🔢 mathematics

MATLAB-Based Layerwise Self-Adaptive Physics-Informed Neural Network in Applications to Multidimensional Coupled Burgers' Equations with High Reynolds Numbers

यह शोध पत्र एक MATLAB-आधारित लेयरवाइज सेल्फ-अडैप्टिव फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क प्रस्तुत करता है जो उच्च रेनॉल्ड्स नंबर वाले बहुआयामी युग्मित बर्गर्स समीकरणों का सटीक रूप से अनुकरण करने के लिए डायनेमिक वेटिंग और ड्यूल-फेज ऑप्टिमाइज़ेशन का उपयोग करता है, जो शार्प शॉक फ्रंट्स को पकड़ने में पारंपरिक विधियों की स्थिरता और मेश-डिपेंडेंसी सीमाओं को प्रभावी ढंग से दूर करता है।

मूल लेखक: Harish P. Bhatt, Xi Chen, Jingsai Liang

प्रकाशित 2026-06-11

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Harish P. Bhatt, Xi Chen, Jingsai Liang

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 कांच के गिलास में पानी के माध्यम से स्याही की एक बूंद कैसे फैलती है, लेकिन इसमें एक मोड़ है: पानी अविश्वसनीय रूप से तेज़ गति से चल रहा है, और स्याही केवल सहजता से नहीं फैलती; यह एक बेहद तीखी, टेढ़ी-मेढ़ी रेखा (एक "शॉक फ्रंट") बनाती है जो चलती और अपना आकार बदलती रहती है। यह उस प्रकार की समस्या है जिसका सामना वैज्ञानिक उच्च-गति वाले परिदृश्यों में तरल पदार्थों का अनुकरण (सिमुलेशन) करते समय करते हैं, जिसे गणितीय रूप से बर्गर्स के समीकरणों (Burgers' equations) के रूप में वर्णित किया गया है।

लंबे समय से, कंप्यूटर इन तीखी रेखाओं को सटीक रूप से चित्रित करने के लिए संघर्ष कर रहे हैं। पारंपरिक तरीके ग्रिड पेपर पर मोटे, कुंद क्रेयॉन का उपयोग करके एक टेढ़ी-मेढ़ी बिजली की कौंध (lightning bolt) बनाने के प्रयास की तरह हैं। यदि ग्रिड बहुत मोटा है, तो रेखा ब्लॉक जैसी और गलत दिखेगी। यदि आप इसे इतना बारीक बनाते हैं कि यह तीखेपन को पकड़ सके, तो कंप्यूटर गणना करने के कारण अत्यधिक बोझिल हो जाता है और क्रैश हो जाता है क्योंकि ग्रिड के वर्ग बहुत अधिक हो जाते हैं।

नया दृष्टिकोण: एक स्मार्ट, आत्म-सुधार करने वाला चित्रकार

यह शोध पत्र एक नए "चित्रकार" को पेश करता है जिसे LSAAL-PINN कहा जाता है। एक ग्रिड का उपयोग करने के बजाय, यह चित्रकार एक न्यूरल नेटवर्क (AI का एक प्रकार) है जो भौतिकी के नियमों को सीधे सीखता है। इसे एक ग्रिड के रूप में नहीं, बल्कि एक निरंतर, लचीली चादर के रूप में सोचें जो स्याही के आकार के अनुसार खुद को ढालने के लिए खिंच और मुड़ सकती है।

हालाँकि, मानक AI चित्रकार अक्सर भ्रमित हो जाते हैं। वे शुरुआती स्थिति को सही करने पर बहुत अधिक ध्यान केंद्रित कर सकते हैं और तरल के चलने के नियमों को भूल सकते हैं, या इसके विपरीत। इसे ठीक करने के लिए, लेखकों ने उनके AI चित्रकार को दो विशेष महाशक्तियाँ दी हैं:

1. "स्व-समायोजन वॉल्यूम नॉब्स" (लेयरवाइज सेल्फ-एडेप्टिव वेटिंग)

कल्पना कीजिए कि आप एक गाने को तीन अलग-अलग वाद्य यंत्रों के साथ मिक्स कर रहे हैं: भौतिकी (तरल गति के नियम), प्रारंभिक स्थितियाँ (जहाँ स्याही शुरू होती है), और सीमा स्थितियाँ (जहाँ कांच की दीवारें हैं)।

