तकनीकी सारांश: समीकरणों को हल करने के लिए एक डेटा-मुक्त प्रतीकात्मक प्रतिगमन दृष्टिकोण (A Data-Free Symbolic Regression Approach for Solving Equations)

समस्या विवरण (Problem Statement)

विज्ञान और इंजीनियरिंग में कई समीकरण, विशेष रूप से जिनमें ट्रांसेंडेंटल (transcendental) पद या जटिल अवकलनीय ऑपरेटर (differential operators) शामिल होते हैं, मौजूदा विश्लेणात्मक तकनीकों द्वारा हल नहीं किए जा सकते। फलस्वरूप, उन्हें आमतौर पर संख्यात्मक विधियों (numerical methods) का उपयोग करके संबोधित किया जाता है जो स्पष्ट प्रतीकात्मक अभिव्यक्तियों के बिना अनुमानित समाधान प्रदान करते हैं। हालांकि संख्यात्मक समाधान मात्रात्मक रूप से सटीक होते हैं, वे अक्सर अंतर्निहित कार्यात्मक निर्भरताओं (functional dependencies), समरूपताओं (symmetries) और प्रणाली के गुणात्मक व्यवहारों को अस्पष्ट कर देते हैं।

मौजूदा दृष्टिकोण स्पष्ट समाधानों को पुनः प्राप्त करने में एक व्यापार-बंद (trade-off) का सामना करते हैं:

1. विश्लेणात्मक सॉल्वर (Analytical Solvers): ये सटीक प्रतीत्मक समाधान निकाल सकते हैं, लेकिन विशिष्ट समीकरण संरचनाओं (जैसे कि बहुपद प्रणाली या प्रतिबंधित ODE वर्ग) तक सीमित हैं।
2. प्रतीकात्मक प्रतिगमन (Symbolic Regression): ये व्याख्या योग्य अभिव्यक्तियों की खोज कर सकते हैं, लेकिन मौलिक रूप से युग्मित इनपुट-आउटपुट डेटा पर निर्भर करते हैं, जो अक्सर तब उपलब्ध नहीं होता जब केवल गवर्निंग इक्वेशन और बाउंड्री कंडीशन्स ज्ञात हों।
3. अवशेष-आधारित न्यूरल विधियाँ (जैसे PINNs): ये बिना किसी लेबल वाले डेटा के, सीधे गवर्निंग इक्वेशंस और बाधाओं (constraints) से संचालित होती हैं। हालांकि, वे समाधान को न्यूरल नेटवर्क मापदंडों (संख्यात्मक सन्निकटन) में कूटबद्ध (encoded) करती हैं, जो आगे की विश्लेषणात्मक उपयोगिता को सीमित करता है।

साहित्य में एक ऐसे तरीके की कमी है जो सीधे गवर्निंग इक्वेशंस और सहायक बाधाओं से संचालित हो, सुपरवाइज्ड इनपुट-आउटपुट डेटा की आवश्यकता को समाप्त करे, और समाधान को एक स्पष्ट प्रतीकात्मक रूप में पुनः प्राप्त करे।

कार्यप्रणाली: सिम्बॉलिक इक्वेशन सॉल्वर (SES)

लेखक सिम्बॉलिक इक्वेशन सॉल्वर (SES) का प्रस्ताव करते हैं, जो एक ढांचा (framework) है जो समीकरण समाधान को डिफरेंशिएबल प्रतीकात्मक मॉडलों पर एक अनुकूलन (optimization) समस्या के रूप में तैयार करता है। पारंपरिक सिम्बॉलिक रिग्रेशन के विपरीत, SES डेटा को फिट नहीं करता है; इसके बजाय, यह एक गवर्निंग इक्वेशन और उसकी बाधाओं को संतुष्ट करने के लिए एक प्रतीकात्मक अभिव्यक्ति को अनुकूलित करता है।

मुख्य वास्तुकला (Core Architecture)

