🤖 machine learning

Capturing non-Markovian dynamics in non-equilibrium stochastic systems using flow matching

यह शोध पत्र एक जनरेटिव फ्लो मैचिंग पद्धति प्रस्तुत करता है जो लघु-समय स्टोकेस्टिक कण गतिकी (short-time stochastic particle dynamics) में गैर-मार्कोवियन और गैर-गौसियन प्रभावों को सटीक रूप से कैप्चर करता है, जो सांख्यिकीय क्षणों (statistical moments) और प्रथम पारगमन समय (first passage times) की भविष्यवाणी करने में पारंपरिक नियमित डीन-कवकास्की मॉडल से बेहतर प्रदर्शन करता है।

मूल लेखक: Bhargav Sriram Siddani, John B. Bell, Alejandro L. Garcia, Ishan Srivastava

प्रकाशित 2026-06-08

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Bhargav Sriram Siddani, John B. Bell, Alejandro L. Garcia, Ishan Srivastava

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 यह अनुमान लगाने की कोशिश कर रहे हैं कि लोगों की एक भीड़ गलियारे (hallway) में कैसे चलती है।

यदि गलियारा हजारों लोगों से भरा हुआ है, तो आप एक सरल नियम का उपयोग कर सकते हैं: "भीड़ पानी की तरह बहती है।" यह गणना करने में आसान है और लंबे समय तक अच्छा काम करता है। वैज्ञानिक दुनिया में, इसे रेगुलराइज्ड डीन-कावासाकी (DK) समीकरण कहा जाता है। यह भीड़ को एक सुचारू, निरंतर तरल (fluid) के रूप में मानता है।

हालाँकि, क्या होता है यदि गलियारा ज्यादातर खाली हो, और केवल कुछ ही लोग इधर-उधर घूम रहे हों? या यदि आप यह जानना चाहते हैं कि दरवाजे खुलने के पहले कुछ सेकंड में वास्तव में क्या होता है?

"पानी" वाला नियम विफल हो जाता है।

"कम लोग" वाली समस्या: जब बहुत कम लोग होते हैं, तो भीड़ सुचारू नहीं होती; यह ऊबड़-खाबड़ और अप्रत्याशित होती है। "पानी" वाला मॉडल शायद लोगों की संख्या ऋणात्मक (negative) भी बता सकता है (जो कि असंभव है), ठीक वैसे ही जैसे कोई मौसम मॉडल ऋणात्मक बारिश की भविष्यवाणी कर सकता है।
"स्मृति" (Memory) वाली समस्या: "पानी" वाला मॉडल यह मानता है कि लोग अभी कहाँ हैं, केवल वही मायने रखता है। यह अतीत को भूल जाता है। लेकिन वास्तव में, यदि किसी व्यक्ति ने अभी-अभी बाईं ओर मुड़ना शुरू किया है, तो इसकी संभावना कम है कि वह तुरंत फिर से बाईं ओर मुड़ेगा। उसके पास "स्मृति" होती है। पुराना मॉडल इसे अनदेखा कर देता है, जिससे भीड़ के तेजी से फैलने के बारे में गलत भविष्यवाणियां होती हैं।

नया समाधान: "फ्लो मैचिंग" (Flow Matching)

इस शोध पत्र के लेखकों ने फ्लो मैचिंग नामक एक तकनीक का उपयोग करके इन भीड़ का अनुकरण (simulate) करने का एक नया, स्मार्ट तरीका बनाया है। इसे एक कठोर नियम पुस्तिका के रूप में नहीं, बल्कि एक अत्यधिक प्रशिक्षित AI कोच के रूप में सोचें।

यह अनुमान लगाने के बजाय कि भीड़ कैसे चलती है, AI कोच लाखों वास्तविक व्यक्तिगत कणों (जैसे कि व्यक्तिगत लोगों के चलने को देखना) के सिमुलेशन को देखता है। यह दो कठिन चीजें सीखता है जो पुराने "पानी" वाले मॉडल से छूट गई थीं:

नॉन-गौसियन (Non-Gaussian - "ऊबड़-खाबड़" आकार): यह सीखता है कि जब कण कम होते हैं, तो गति एक सुचारू बेल कर्व (bell curve) नहीं होती; इसमें जंगली, अप्रत्याशित स्पाइक्स (spikes) होते हैं।
नॉन-मार्कोवियन (Non-Markovian - "स्मृति"): यह सीखता है कि भविष्य अतीत पर निर्भर करता है। यह कणों के इतिहास को याद रखता है कि वे कहाँ रहे हैं ताकि यह अनुमान लगाया जा सके कि वे आगे कहाँ जाएंगे।

प्रयोग: "क्रेमर्स" (Kramers) चुनौती

अपने नए AI कोच का परीक्षण करने के लिए, शोधकर्ताओं ने क्रेमर्स फर्स्ट पैसेज टाइम समस्या नामक एक विशिष्ट चुनौती तैयार की।

कल्पना कीजिए कि एक गेंद (या एक कण) एक घाटी (निचले बिंदु) में बैठी है। बीच में एक पहाड़ी है, और दूसरी ओर एक और घाटी है। लक्ष्य यह देखना है कि गेंद को पहाड़ी के ऊपर से लुढ़कने और दूसरी घाटी में गिरने में कितना समय लगता है।

सेटअप: उन्होंने 100 "सेल्स" (गलियारे के छोटे हिस्से) के साथ 5,120 अलग-अलग परिदृश्य सिम्युलेट किए।
तुलना: उन्होंने सिमुलेशन तीन तरीकों से चलाया:
1. गोल्ड स्टैंडर्ड: प्रत्येक कण को व्यक्तिगत रूप से ट्रैक करना (बहुत सटीक, लेकिन धीमा)।
2. पुराना तरीका: "पानी" वाला मॉडल (DK समीकरण)।
3. नया तरीका: उनका AI "फ्लो मैचिंग" मॉडल।

उन्हें क्या पता चला

पुराना तरीका जल्दी विफल हुआ: "पानी" वाला मॉडल (DK) नई घाटी में लोगों की औसत संख्या बताने में तो ठीक था, लेकिन यह वास्तविक गति दिखाने में बहुत खराब था। इसने "भूत" (कणों की ऋणात्मक संख्या) पैदा किए और शुरुआती गति की अराजक, ऊबड़-खाबड़ प्रकृति को समझने में विफल रहा।
नया तरीका जीत गया: AI मॉडल, विशेष रूप से वह जिसने अतीत को याद रखा (नॉन-मार्कोवियन संस्करण), ने अल्पकालिक अराजकता को पूरी तरह से पकड़ा। इसने पुराने मॉडल की तुलना में "उच्च-क्रम सांख्यिकी" (भीड़ के अजीब, ऊबड़-खाबड़ विवरणों) को बहुत बेहतर तरीके से प्रस्तुत किया।
एक कमी: नया AI मॉडल शुरुआत में बहुत अच्छा है (कम समय के लिए)। हालाँकि, जैसे-जैसे समय बीतता है, यह सच्चाई से भटकने लगता है, ठीक वैसे ही जैसे एक GPS लंबी यात्रा के बाद थोड़ा भटक जाता है।

मुख्य निष्कर्ष (The Bottom Line)

यह शोध पत्र यह दावा नहीं करता कि यह हर भौतिकी (physics) की समस्या को हल कर देता है। यह विशेष रूप से दिखाता है कि कम कणों और कम समय अवधि के लिए, पुराना "सुचारू तरल" गणित बहुत सरल है।

फ्लो मैचिंग का उपयोग करके, उन्होंने एक ऐसा मॉडल बनाया है जो एक स्मार्ट पर्यवेक्षक की तरह कार्य करता है जो अतीत को याद रखता है और समझता है कि छोटे समूह व्यवस्थित नहीं, बल्कि अव्यवस्थित होते हैं। यह उन्हें इन प्रणालियों के महत्वपूर्ण शुरुआती क्षणों में व्यवहार की बहुत अधिक सटीक भविष्यवाणियां करने की अनुमति देता है, जो कि पुराना मॉडल नहीं कर सका।