पुराना AI: इन तीन वाद्य यंत्रों के लिए वॉल्यूम नॉब्स स्थिर हैं। यदि "भौतिकी" वाला वाद्य यंत्र बहुत ज़ोर से बज रहा है (जिसे हल करना कठिन है), तो यह अन्य दोनों को दबा देता है, और AI अटक जाता है।
नया AI (LSAAL-PINN): इस AI के पास स्मार्ट, स्व-समायोजन करने वाले नॉब्स हैं। जैसे-जैसे यह प्रशिक्षण लेता है, यह संगीत को सुनता है। यदि भौतिकी वाला हिस्सा बहुत तेज़ है और गड़बड़ी पैदा कर रहा है, तो यह स्वचालित रूप से उस वॉल्यूम को कम कर देता है और अन्य हिस्सों का वॉल्यूम बढ़ा देता है ताकि मिश्रण संतुलित रहे। यह लगातार ऐसा करता है, यह सुनिश्चित करता है कि कोई भी एक नियम हावी होकर AI को भ्रमित न करे।

2. "दो-चरणीय प्रशिक्षण" (डुअल-फेज ऑप्टिमाइज़ेशन)

AI दो अलग-अलग चरणों में सीखता है, जैसे एक छात्र परीक्षा देता है:

चरण 1 (रफ ड्राफ्ट): AI एक तेज़, सामान्य-उद्देश्य वाले ऑप्टिमाइज़र (Adam) का उपयोग करके समाधान का एक अच्छा "रफ ड्राफ्ट" तैयार करता है। यह स्याही की लहर के सामान्य आकार को जल्दी से स्केच करने जैसा है।
चरण 2 (पॉलिश): एक बार जब स्केच बन जाता है, तो AI एक अत्यंत सटीक, दूसरे क्रम के ऑप्टिमाइज़र (L-BFGS) पर स्विच कर जाता है। यह एक बारीक टिप वाले पेन का उपयोग करने और हर वक्र और तीखे किनारे को सावधानीपूर्वक तराशने जैसा है। यह चरण सुनिश्चित करता है कि अंतिम चित्र अविश्वसनीय रूप से सटीक हो, विशेष रूप से उन कठिन, तीखे शॉक फ्रंट्स पर।

परिणाम: बिजली की कौंध को चित्रित करना

लेखकों ने इस नए तरीके का परीक्षण बर्गर्स के समीकरणों के 1D, 2D और 3D संस्करणों पर किया, जिसमें ऐसे परिदृश्य शामिल हैं जहाँ तरल बहुत तेज़ गति से चलता है (उच्च रेनॉल्ड्स नंबर)।

प्रतियोगिता: उन्होंने अपने नए AI की तुलना दो पुराने संस्करणों के विरुद्ध की:
1. एक मानक AI जो केवल तेज़ "रफ ड्राफ्ट" चरण का उपयोग करता था।
2. एक मानक AI जो दोनों चरणों का उपयोग करता था लेकिन जिसमें "स्व-समायोजन वॉल्यूम नॉब्स" नहीं थे।
विजेता: नया LSAAL-PINN हर बार जीता।
- इसने पुराने तरीकों की तुलना में बहुत अधिक सटीकता के साथ तीखे, टेढ़े-मेढ़े शॉक फ्रंट्स को बनाया।
- इसने अन्य तरीकों की तुलना में कम गलतियाँ (कम त्रुटि दर) कीं।
- यह उच्च-गति वाले तरल पदार्थों के "स्टिफ" (कठिन) और जटिल गणित को बिना अटके या गलत रेखाएँ बनाए संभालने में सक्षम था।

मुख्य निष्कर्ष

शोध पत्र का दावा है कि स्मार्ट, स्व-समायोजन भार (सीखने के नियमों को संतुलित करने के लिए) को दो-चरणीय प्रशिक्षण प्रक्रिया (स्केच फिर रिफाइन) के साथ जोड़कर, यह नया MATLAB-आधारित AI पिछले तरीकों की तुलना में जटिल तरल समस्याओं को बहुत बेहतर तरीके से हल कर सकता है। यह सफलतापूर्वक उन तीव्र, अचानक होने वाले परिवर्तनों को पकड़ लेता है जो आमतौर पर अन्य कंप्यूटर मॉडलों को विफल कर देते हैं, और यह सब बिना डेटा बिंदुओं के किसी विशाल, महंगे ग्रिड के।

