशीलता (population dynamics) (अंतर्निहित संभाव्यता नियम के विकास को सीखना) के बीच अंतर स्पष्ट करते हैं। स्टोकेस्टिक या अराजक (chaotic) प्रणालियों में, नमूना गतिशीलता को सीखना अक्सर अपरिभाषित (ill-posed) या सूचनाहीन होता है क्योंकि व्यक्तिगत प्रक्षेपवक्र गैर-विभेदक (non-differentiable) या प्रारंभिक स्थितियों के प्रति अत्यधिक संवेदनशील हो सकते हैं। इसके बजाय, लक्ष्य एक वेग क्षेत्र (velocity field) $u(x, t)$ को अनुमानित करना है जो निरंतरता समीकरण (continuity equation) $\partial_t \rho + \nabla \cdot (\rho u) = 0$ को संतुष्ट करता है, यह सुनिश्चित करते हुए कि $u$ द्वारा प्रेरित प्रवाह प्रारंभिक वितरण $\rho(0)$ को देखे गए समय मार्जिनल $(\rho(t))_{t \in [0, T]}$ तक ले जाता है।

एक प्रमुख कठिनाई यह है कि निरंतरता समीकरण को संतुष्ट करने वाले स्वीकार्य वेग क्षेत्र आम तौर पर अद्वितीय नहीं होते हैं। मौजूदा दृष्टिकोण अक्सर एक विशिष्ट प्रतिनिधि चुनते हैं, जैसे कि न्यूनतम गतिज ऊर्जा क्षेत्र (जो एक ग्रेडिएंट फ्लो है), ऑप्टिमल ट्रांसपोर्ट (OT) या श्रोडिंगर ब्रिज (Schrödinger Bridges) के माध्यम से। हालांकि, इन विधियों को महत्वपूर्ण सीमाएं हैं:

1. गणना लागत (Computational Cost): OT कपलिंग्स की गणना डेटा के आकार के साथ खराब रूप से स्केल करती है (अक्सर क्यूबिक रूप से), जिससे यह उच्च-आयामी समस्याओं के लिए अव्यवहार्य हो जाती है।
2. मॉडलिंग प्रतिबंध (Modeling Restriction): ग्रेडिएंट संरचना ($u = \nabla \phi$) को लागू करने से गैर-ग्रेडिएंट घटनाओं जैसे घूर्णन (rotational) या परिसंचारी (circulating) प्रवाह बाहर हो जाते हैं, जो भौतिक प्रणालियों में सामान्य हैं।
3. नियमितता संबंधी मुद्दे (Regularity Issues): न्यूनतम ऊर्जा क्षेत्र तीखे ग्रेडिएंट या दोलन प्रदर्शित कर सकते हैं, विशेष रूप से सीमित नमूनों के साथ, जिससे अस्थिर गतिशीलता उत्पन्न होती है।

कार्यप्रणाली: टू-पैरामीटर फ्लो (Two-Parameter Flows - TPF)
लेखक टू-पैरामीटर फ्लो (TPF) का प्रस्ताव करते हैं, जो वितरण परिवहन (distribution transport) को भौतिकी-समय (physics-time) की गतिशीलता के निष्कर्षण से अलग करता है। यह विधि दो समय चरों को पेश करती है:

• नमूनाकरण समय (Sampling time, $s \in [0, 1]$): वह पैरामीटर जिसके अनुदिश एक आधार वितरण $\nu$ को एक विशिष्ट समय मार्जिनल $\rho(t)$ तक ले जाया जाता है।
• भौतिकी समय (Physics time, $t \in [0, T]$): प्रणाली का भौतिक समय विकास।

यह दृष्टिकोण तीन चरणों में आगे बढ़ता है:

1. नमूनाकरण-समय परिवहन सीखना: एक मानक कंडीशनल फ्लो मैचिंग मॉडल (या स्टोकेस्टिक इंटरपुलेंट) को एक वेग क्षेत्र $v(x, t, s)$ सीखने के लिए प्रशिक्षित किया जाता है जो आधार वितरण $\nu$ को प्रत्येक मार्जिनल $\rho(t)$ तक ले जाता है। यह एक दो-पैरामीटर फ्लो मैप $\Phi(a, t, s)$ को परिभाषित करता है ताकि $\Phi(\cdot, t, 1)_{\#} \nu = \rho(t)$। यह चरण स्केलेबल, परिपक्व जनरेटिव मॉडलिंग उपकरणों का लाभ उठाता है और इसके लिए प्रक्षेपवक्र डेटा की आवश्यकता नहीं होती है।
2. भौतिकी-समय वेग का व्युत्पन्न करना: एक बार $\Phi$ स्थिर हो जाने के बाद, भौतिकी-समय वेग क्षेत्र $u$ संगतता की स्थिति (consistency condition) द्वारा अद्वितीय रूप से निर्धारित होता है कि मिश्रित आंशिक अवकलज (mixed partial derivatives) कम्यूट करते हैं ($\partial_t \partial_s \Phi = \partial_s \partial_t \Phi$)। यह $u$ और $v$ के बीच एक आंशिक अंतर समीकरण (PDE) की ओर ले जाता है:
   $$\partial_s u + v \cdot \nabla u - u \cdot \nabla v - \partial_t v = 0$$
   लेखक सिद्ध करते हैं कि यदि $v$ पर्याप्त रूप से नियमित (जैसे, $C^2$) है, तो $u$ अद्वितीय रूप से परिभाषित होता है और $v$ की नियमितता गुणों को विरासत में प्राप्त करता है।
3. रिग्रेशन के माध्यम से निष्कर्षण: $u$ के लिए एक स्पष्ट, उपयोग योग्य मॉडल प्राप्त करने के लिए, लेखक सिंथेटिक "सुसंगत" (coherent) प्रक्षेपवطों को उत्पन्न करते हैं। एक शोर नमूना (noise sample) $a \sim \nu$ को स्थिर करके और $t$ को बदलकर, वे $\hat{x}(t) = \Phi(a, t, 1)$ की गणना करते हैं। ये सिंथेटिक प्रक्षेपवط उन्हें भौतिक समय में जोड़े रखते हैं (मूल स्वतंत्र मार्जिनल्स के विपरीत)। एक न्यूरल नेटवर्क $u_\theta$ को इन सिंथेटिक प्रक्षेपवطों के समय डेरिवेटिव से मेल खाने के लिए मानक रिग्रेशन के माध्यम से प्रशिक्षित किया जाता है।

प्रमुख योगदान

1. स्केलेबल पाइपलाइन: विधि जनसंख्या गतिशीलता के अनुमान को एक मानक कंडीशनल फ्लो प्रशिक्षण चरण के बाद एक रिग्रेशन चरण में बदल देती है। यह प्रति-चरण ऑप्टिमल ट्रांसपोर्ट कपलिंग गणनाओं से बचता है, जिससे उच्च-आयामी प्रणालियों (जैसे $d > 10^4$ तक प्रदर्शित) के लिए अनुप्रयोग सक्षम होता है।
2. नियमितता गारंटी: लेखक सिद्ध करते हैं कि निकाला गया भौतिकी-समय वेग $u$, नमूनाकरण-समय परिवहन $v$ की नियमितता को विरासत में प्राप्त करता है। यह एक सैद्धांतिक गारंटी प्रदान करता है कि यदि आधार-से-मार्जिनल परिवहन नियमित है, तो सुव्यवस्थित, सुचारू गतिशीलता का अनुमान लगाया जा सकता है।
3. ग्रेडिएंट फ्लो से परे स्वीकार्यता: OT-आधारित विधियों के विपरीत जो न्यूनतम गतिज ऊर्जा (ग्रेडिएंट) संरचना को लागू करती हैं, TPF स्वीकार्य गैर-ग्रेडिएंट गतिशीलता की अनुमति देता है। यह मॉडल को स्वाभाविक रूप से उन घूर्णन और परिसंचारी भौतिक घटनाओं को पकड़ने में सक्षम बनाता है जिन्हें ग्रेडिएंट-आधारित दृष्टिकोण या तो छोड़ सकते हैं या अनियमित क्षेत्रों के साथ प्रस्तुत कर सकते हैं।
4. अद्वितीयता: पेपर सिद्ध करता है कि सभी मार्जिनल्स से परिवहन को स्थिर करके, यह कई स्वीकार्य वेग क्षेत्रों में से एक एकल भौतिकी-समय वेग क्षेत्र को अद्वितीय रूप से चुनता है।

प्रायोगिक परिणाम
लेखक कई बेंचमार्क पर TPF का मूल्यांकन करते हैं:

• इवॉल्विंग गॉसियन मिक्सचर (Evolving Gaussian Mixture): TPF, टुकड़ों में जुड़े (piecewise) OT कपलिंग की तुलना में अधिक सुचारू, अधिक नियमित गतिशीलता उत्पन्न करता है, जिससे OT-आधारित प्रक्षेपवत्रों में देखे गए तीखे ग्रेडिएंट्स से बचा जा सके।
• बैरोट्रोपिक फ्लो (टर्बुलेंस): एक उच्च-आयामी ($128 \times 128$) वोर्टिसिटी ट्रांसपोर्ट समस्या में, TPF भंवरों (vortices) के धीमे स्व-संगठन (जनसंख्या-स्तर के सांख्यिकी जैसे एनस्ट्रोफी) को सफलतापूर्वक कैप्चर करता है, जबकि तेज़, सूक्ष्म-स्तरीय एडवेक्टिव गतियों को फ़िल्टर करता है। इसके परिणामस्वरूप भौतिक प्रक्षेपवत्रों की तुलना में लगभग दो क्रम (orders of magnitude) कम गतिज ऊर्जा प्राप्त होती है (जो शोर को हटाने का संकेत देती है) और संख्यात्मक सॉल्वर की तुलना में आदेशों के परिमाण अधिक तेज़ इन्फरेंस समय मिलता है। इसके विपरीत, MSE-फिटेड मॉडल भंवर-विलय (vortex-merging) व्यवहार को पकड़ने में विफल रहे।
• कोलमोगोरोव फ्लो (Kolmogorov Flow): TPF-जनरेटेड नमूने ऊर्जा स्पेक्ट्रम क्षय दर ($\omega^{-3}$) से सटीक रूप से मेल खाते हैं, जो भौतिक निष्ठा (physical fidelity) को प्रदर्शित करते हैं।
• व्लासोव-पॉइसन अस्थिरता (Vlasov-Poisson Instabilities): कण अस्थिरता बेंचमार्क (टू-स्ट्रीम और बम्प-ऑन-टेल) में, TPF सूक्ष्म चरण-स्थान (phase-space) फिलामेंटेशन और घूर्णन संरचनाओं को पकड़ने में ग्रेडिएंट-आधारित विधियों (HOAM, DICE) से बेहतर प्रदर्शन करता है, जिससे कम वासेरस्टीन त्रुटि (Wasserstein error) प्राप्त होती है।

महत्व और दावे
पेपर का दावा है कि टू-पैरामीटर फ्लो जनसंख्या गतिशीलता सीखने के लिए एक सिद्धांतिक और स्केलेबल मार्ग प्रदान करते हैं। इसका महत्व निम्नलिखित में निहित है:

• डिकपलिंग (Decoupling): मार्जिनल्स को मिलाने की कठिन समस्या (जिसे स्केलेबल फ्लो मैचिंग द्वारा हल किया जाता है) को गतिशीलता के निष्कर्षण से अलग करना।
• लचीलापन: न्यूनतम गतिज ऊर्जा/ग्रेडिएंट फ्लो की प्रतिबंधात्मक धारणा से बचते हुए, घूर्णनात्मक भौतिकी को समायोजित करना।
• व्यावहारिकता: उन उच्च-आयामी क्षेत्रों में गतिशीलता के अनुमान को सक्षम बनाना जहाँ OT-आधारित विधियाँ गणनात्मक रूप से अव्यवहार्य हैं।

लेखक विनम्रतापूर्वक नोट करते हैं कि अनुमानित गतिशीलता चुने गए आधार-से-मार्जिनल परिवहन के इंडक्टिव बायस (inductive bias) को विरासत में प्राप्त करती है। जबकि विधि मार्जिनल मिलान और नियमितता की गारंटी देती है, यह निर्धारित करने के लिए भविष्य के कार्य की आवश्यकता है कि न्यूनतम कर्ल (curl) या निम्न लिप्सचिट्ज़ स्थिरांक (Lipschitz constant) जैसे अतिरिक्त मानदंडों को संतुष्ट करने के लिए परिवहन में किन विशिष्ट संरचनाओं की आवश्यकता है। यह दृष्टिकोण ड्रिफ्ट या डिफ्यूजन गुणांकों तक पहुँच का अनुमान नहीं लगाता है, केवल समय मार्जिनल के अनलेबल नमूनों पर निर्भर करता है।