नोट: लेखक उल्लेख करते हैं कि यह विधि वर्तमान में सरल प्रणालियों के लिए व्यक्तिगत कणों को ट्रैक करने की तुलना में धीमी है, लेकिन उनका मानना है कि यह जटिल प्रणालियों के लिए बहुत तेज़ और कुशल होगी जहाँ कण एक-दूसरे के साथ लंबी दूरी तक परस्पर क्रिया करते हैं (जैसे रसायन विज्ञान या जीव विज्ञान में), जहाँ पुराने तरीके गणनात्मक बाधाओं (computational traffic jams) में फंस जाते हैं।

तकनीकी सारांश: फ्लो मैचिंग का उपयोग करके गैर-संतुलन स्टोकेस्टिक प्रणालियों में नॉन-मार्कोवियन गतिकी को कैप्चर करना

समस्या विवरण
हाइड्रोडायनामिक मॉडल जो कोर्स-ग्रेन्ड स्टोकेस्टिक पार्शियल डिफरेंशियल इक्वेशंस (SPDEs), जैसे कि रेगुलराइज्ड डीन-कवासाकी (DK) समीकरण पर आधारित हैं, स्टोकेस्टिक कण प्रणालियों का वर्णन करने के लिए व्यापक रूप से उपयोग किए जाते हैं। हालाँकि, ये मॉडल दो विशिष्ट श्रेणियों में महत्वपूर्ण सीमाओं का सामना करते हैं:

कम कण घनत्व (Low particle density): कम कणों वाले क्षेत्रों में, संख्या घनत्व वितरण अत्यधिक गैर-गॉसियन (non-Gaussian) हो जाते हैं, जिसे रेगुलराइज्ड DK समीकरण सटीक रूप से कैप्चर करने में विफल रहता है।
अल्प-समय गतिकी (Short-time dynamics): इस प्रकार की विसरित (diffusive), स्टोकेस्टिक प्रणालियों का विकास मेमोरी प्रभावों (नॉन-मार्कोवियन गतिकी) से गहराई से प्रभावित होता है, जहाँ प्रारंभिक स्थितियाँ शुरुआती समय के प्रक्षेप पथों (trajectories) को प्रभावित करती हैं। क्लासिकल कोर्स-ग्रेनिंग, जिसमें रेगुलराइज्ड DK फॉर्मूलेशन भी शामिल है, आमतौर पर इस मेमोरी को खो देती है, और फ्लक्स को स्थान और समय में असंबद्ध (uncorrelated) मानती है।

जबकि रेगुलराइज्ड DK समीकरण उच्च कण गणना वाले सिस्टम के लिए दीर्घकालिक सांख्यिकी (long-time statistics) को सही ढंग से भविष्यवाणी करता है, यह शुरुआती समय के विकास और कम घनत्व वाले क्षेत्रों के दौरान गैर-भौतिक नकारात्मक घनत्व (nonphysical negative densities) और गलत उच्च-क्रम सांख्यिकीय क्षण (higher-order statistical moments) उत्पन्न करता है।

कार्यप्रणाली (Methodology)
इन कमियों को दूर करने के लिए, लेखक कण सिमुलेशन से कण फ्लक्स (particle fluxes) की प्रायिकता वितरण को सीधे मॉडल करने के लिए फ्लो मैचिंग (Flow Matching - FM) का उपयोग करते हुए एक डेटा-संचालित जनरेटिव दृष्टिकोण प्रस्तावित करते हैं।