नोट: यह शोध पत्र विशेष रूप से इन विशिष्ट गणितीय समीकरणों (बर्गर्स के समीकरणों) को हल करने पर केंद्रित है ताकि AI की सटीकता का परीक्षण किया जा सके। यह दावा नहीं करता है कि इसने अभी तक वास्तविक दुनिया की इंजीनियरिंग समस्याओं, चिकित्सा संबंधी मुद्दों या जलवायु मॉडल को हल कर लिया है; यह केवल यह सिद्ध करता है कि यह विधि इन विशिष्ट गणितीय परीक्षण मामलों पर असाधारण रूप से अच्छी तरह काम करती है।

तकनीकी सारांश: बहुआयामी युग्मित बर्गर्स समीकरणों के लिए MATLAB-आधारित लेयरवाइज सेल्फ-एडेप्टिव फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क

समस्या विवरण
यह शोध पत्र उच्च रेनॉल्ड्स संख्या (high Reynolds numbers) पर बहुआयामी युग्मित बर्गर्स समीकरणों (MCBEs) के स्थानिक-कालिक समाधान प्रोफाइल (spatio-temporal solution profiles) के अनुकरण से जुड़ी कम्प्यूटेशनल चुनौतियों को संबोधित करता है। जैसे-जैसे समय विकसित होता है, ये समीकरण तीव्र शॉक फ्रंट और तीव्र समाधान प्रवणता (steep solution gradients) उत्पन्न करते हैं। पारंपरिक मेश-आधारित संख्यात्मक विधियाँ, जैसे कि परिमित अंतर (finite differences) और परिमित तत्व (finite elements), इन विशेषताओं के साथ संघर्ष करती हैं क्योंकि इनमें स्थिरता की कमी, मजबूत मेश निर्भरता और अत्यंत सूक्ष्म ग्रिडों की आवश्यकता के कारण "डायमेंशनलिटी का अभिशाप" (curse of dimensionality) जैसी कम्प्यूटेशनल बाधाएं होती हैं। इसके अतिरिक्त, मानक फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINNs) अक्सर इन उच्च-रेनॉल्ड्स-नंबर वाली समस्याओं को हल करने में विफल रहते हैं क्योंकि प्रभावी संवहन पद (convective terms) एक "स्टिफ" (stiff) लॉस लैंडस्केप बना देते हैं। यह कठोरता ऑप्टिमाइज़र को स्थानीय मिनिमा (local minima) में फंसा देती है, जिससे नेटवर्क समाधान की विशिष्ट तीव्र प्रवणता को सटीक रूप से पकड़ने में असमर्थ हो जाता है।

कार्यप्रणाली (Methodology)
लेखक एक उन्नत ढांचे का प्रस्ताव करते हैं जिसे LSAAL-PINN (Adam और L-BFGS के साथ प्रशिक्षित लेयरवाइज सेल्फ-एडेप्टिव PINN) कहा जाता है। इस कार्यप्रणाली को ऑटोमैटिक डिफरेंशिएशन के लिए डीप लर्निंग टूलबॉक्स का उपयोग करके MATLAB में कार्यान्वित किया गया है और इसे $d$ -आयामी CBEs ( $d=1, 2, 3$ ) को हल करने के लिए डिज़ाइन किया गया है।

मुख्य कार्यप्रणाली घटक निम्नलिखित हैं:

नेटवर्क आर्किटेक्चर: एक डीप न्यूरल नेटवर्क (DNN) समाधान $u(x, t)$ का अनुमान लगाता है। नेटवर्क एक फीडफॉरवर्ड संरचना का उपयोग करता है जिसमें $k$ हिडन लेयर्स होती हैं, और इसमें हाइपरबोलिक टैनजेंट ( $\tanh$ ) एक्टिवेशन फंक्शन का उपयोग किया जाता है ताकि ऑटोमैटिक डिफरेंशिएशन के माध्यम से उच्च-क्रम के डेरिवेटिव की गणना के लिए आवश्यक सुगमता सुनिश्चित की जा सके।
लेयरवाइज सेल्फ-एडेप्टिव वेटिंग: विभिन्न लॉस घटकों के लिए निश्चित भार (fixed weights) का उपयोग करने वाले मानक PINNs के विपरीत, यह ढांचा एक गतिशील रणनीति का उपयोग करता है। कुल लॉस फंक्शन $L(\theta, \lambda)$ PDE अवशेष ( $L_{PDE}$ ), प्रारंभिक स्थिति अवशेष ( $L_{IC}$ ), और सीमा स्थिति अवशेष ( $L_{BC}$ ) का एक भारित योग है। भार $\lambda = [\lambda_{PDE}, \lambda_{IC}, \lambda_{BC}]$ प्रशिक्षण योग्य पैरामीटर हैं जिन्हें कुल लॉस को अधिकतम करने के लिए ग्रेडिएंट एसेंट के माध्यम से अपडेट किया जाता है, जिससे यह सुनिश्चित होता है कि कोई भी एकल अवशेष घटक प्रशिक्षण प्रक्रिया पर हावी न हो। इन भारों को सख्त धनात्मकता और संख्यात्मक स्थिरता बनाए रखने के लिए एक लॉगरिदमिक ट्रांसफॉर्मेशन के माध्यम से मैप किया जाता है।
दो-चरणीय अनुकूलन (Dual-Phase Optimization): प्रशिक्षण प्रक्रिया एक दो-चरणीय रणनीति का उपयोग करती है:
- चरण 1 (ग्लोबल ऑप्टिमाइजेशन): नेटवर्क पैरामीटर $\theta$ और एडेप्टिव वेट $\lambda$ को Adam ऑप्टिमाइज़र का उपयोग करके पुनरावृत्ति (iteratively) के साथ अपडेट किया जाता है।
- चरण 2 (रिफाइनमेंट): एडेप्टिव वेट $\lambda$ को फ्रीज कर दिया जाता है, और अनुकूलन एक निर्धारित टॉलरेंस तक अभिसरण (convergence) को तेज करने के लिए दूसरे क्रम के L-BFGS एल्गोरिदम में परिवर्तित हो जाता है।
सैंपलिंग: तीव्र प्रवणता को प्रभावी ढंग से पकड़ने के लिए, ढांचा कोलोकेशन पॉइंट्स (collocation points) उत्पन्न करने के लिए लैटिन हाइपरक्यूब सैंपलिंग (LHS) का उपयोग करता है, जिससे यह सुनिश्चित होता है कि बिंदु ट्रांजिशन क्षेत्रों के पास वितरित हों।

मुख्य योगदान और प्रयोगात्मक सेटअप
यह अध्ययन LSAAL-PINN ढांचे को पेश करता है और दो बेसलाइन वेरिएंट्स के विरुद्ध इसकी प्रभावशीलता को सत्यापित करता है:

AL-PINN: मानक PINN जिसमें Adam और L-BFGS ऑप्टिमाइज़र का उपयोग किया गया है लेकिन बिना सेल्फ-एडेप्टिव वेटिंग के।
A-PINN: केवल Adam ऑप्टिमाइज़र के साथ प्रशिक्षित मानक PINN।

लेखकों ने 1D, 2D, और 3D युग्मित बर्गर्स समीकरणों पर उच्च रेनॉल्ड्स संख्या (कम श्यानता $\nu$ ) के साथ संख्यात्मक प्रयोग किए। सटीकता को रिलेटिव $L_2$ -एरर नॉर्म का उपयोग करके मापा गया।

