APEX: Amplitude Anchors and Phase Priors for Target-Scarce Higher-Frequency Wave Prediction

तकनीकी सारांश: APEX

समस्या विवरण (Problem Statement)
लर्निंग-आधारित सरोगेट्स (surrogates), विशेष रूप से न्यूरल ऑपरेटर्स, प्रेक्षित आवृत्ति श्रेणियों (observed frequency regimes) के भीतर तरंग क्षेत्रों (wave fields) की भविष्यवाणी करने में प्रभावकारिता प्रदर्शित करते हैं। हालांकि, कम पर्यवेक्षण (scarce target supervision) के तहत उच्च-आवृत्ति वाले तरंग क्षेत्रों की भविष्यवाणी करना एक महत्वपूर्ण चुनौती बनी हुई है। कई भौतिक डोमेन में (जैसे कि इलेक्ट्रोमैग्नेटिक्स, ध्वनिकी), सूक्ष्म विविक्तीकरण (finer discretization) और सख्त संख्यात्मक नियंत्रण की आवश्यकताओं के कारण उच्च-आवृत्ति डेटा को सिम्युलेट या मापना काफी महंगा होता है। फलस्वरूप, अभ्यासकर्ताओं के पास प्रचुर मात्रा में निम्न-आवृत्ति डेटा होता है लेकिन उच्च-आवृत्ति लक्ष्य श्रेणी में सीमित पर्यवेक्षण होता है।

मौजूदा रणनीतियाँ, जैसे कि प्रत्यक्ष निम्न-से-उच्च एक्सट्रपलेशन (extrapolation) या सीमित उच्च-आवृत्ति डेटा पर लो-फ्रीक्वेंसी मॉडल्स को फाइन-ट्यून करना, अत्यधिक दोलनशील (oscillatory) श्रेणियों में अक्सर विफल हो जाती हैं। यह शोध पत्र पहचानता है कि मुख्य कठिनाई केवल त्रुटि में समान वृद्धि नहीं है, बल्कि क्रॉस-फ्रीक्वेंसी ट्रांसफ़रेबिलिटी में एक अंतर्निहित विषमता (asymmetry in cross-frequency transferability) है: जबकि मोटे आयाम संरचनाएं (coarse amplitude structures) आवृत्तियों के बीच अपेक्षाकृत स्थिर रहती हैं, चरण-संवेदनशील दोलनशील संरचनाएं (phase-sensitive oscillatory structures) आवृत्ति अंतराल बढ़ने के साथ तेजी से खराब हो जाती हैं।

कार्यप्रणाली: APEX
इस विषमता को संबोधित करने के लिए, लेखक APEX (एम्प्लीट्यूड-एंकर और फेज-प्रायर गाइडेड एनहांसमेंट फ्रॉम एक्सट्रैपोलेटेड कोर्स प्रेडिक्शन) का प्रस्ताव करते हैं। यह ढांचा उच्च-आवृत्ति भविष्यवाणी कार्य को दो अलग-अलग चरणों में विभाजित करता है:

1. कोर्स एम्प्लीट्यूड एंकर (Coarse Amplitude Anchor):
   एक न्यूरल ऑपरेटर (विशेष रूप से एक फूरियर न्यूरल ऑपरेटर, FNO) को विशेष रूप से प्रचुर मात्रा में उपलब्ध निम्न-आवृत्ति डेटा पर प्रशिक्षित किया जाता है और फिर उसे फ्रीज कर दिया जाता है। जब इसे लक्षित उच्च आवृत्ति पर क्वेरी किया जाता है, तो यह ऑपरेटर एक 'कोर्स प्रेडिक्शन' प्रदान करता है। ढांचा इस प्रेडिक्शन से केवल लॉग-एम्प्लीट्यूड (log-amplitude) निकालता है, जिसे एक हस्तांतरणीय संरचनात्मक एंकर के रूप में माना जाता है। इस एक्सट्रपलेशन से प्राप्त फेज (phase) जानकारी को हटा दिया जाता है क्योंकि इसे उच्च-आवृत्ति शासन में अविश्वसनीय माना जाता है।

