🔬 physics

Liquid Random Feature Methods for Time-Dependent Partial Differential Equations

यह शोध पत्र लिक्विड रैंडम फीचर मेथड्स (L-RFM) को प्रस्तुत करता है, जो समय-निर्भर PDEs के लिए एक मेश-मुक्त दृष्टिकोण है जो स्थिर टेम्पोरल एक्टिवेशन्स के स्थान पर क्लोज्ड-फॉर्म लिक्विड टाइम-कांस्टेंट रिस्पॉन्स का उपयोग करके स्टिफ और मल्टी-स्केल रिजीम्स में सन्निकटन सटीकता को बढ़ाता है, जबकि लीनियर लीस्ट-स्क्वायर सॉल्वर्स की कम्प्यूटेशनल दक्षता को बनाए रखता है।

मूल लेखक: Jiale Linghu, Yangshuai Wang

प्रकाशित 2026-06-16

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC0 1.0

मूल लेखक: Jiale Linghu, Yangshuai Wang

मूल पेपर CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/) के तहत सार्वजनिक डोमेन को समर्पित 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 पानी के गिलास में स्याही की एक बूंद कैसे फैलती है, या हवा में एक शॉकवेव (shockwave) कैसे चलती है। भौतिक विज्ञान की दुनिया में, इन्हें समय-निर्भर समीकरण (time-dependent equations) कहा जाता है। चुनौती यह है कि ये घटनाएँ बहुत तेज़ी से, धीरे-धीरे, या कभी-कभी एक साथ (जैसे एक तेज़ विस्फोट के बाद धीमी गति से बहना) बदलती हैं।

द दशकों से, वैज्ञानिक इन पहेलियों को हल करने के लिए कंप्यूटर मॉडल का उपयोग करते रहे हैं। एक लोकप्रिय आधुनिक विधि है जिसे रैंडम फीचर मेथड (Random Feature Method) कहा जाता है। इसे लेगो (Lego) ब्रिक्स से कुछ बनाने जैसा समझें।

पुराना तरीका: आपके पास स्थिर लेगो ब्रिक्स का एक डिब्बा है। वे सभी एक ही आकार और रंग के हैं। एक जटिल, चलती हुई आकृति बनाने के लिए, आपको इन हजारों समान ब्रिक्स का उपयोग करना होगा और इस उम्मीद में काम करना होगा कि उन्हें बस सही तरीके से एक के ऊपर एक रखकर आप उस चलती हुई लहर जैसा दिखने वाला रूप बना लेंगे जिसे आप अनुमानित करने की कोशिश कर रहे हैं। यह केवल चौकोर, धूसर (gray) टाइल्स का उपयोग करके सूर्यास्त को चित्रित करने जैसा है। यह संभव है, लेकिन आपको बहुत सारी टाइल्स की आवश्यकता होगी और बारीकियों को सही करना बहुत कठिन होगा।
समस्या: "स्थिर ब्रिक्स" समय को स्वाभाविक रूप से नहीं समझते। वे यह अंतर नहीं जानते कि एक तेज़ चमक और एक धीमी धुंधलाहट में क्या अंतर है। उन्हें काम करने के लिए, कंप्यूटर को उन्हें फिट करने के लिए भारी मात्रा में गणित करना पड़ता है, जो अक्सर तब विफल हो जाता है जब भौतिकी "स्टिफ" (बहुत तेज़ बदलाव) या "डिस्पर्सिव" (लहरों का फैलना) होती है।

नया समाधान: "लिक्विड" ब्रिक्स

यह शोध पत्र एक नई विधि पेश करता है जिसे लिक्विड रैंडम फीचर मेथड्स (L-RFM) कहा जाता है। स्थिर, कठोर लेगो ब्रिक्स के बजाय, लेखक इन ब्रिक्स को एक "तरल" (liquid) व्यक्तित्व देते हैं।

उपमा: लिक्विड टाइमर (The Liquid Timer)
कल्पना कीजिए कि आपके द्वारा उपयोग किए जाने वाले प्रत्येक लेगो ब्रिक के अंदर एक अंतर्निहित, पूर्व-प्रोग्राम किया गया टाइमर है।

कुछ ब्रिक्स को बहुत तेज़ी से रंग बदलने के लिए प्रोग्राम किया गया है (तेज़ रिलैक्सेशन)।
कुछ को बहुत धीरे रंग बदलने के लिए प्रोग्राम किया गया है (धीमा रिलैक्सेशन)।
कुछ इनके बीच के हैं।

इससे पहले कि आप वास्तव में निर्माण शुरू करें, आप इन अलग-अलग टाइमर वाले "लिक्विड ब्रिक्स" में से कई को चुनते हैं और उन्हें एक जगह पर फ्रीज (जमना) कर देते हैं। आप बाद में उनके टाइमर को नहीं बदलते; वे स्थिर रहते हैं। हालाँकि, क्योंकि आपने विभिन्न टाइमरों वाले ब्रिक्स का एक विस्तृत संग्रह चुना है, आपके ब्रिक्स के संग्रह में अब तेज़ चमक और धीमी गति से होने वाले बदलावों, दोनों को दर्शाने की स्वाभाविक क्षमता है।

यह कैसे काम करता है (सरल शब्दोंм में):