परिणाम

1D बर्गर्स समीकरण: LSAAL-PINN ने $1.79 \times 10^{-4}$ का रिलेटिव $L_2$ -एरर प्राप्त किया, जो AL-PINN ( $3.10 \times 10^{-4}$ ) और A-PINN ( $8.65 \times 10^{-3}$ ) से बेहतर प्रदर्शन करता है। परिणामों ने प्रदर्शित किया कि LSAAL-PINN सटीक समाधान के साथ सबसे सटीक रूप से संरेखित था, विशेष रूप से शॉक फ्रंट पर।
2D युग्मित बर्गर्स समीकरण (उच्च रेनॉल्ड्स संख्या): $\nu = 0.0001$ के लिए, LSAAL-PINN ने $t=1$ पर वेलोसिटी कंपोनेंट $v$ के लिए AL-PINN की तुलना में लगभग 8 गुना अधिक सटीक और A-PINN की तुलना में 1385 गुना अधिक सटीक परिणाम प्रदान किए। A-PINN शॉक-जैसी विच्छिन्नता (discontinuity) को पकड़ने में विफल रहा, जबकि LSAAL-PINN ने तीव्र प्रवणता को सफलतापूर्वक हल किया।
3D युग्मित बर्गर्स समीकरण: LSAAL-PINN ने विभिन्न समय स्तरों पर अन्य वेरिएंट्स की तुलना में लगातार सबसे कम $L_2$ -एरर दिया। इस ढांचे ने $Re=100$ के रेनॉल्ड्स नंबर के साथ 3D CBEs को सफलतापूर्वक हल किया, जिससे $10^{-3}$ की परिमाण में सटीकता बनी रही।
अभिसरण व्यवहार (Convergence Behavior): लॉस प्लॉट्स ने संकेत दिया कि जबकि A-PINN स्थिर हो गया या दोलन (oscillate) करने लगा, दोनों AL-PINN और LSAAL-PINN में ड्यूल-फेज ऑप्टिमाइजेशन (Adam के बाद L-BFGS) ने महत्वपूर्ण लॉस रिडक्शन की ओर ले जाने में मदद की। सेल्फ-एडेप्टिव वेटिंग के जुड़ने से LSAAL-PINN में AL-PINN की तुलना में कुल लॉस और भी कम हो गया।

महत्व और दावे
यह शोध पत्र दावा करता है कि एक लेयरवाइज सेल्फ-एडेप्टिव वेटिंग रणनीति को ड्यूल-फेज़ ऑप्टिमाइजेशन दृष्टिकोण के साथ एकीकृत करना, कंप्यूटेशनल रूप से महंगे पॉइंटवाइज वेटिंग रणनीतियों की आवश्यकता के बिना, MCBEs में तीव्र प्रवणता समाधान प्रोफाइल को पकड़ने के लिए पर्याप्त है। लेखक दावा करते हैं कि यह ढांचा उच्च-रेनॉल्ड्स-नंबर प्रवाह के स्थानिक-कालिक गतिकी के अनुकरण के लिए मानक PINNs की तुलना में अधिक प्रभावी, सटीक और सुदृढ़ है।

अध्ययन इस बात पर प्रकाश डालता है कि जबकि मौजूदा साहित्य मुख्य रूप से मध्यम रेनॉल्ड्स संख्या पर 1D बर्गर्स समीकरणों (अक्सर पायथन में) पर केंद्रित रहा है, यह कार्य एक MATLAB-आधारित कार्यान्वयन का उपयोग करके उच्च रेनॉल्ड्स संख्या के साथ 2D और 3D CBEs को सफलतापूर्वक हल करके इस क्षेत्र को आगे बढ़ाता है। लेखक निष्कर्ष निकालते हैं कि प्रस्तावित ढांचा लॉस लैंडस्केप की कठोरता (stiffness) को प्रभावी ढंग से संबोधित करता है, जिससे तीव्र शॉक फ्रंट का सटीक पूर्वानुमान संभव होता है जिसे मानक विधियाँ हल करने में संघर्ष करती हैं। भविष्य के कार्य के रूप में इस ढांचे को अन्य चुनौतीपूर्ण समय-निर्भर PDEs तक विस्तारित करने का सुझाव दिया गया है।

नया दृष्टिकोण: एक स्मार्ट, आत्म-सुधार करने वाला चित्रकार

1. "स्व-समायोजन वॉल्यूम नॉब्स" (लेयरवाइज सेल्फ-एडेप्टिव वेटिंग)

2. "दो-चरणीय प्रशिक्षण" (डुअल-फेज ऑप्टिमाइज़ेशन)

परिणाम: बिजली की कौंध को चित्रित करना

मुख्य निष्कर्ष

इसी तरह के और पेपर