2. ग्रीन्स-फंक्शन-प्रेरित फेज प्रायर (Green's-Function-Inspired Phase Prior):
   लुप्त दोलनशील विवरणों को पुनः प्राप्त करने के लिए, APEX एक स्पष्ट फेज प्रायर पेश करता है। यह प्रायर, एक ज्यामितीय प्रसार दृष्टिकोण (geometric propagation view) पर आधारित एक हल्का, विश्लेषणात्मक सरोगेट है। यह प्रमुख प्रसार पथों के साथ संचित फेज को निम्नलिखित सूत्र का उपयोग करके अनुमानित करता है:
   $$G_{prior}(r, r_s; e, \nu) = \sum_{m=1}^{M} a_m \exp(i \kappa_{ref}(e, \nu) L_m(r, r_s))$$
   जहाँ $L_m$ ज्यामितीय पथ लंबाई है, $\kappa_{ref}$ एक डोमेन-अनुकूली संदर्भ फेज गुणांक है, और $M$ रिटेन किए गए प्रमुख पथों की संख्या है। यह एक स्रोत-और-ज्यामिति-जागरूक दोलनशील मचान (scaffold) प्रदान करता है, बिना पूर्ण जटिल क्षेत्र (complex field) को पुनरुत्पादित करने का प्रयास किए।

3. कंडीशनल फ्लो-मैचिंग एनहेंसर (Conditional Flow-Matching Enhancer):
   लक्ष्य उच्च-आवृत्ति क्षेत्र के पुनर्निर्माण के लिए कंडीशनल फ्लो-मैचिंग (CFM) पर आधारित एक जेनेरेटिव मॉडल का उपयोग किया जाता है। मॉडल तीन घटकों पर आधारित है:

   • कोर्स एम्प्लीट्यूड एंकर ($a_{coarse}$)।
   • फेज प्रायर के साइन और कोसाइन ($\sin \phi_{base}, \cos \phi_{base}$)।
   • लक्षित आवृत्ति के फूरियर फीचर एम्बेडिंग्स।

   एनहेंसर शोर वितरण (noise distribution) को लक्षित जटिल क्षेत्र (लॉग-एम्प्लीट्यूड और साइन/कोसाइन फेज के रूप में दर्शाया गया) में मैप करने के लिए सीखता है, जो फ्लो-मैचिंग लॉस को कम करता है, जिससे प्रभावी रूप से उन उच्च-आवृत्ति दोलनशील विवरणों को पुनः प्राप्त किया जाता है जिन्हें केवल कोर्स एंकर और फेज प्रायर पूरी तरह से कैप्चर नहीं कर सकते।

प्रमुख योगदान (Key Contributions)

• ट्रांसफर विषमता की पहचान: यह शोध पत्र अनुभवजन्य और सैद्धांतिक रूप से प्रदर्शित करता है कि जटिल तरंग क्षेत्रों में, कोर्स एम्प्लीट्यूड संरचना, फेज-संवेदनशील दोलनशील संरचना की तुलना में आवृत्तियों के बीच काफी अधिक हस्तांतरणीय होती है। इसे एक क्षेत्रीय त्रुटि अपघटन (regional error decomposition) के माध्यम से औपचारिक रूप दिया गया है जो दिखाता है कि फेज त्रुटियां आवृत्ति ($\nu^2$) के साथ वर्गाकार रूप से बढ़ती हैं, जबकि एम्प्लीट्यूड त्रुटियां नहीं।
• विभाजित ढांचा (APEX): एक नवीन आर्किटेक्चर जो भविष्यवाणी कार्य को हस्तांतरणीय कोर्स संरचना (एम्प्लीट्यूड) के पुन: उपयोग और भौतिकी-प्रेरित प्रायर द्वारा निर्देशित लुप्त दोलनशील विवरणों को अलग से पुनः प्राप्त करने में स्पष्ट रूप से विभाजित करता है।
• अल्पता के तहत प्रदर्शन (Performance under Scarcity): यह विधि विशेष रूप से उन परिदृश्यों के लिए डिज़ाइन की गई है जहाँ उच्च-आवृत्ति पर्यवेक्षण दुर्लभ है, जो डायरेक्ट एक्सट्रपलेशन, टारगेट-एडेप्टेड ऑपरेटर्स और जॉइंट जेनेरेटिव बेसलाइन्स से बेहतर प्रदर्शन करती है।

प्रायोगिक परिणाम (Experimental Results)
APEX का मूल्यांकन तीन बेंचमार्क पर किया गया: SimpleWave (एक टू-पाथ वेव सिम्युलेटर), Helmholtz (विषम फ्रीक्वेंसी-डोमेन वेव इक्वेशन), और Maxwell (फुल-वेव इलेक्ट्रोमैग्नेटिक सिमुलेशन)। मूल्यांकन को अधिकतम प्रशिक्षण आवृत्ति से 20%, 50%, और 100% उच्च आवृत्तियों के एक्सट्रपलेशन पर केंद्रित किया गया।