• प्रतीकात्मक मॉडल क्लास (Symbolic Model Class): SES, इक्वेशन लर्नर (EQL) फॉर्मूलेशन पर आधारित एक डिफरेंशिएबल सिम्बॉलिक नेटवर्क का उपयोग करता है। इस वास्तुकला में, पारंपरिक न्यूरल एक्टिवेशन फंक्शन को प्रतीकात्मक ऑपरेटरों की एक लाइब्रेरी (जैसे पहचान, स्थिरांक, स्क्वेयरिंग, एक्सपोनेंशियल, हाइपरबोलिक टेंगेंट, मल्टीप्लिकेशन) द्वारा प्रतिस्थापित किया जाता है।
• डिफरेंशिएबिलिटी (Differentiability): नेटवर्क पूरी तरह से डिफरेंशिएबल है, जिससे ग्रेडिएंट्स प्रतीकात्मक ऑपरेटरों के माध्यम से प्रसारित हो सकते हैं। यह मानक फर्स्ट-ऑर्डर ऑप्टिमाइज़ेशन विधियों (Adam) का उपयोग करके नेटवर्क वेट्स को अनुकूलित करने की अनुमति देता है, जो प्रतीकात्मक अभिव्यक्ति के गुणांक (coefficients) होते हैं।
• ऑब्जेक्टिव फंक्शन (Objective Function): प्रशिक्षण संकेत (training signal) पूरी तरह से अवशेषों (residuals) से प्राप्त होता है। दिए गए गवर्निंग इक्वेशन $F_k(x, u, \nabla u, \dots) = 0$ और सहायक स्थितियों $B_j(x, u, \nabla u, \dots) = 0$ के लिए, SES एक लॉस फंक्शन को कम करता है जो सैम्पल किए गए कोलोकेशन पॉइंट्स (collocation points) पर मूल्यांकित वर्ग अवशेषों (squared residuals) से बना होता है:
  $$L(\theta) = \frac{1}{N_F}\sum |F_k|^2 + \frac{1}{N_B}\sum |B_j|^2$$
  गैर-डिफरेंशियल समीकरणों के लिए, कोलोकेशन पॉइंट्स उत्पन्न करने के लिए एक सहायक चर पेश किया जाता है, जो इस चर के फलन के रूप में समाधान को एक स्थिर फलन (constant function) मानता है।

अनुकूलन रणनीति (Optimization Strategy)

एक स्पार्स (sparse) और व्याख्या योग्य समाधान सुनिश्चित करने के लिए प्रशिक्षण प्रक्रिया में तीन अलग-अलग चरण शामिल हैं:

1. अवशेष न्यूनीकरण (Residual Minimization): मॉडल को समीकरण को संतुष्ट करने के लिए केवल अवशेष ऑब्जेक्टिव का उपयोग करके 50,000 इपोक के लिए प्रशिक्षित किया जाता है।
2. स्पर्सिटी इंडक्शन (Sparsity Induction): प्रशिक्षण आंतरिक वेट्स पर $\ell_1$-पेनल्टी के साथ 200,000 इपोक तक जारी रहता है। इस चरण में, एक प्रूनिंग तंत्र (pruning mechanism) समय-समय पर सबसे कम योगदान देने वाले 25% वेट्स को हटा देता है, जो एक संक्षिप्त प्रतीकात्मक संरचना को प्रोत्साहित करता है।
3. फाइन-ट्यूनिंग (Fine-Tuning): $\ell_1$-पेनल्टी को हटा दिया जाता है, और शेष वेट्स को केवल अवशेष ऑब्जेक्टिव का उपयोग करके 20,000 इपोक के लिए फाइन-ट्यून किया जाता है।
4. एक्सट्रैक्शन (Extraction): अंतिम प्रतीकात्मक अभिव्यक्ति को प्रून किए गए कंप्यूटेशनल ग्राफ को पार करके और सीखे गए वेट्स को पांच दशमलव स्थानों तक राउंड करके निकाला जाता है।

मुख्य योगदान (Key Contributions)

1. डेटा-मुक्त प्रतीकात्मक रिकवरी (Data-Free Symbolic Recovery): SES प्रदर्शित करता है कि बिना किसी युग्मित इनपुट-आउटपुट ट्रेनिंग डेटा के, केवल गवर्निंग इक्वेशंस और बाधाओं की गणितीय संरचना पर निर्भर रहकर, स्पष्ट प्रतीकात्मक समाधान प्राप्त किए जा सकते हैं।
2. एकीकृत ढांचा (Unified Framework): यह दृष्टिकोण अवशेष-आधारित न्यूरल सॉल्वर (जैसे PINNs) के समीकरण-संचालित अनुकूलन सिद्धांत को सिम्बॉलिक रिग्रेशन की व्याख्यात्मकता के साथ एकीकृत करता है। यह एक ही फॉर्मूलेशन के भीतर बीजगणितीय (algebraic) और अवकल (differential) दोनों समीकरणों पर लागू होता है।
3. प्रणालियों के लिए संयुक्त अनुकूलन (Joint Optimization for Systems): यह ढांचा स्वाभाविक रूप से कई अज्ञात मात्राओं वाली प्रणालियों तक विस्तारित होता है, जो एक साझा ऑब्जेक्टिव फंक्शन के तहत उन्हें संयुक्त रूप से अनुकूलित करता है।

प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने ज्ञात विश्लेणात्मक समाधानों के विरुद्ध रिकवर्ड (recovered) प्रतीकात्मक अभिव्यक्तियों की तुलना करते हुए, विविध समस्याओं पर SES का मूल्यांकन किया:

• रैखिक प्रणालियाँ (Linear Systems): रैखिक समीकरणों के सिस्टम के लिए सटीक स्थिरांक समाधान ($x=2, y=1$) सफलतापूर्वक रिकवर किया।
• ट्रांसेंडेंटल समीकरण (Transcendental Equations): समीकरण $e^x + x^3 = e + 1$ के लिए समाधान $x=1$ रिकवर किया, जो एक ऐसी समस्या है जिसके लिए सामान्यतः संख्यात्मक विधियों की आवश्यकता होती है क्योंकि मानक सिम्बॉलिक आइसोलेशन असंभव है।
• साधारण अवकल समीकरण (ODEs):
  • गैर-रैखिक ODE $dy/dt = 1 - y^2$ के लिए $y(t) = \tanh(t)$ रिकवर किया।
  • रैखिक ट्रांसपोर्ट समीकरण के लिए द्विघातीय (quadratic) ट्रांसपोर्ट समाधान $u(x,t) = (x-t)^2$ रिकवर किया, जो अनुमानित गुणांक मानों के बावजूद सही कार्यात्मक रूप को बनाए रखता है।
• आंशिक अवकल समीकरण (PDEs):
  • मिश्रित बाउंड्री कंडीशंस के साथ एक 2D पॉइसन (Poisson) समीकरण को सफलतापूर्वक हल किया, और सटीक बहुपद संरचना $u(x,y) = x^2 + y^2 + xy^2$ को रिकवर किया।
  • उसी PDE के लिए बाउंड्री कंडीशंस के दूसरे सेट के लिए समाधान रिकवर किया, जो विभिन्न बाधा विन्यासों के प्रति मजबूती (robustness) प्रदर्शित करता है।

इन सभी मामलों में, SES ने संक्षिप्त प्रतीकात्मक अभिव्यक्तियाँ बनाईं जो विश्लेणात्मक समाधानों से मेल खाती थीं, और अक्सर सही कार्यात्मक निर्भरताओं और समरूपताओं को प्रकट किया।

महत्व और दावे (Significance and Claims)

यह शोध पत्र तर्क देता है कि समीकरण समाधान को न केवल विश्लेषणात्मक व्युत्पत्ति या संख्यात्मक सन्निकटन के रूप में, बल्कि प्रतीकात्मक फलन स्थान (symbolic function space) में अनुकूलन के रूप में फिर से परिभाषित किया जा सकता है। SES का महत्व इस बात में निहित है कि यह समीकरण-आधारित फॉर्मूलेशन और प्रतीकात्मक रिकवरी के बीच के अंतर को पाटता है।

• व्याख्यात्मकता और खोज (Interpretability and Discovery): स्पष्ट प्रतीकात्मक रूप में समाधानों को पुनः प्राप्त करके, SES उन संरचनात्मक निर्भरताओं और कार्यात्मक संबंधों को उजागर करता जिन्हें विशुद्ध रूप से संख्यात्मक सन्निकटन से समझना कठिन होता है। लेखक सुझाव देते हैं कि यह क्षमता वैज्ञानिक परिकल्पना सृजन और खोज के लिए एक तंत्र के रूप में कार्य कर सकती है, जो उम्मीदवार विश्लेषणात्मक रूपों और अपरिवर्तनीयताओं (invariances) को प्रदान करती है।
• वैज्ञानिक मशीन लर्निंग (Scientific Machine Learning): SES वैज्ञानिक मशीन लर्निंग में प्रतीकात्मक तर्क (symbolic reasoning) को अधिक प्रत्यक्ष रूप से एकीकृत करने की दिशा में एक कदम है, जो ऐसे मॉडल का मार्ग प्रशस्त करता है जो भविष्य कहनेवाला (predictive) होने के साथ-साथ संरचनात्मक रूप से भी सुदृढ़ हों।
• सीमाएँ और भविष्य का कार्य (Limitations and Future Work): लेखक विनम्रतापूर्वक नोट करते हैं कि वर्तमान परिणाम ज्ञात विश्लेषणात्मक समाधानों और अपेक्षाकृत संक्षिप्त संरचनाओं वाली समस्याओं पर 'प्रूफ-ऑफ-कांसेप्ट' हैं। वे स्वीकार करते हैं कि अधिक चुनौतीपूर्ण PDEs, उच्च-आयामी प्रणालियों और अराजक गतिकी (chaotic dynamics) के लिए अधिक अभिव्यंजक आर्किटेक्चर, समृद्ध ऑपरेटर लाइब्रेरी और अधिक मजबूत अनुकूलन रणनीतियों की आवश्यकता होगी।