लक्ष्य चर (Target Variable): यह विधि एक कम्प्यूटेशनल सेल फेस को पार करने वाले शुद्ध कण प्रवाह, $J(x, t)$ , को मॉडल करती है। DK समीकरण में उपयोग किए जाने वाले गॉसियन, असंबद्ध शोर के विपरीत, वास्तविक प्रवाह $J$ में गैर-गॉसियन पूंछ (tails) और सिस्टम के इतिहास पर नॉन-मार्कोवियन निर्भरता होती है।
फ्लो मैचिंग फ्रेमवर्क: लेखक एक ज्ञात स्रोत वितरण (भारी पूंछ को कैप्चर करने के लिए स्टूडेंट टी-डिस्ट्रीब्यूशन) से एक लक्ष्य वितरण तक एक प्रायिकता पथ $p_\tau$ का निर्माण करते हैं। एक न्यूरल नेटवर्क वेलोसिटी फील्ड, $u_\theta^\tau$ , स्रोत से लक्ष्य तक के नमूनों (samples) को मैप करने के लिए एक ऑर्डिनरी डिफरेंशियल इक्वेशन (ODE) को हल करता है।
नॉन-मार्कोवियन प्रभावों को शामिल करना: मेमोरी को कैप्चर करने के लिए, वेलोसिटी फील्ड को $k$ $k$ पिछले टाइम स्टेप्स के स्थानीय स्टेट के इतिहास पर कंडिशन किया जाता है। इनपुट वेक्टर में बाएं ( $N_L$ $N_{L}$ ) और दाएं ( $N_R$ $N_{R}$ ) सेल्स में कणों की संख्या, और समय $t, t-\Delta t, \dots, t-k\Delta t$ $t, t - Δ t, \dots, t - k Δ t$ के लिए वर्तमान ( $J$ $J$ ) शामिल है।
- मार्कोवियन सीमा ( $k=0$ ) के लिए, एक DeepONet-आधारित आर्किटेक्चर का उपयोग किया जाता है।
- नॉन-मार्कोवियन मामलों ( $k>0$ ) के लिए, टेम्पोरल सीक्वेंस को संभालने के लिए एक ट्रांसफॉर्मर-आधारित आर्किटेक्चर का उपयोग किया जाता है।
सिमेट्री प्रवर्तन (Symmetry Enforcement): मॉडल सांख्यिकीय प्रतिबिंब समरूपता (statistical reflection symmetry) को लागू करता है, यह सुनिश्चित करता है कि कण गणना $(N_L, N_R)$ के दिए जाने पर करंट $J$ की प्रायिकता, $(N_R, N_L)$ के दिए जाने पर $-J$ की प्रायिकता के समान है। इसे नेटवर्क आउटपुट के एक एंटी-सिमेट्रिक कॉम्बिनेशन के रूप में वेलोसिटी फील्ड को पुनर्गठित करके लागू किया जाता है।

मुख्य योगदान

फ्लक्सों का जनरेटिव मॉडलिंग: यह पेपर स्टोकेस्टिक फ्लक्सों के गैर-गॉसियन और नॉन-मार्कोवियन प्रायिकता वितरण को सीधे सीखने के लिए एक फ्लो मैचिंग फ्रेमवर्क पेश करता है, जिससे शोर के एड-हॉक रेगुलाइजेशन की आवश्यकता समाप्त हो जाती है।
स्पष्ट मेमोरी एकीकरण: विधि सफलतापूर्वक ऐतिहासिक स्टेट इंफॉर्मेशन को जनरेटिव मॉडल में एकीकृत करती है, जो यह प्रदर्शित करती है कि शुरुआती समय की सटीक भविष्यवाणियों के लिए मेमोरी ( $k>0$ ) को शामिल करना महत्वपूर्ण है।
आर्किटेक्चरल अनुकूलन: यह अध्ययन यह प्रदर्शित करता है कि ऐतिहासिक संदर्भ की आवश्यकता के आधार पर DeepONet और ट्रांसफॉर्मर आर्किटेक्चर के बीच स्विच करने की उपयोगिता क्या है।