• मात्रात्मक प्रदर्शन (Quantitative Performance): सभी बेंचमार्क में, APEX ने लगातार सबसे कम रिलेटिव कॉम्प्लेक्स $H^1$ एरर और उच्चतम एम्प्लीट्यूड-वेटेड फेज कोहेरेंस (AWPC) प्राप्त किया। उदाहरण के लिए, HF100 (100% एक्सट्रपलेशन) पर हेल्महोल्ट्ज़ बेंचमार्क में, APEX ने 0.634 का $H^1$ एरर और 0.815 का AWPC प्राप्त किया, जो सर्वश्रेष्ठ बेसलाइन (FNO-Joint: $H^1$ 0.899, AWPC 0.737) से काफी बेहतर है।
• गुणात्मक विश्लेषण (Qualitative Analysis): दृश्य तुलनाएं दिखाती हैं कि जबकि डायरेक्ट एक्सट्रपलेशन कुछ कोर्स एम्प्लीट्यूड को सुरक्षित रखता है लेकिन फेज अलाइनमेंट में विफल रहता है, और जॉइंट जेनेरेटिव मॉडल्स प्रशंसनीय लेकिन गलत संरेखित संरचनाएं उत्पन्न करते हैं, APEX ग्राउंड ट्रुथ के एम्प्लीट्यूड लोकलाइजेशन और कोहेरेंट फेज पैटर्न दोनों को सफलतापूर्वक पुनः प्राप्त करता है।
• एब्लेशन अध्ययन (Ablation Studies): फेज प्रायर या कोर्स एंकर में से किसी एक को हटाने से प्रदर्शन में महत्वपूर्ण गिरावट आई, जो पुष्टि करता है कि दोनों घटक आवश्यक और पूरक हैं। कोर्स एंकर वैश्विक संगठन (global organization) प्रदान करता है, जबकि फेज प्रायर सूक्ष्म दोलन रिकवरी को निर्देशित करता है।

महत्व और दावे (Significance and Claims)
यह शोध पत्र दावा करता है कि दोलनशील तरंग क्षेत्रों की विश्वसनीय उच्च-आवृत्ति भविष्यवाणी के लिए पूर्ण जटिल क्षेत्र के सीधे एंड-टू-एंड ट्रांसफर पर निर्भर नहीं होना चाहिए। इसके बजाय, यह एक ऐसी रणनीति का समर्थन करता है जो स्पष्ट रूप से हस्तांतरणीय कोर्स संरचना (एम्प्लीट्यूड) का पुन: उपयोग करती है और भौतिकी-निर्देशित प्रायर का उपयोग करके लुप्त दोलनशील विवरणों को अलग से पुनः प्राप्त करती है।

लेखक APEX को उच्च-आवृत्ति वेव मॉडलिंग में "दुर्लभ पर्यवेक्षण" (scarce supervision) की समस्या के समाधान के रूप में प्रस्तुत करते हैं, जो व्यापक उच्च-आवृत्ति डेटासेट की आवश्यकता के बिना प्रचुर निम्न-आवृत्ति डेटा का लाभ उठाने का एक तरीका प्रदान करता है। यह कार्य सुझाव देता है कि आवृत्ति बदलाव के तहत फील्ड के विशिष्ट घटकों को समझना सामान्यीकरण योग्य सरोगेट मॉडल डिजाइन करने के लिए महत्वपूर्ण है।

सीमाएं (Limitations)
लेखक स्वीकार करते हैं कि फ्लो-मैचिंग एनहेंसर द्वारा आवश्यक इटरेटिव सैंपलिंग के कारण APEX की इन्फरेंस लागत एक न्यूरल ऑपरेटर के सिंगल फॉरवर्ड पास की तुलना में अधिक है। इसके अतिरिक्त, फेज प्रायर एक सरलीकृत अनुमान है जो जटिल मल्टीपाथ प्रभावों या मजबूत फैलाव (dispersion) को पूरी तरह से मॉडल नहीं करता है, हालांकि यह एक प्रभावी लाइटवेट स्कैफोल्ड के रूप में कार्य करता है। वर्तमान कार्यान्वयन FNO को बैकबोन के रूप में उपयोग करता है, हालांकि एम्प्लीट्यूड-एंकर की अवधारणा सैद्धांतिक रूप से बैकबोन-स्वतंत्र (backbone-agnostic) है।