परिणाम
इस पद्धति का मूल्यांकन डबल-वेल पोटेंशियल ( $V(x) = (x-\alpha)^2(x-\beta)^2$ ) में गैर-इंटरैक्टिंग ब्राउनियन पार्टिकल्स के एक सिस्टम के लिए क्रैमर्स फर्स्ट-पैसेज टाइम समस्या पर किया गया। इस सिस्टम को तीन दृष्टिकोणों का उपयोग करके सिम्युलेट किया गया: डायरेक्ट ब्राउनियन रैंडम-वॉकर (ग्राउंड ट्रुथ), रेगुलराइज्ड DK समीकरण, और प्रस्तावित फ्लो मैचिंग (FM) मॉडल (दोनों $k=0$ और $k=10$ के साथ परीक्षण किया गया)।

नकारात्मक घनत्व (Negative Densities): रेगुलराइज्ड DK मॉडल अक्सर गैर-भौतिक नकारात्मक घनत्व मान उत्पन्न करता था, जबकि FM मॉडल भौतिक वैधता बनाए रखते थे।
सांख्यिकीय सटीकता: जबकि DK मॉडल औसत कण घनत्व को ठीक से भविष्यवाणी करता था, यह उच्च-क्रम सांख्यिकीय क्षणों को कैप्चर करने में विफल रहा। नॉन-मार्कोवियन FM मॉडल ( $k=10$ ) ने शुरुआती समय के विकास के दौरान स्थानिक कण वितरण और उच्च-क्रम क्षणों को कैप्चर करने में दोनों (DK मॉडल और मार्कोवियन FM मॉडल $k=0$ ) से काफी बेहतर प्रदर्शन किया।
कंप्यूटेशनल लागत: नॉन-मार्कोवियन FM मॉडल, डायरेक्ट ब्राउनियन डायनेमिक्स की तुलना में अधिक कम्प्यूटेशनल रूप से महंगा था (CPUs पर प्रति टाइम स्टेप औसतन 9 सेकंड), लेकिन यह 100 सेल्स प्रति CPU तक अच्छी तरह से स्केल हुआ।

महत्व और दावे
लेखक दावा करते हैं कि उनका जनरेटिव फ्लो मैचिंग दृष्टिकोण पारंपरिक मार्कोवियन SPDEs (जैसे रेगुलराइज्ड DK समीकरण) की तुलना में स्टोकेस्टिक कण प्रणालियों में शॉर्ट-टाइम डायनेमिक्स का अधिक सटीक प्रतिनिधित्व प्रदान करता है। गैर-गॉसियन और नॉन-मार्कोवियन प्रभावों को स्पष्ट रूप से मॉडल करके, यह विधि उन उच्च-क्रम सांख्यिकी को पुनरुत्पादित करती है जो मानक कोर्स-ग्रेनिंग में खो जाती हैं।

पेपर विनम्रतापूर्वक नोट करता है कि हालांकि वर्तमान कार्यप्रणाली गैर-इंटरैक्टिंग ब्राउनियन सिमुलेशन की तुलना में अधिक गहन है, लेकिन इससे जटिल, लॉन्ग-रेंज इंटरैक्शन वाले सिस्टम के लिए महत्वपूर्ण दक्षता लाभ मिलने की उम्मीद है। ऐसे सिस्टम में, पारंपरिक पार्टिकल सिमुलेशन महंगे नेबर-लिस्ट कंस्ट्रक्शन और सख्त टाइम-स्टेप बाधाओं से जूझते हैं, ऐसे क्षेत्र जहाँ एक सीखा हुआ कोर्स-ग्रेन्ड SPDE सटीकता बनाए रखते हुए कंप्यूटेशनल ओवरहेड को कम कर सकता है। लेखक स्वीकार करते हैं कि विशिष्ट गैर-इंटरैक्टिंग केस के लिए, मॉडल की भविष्यवाणियां बाद के समय में कण सिमुलेशन से विचलित होने लगती हैं, जिसमें समय के साथ त्रुटियां बढ़ती जाती हैं।

नया समाधान: "फ्लो मैचिंग" (Flow Matching)

प्रयोग: "क्रेमर्स" (Kramers) चुनौती

उन्हें क्या पता चला

मुख्य निष्कर्ष (The Bottom Line)

इसी तरह के और पेपर