"लिक्विड" वाला भाग: लेखक एक गणितीय सूत्र (एक "क्लोज्ड-फॉर्म लिक्विड रिस्पॉन्स") का उपयोग करते हैं जो यह बताता है कि एक सिस्टम स्वाभाविक रूप से समय के साथ कैसे शांत होता है या सेटल होता है। वे इस सूत्र को विभिन्न "गति सेटिंग्स" (रिलैक्सेशन स्केल्स) के साथ सैंपल करते हैं।
फ्रीजिंग (जमना): एक बार जब वे इन गति सेटिंग्स को चुन लेते हैं, तो वे इन ब्रिक्स को "फ्रोज़न फीचर्स" में बदल देते हैं। वे समय को सीखने के लिए एक जटिल न्यूरल नेटवर्क को प्रशिक्षित नहीं करते हैं, बल्कि वे बस समय को अपने ब्रिक्स के भीतर ही "बना" देते हैं।
असेंबली (जोड़ना): वे फिर एक सरल, मानक गणितीय उपकरण (लीनियर लीस्ट स्क्वायर्स) का उपयोग यह पता लगाने के लिए करते हैं कि भौतिकी की समस्या से मेल खाने के लिए प्रत्येक "लिक्विड ब्रिक" का कितना उपयोग किया जाना चाहिए। क्योंकि ब्रिक्स पहले से ही समय को समझते हैं, इसलिए गणित बहुत आसान और अधिक सटीक हो जाता है।

निर्माण के दो तरीके: लोकल बनाम ग्लोबल

शोध पत्र में इन लिक्विड ब्रिक्स को व्यवस्थित करने के दो तरीकों का परीक्षण किया गया है:

ग्लोबल (बड़ी तस्वीर): आप पूरी समस्या को एक साथ कवर करने के लिए लिक्विड ब्रिक्स का एक विशाल सेट उपयोग करते हैं। यह चिकनी, एकसमान लहरों (जैसे समुद्र की एक मंद लहर) के लिए बहुत अच्छा काम करता है।
लोकल (पैचवर्क): आप समस्या को छोटे पड़ोस (पैच) में विभाजित करते हैं। प्रत्येक पड़ोस में, आप उस विशिष्ट क्षेत्र के लिए अनुकूलित लिक्विड ब्रिक्स के एक छोटे सेट का उपयोग करते हैं। यह एक पैचवर्क रजाई (quilt) जैसा है। यह उन समस्याओं के लिए बहुत बेहतर काम करता है जिनमें तीखे किनारे, अचानक इंटरफेस, या जटिल आकार होते हैं (जैसे दीवार से टकराती हुई शॉकवेव)।

प्रयोगों ने क्या दिखाया

लेखकों ने कई कठिन भौतिक समस्याओं पर इस नए तरीके का पुराने "स्थिर ब्रिक" तरीकों के मुकाबले परीक्षण किया:

रिएक्शन-डिफ्यूजन (एलेन-कान टेस्ट): एक रासायनिक इंटरफेस के हिलने का अनुकरण करना। लिक्विड विधि कहीं अधिक सटीक थी, विशेष रूप से जब इंटरफेस बहुत तीव्रता से चलता था।
फ्लुइड फ्लो (बर्गर्स टेस्ट): तरल पदार्थ के विक्षोभ (turbulence) का अनुकरण करना। लिक्विड विधि ने चिकनी लहरों को बेहतर ढंग से संभाला।
वेव्स (KdV और NLS): जटिल जल तरंगों और प्रकाश तरंगों का अनुकरण करना। लिक्विड विधि ने स्थिर ब्रिक्स की तुलना में विवरणों को बहुत बेहतर तरीके से कैप्चर किया।

मुख्य निष्कर्ष:

सटीकता: ब्रिक्स में सीधे "टाइम स्केल्स" को शामिल करके, इस विधि ने उतनी ही संख्या में ब्रिक्स के साथ बहुत अधिक सटीकता प्राप्त की।
"लिक्विड" ही नायक है: जब उन्होंने "लिक्विड" टाइम-रिस्पॉन्स को हटा दिया और केवल स्थिर ब्रिक्स का उपयोग किया, तो सटीकता गिर गई। इससे सिद्ध हुआ कि असली सफलता अलग-अलग रिलैक्सेशन स्पीड को सैंपल करने की क्षमता में थी।
कंडीशनिंग: लिक्विड विधि के पीछे का गणित भी "बेहतर" (संख्यात्मक त्रुटियों के प्रति कम संवेदनशील) था, जिससे कंप्यूटर का काम आसान हो गया।

निचोड़ (The Bottom Line)

यह शोध पत्र यह दावा नहीं करता कि यह बीमारियों का इलाज करेगा या कल मौसम की भविष्यवाणी करेगा। यह दावा करता है कि इसने समय के साथ चीजों के बदलने का वर्णन करने वाले समीकरणों को हल करने के लिए बेहतर गणितीय उपकरण बनाए हैं।

कठोर, स्थिर बिल्डिंग ब्लॉक्स को "लिक्विड" ब्लॉक्स से बदलकर, जो स्वाभाविक रूप से तेज़ और धीमी परिवर्तनों को समझते हैं, लेखकों ने एक ऐसी विधि बनाई है जो:

अधिक सटीक है: यह जटिल समय-निर्भर व्यवहारों को बेहतर ढंग से पकड़ती है।
सरल है: यह न्यूरल नेटवर्क के जटिल, धीमे प्रशिक्षण की आवश्यकता को समाप्त करती है।
बहुमुखी है: यह चिकनी, वैश्विक लहरों और तीखे, स्थानीय इंटरफेस दोनों के लिए काम करती है।

संक्षेप में, उन्होंने अपने गणितीय नुस्खे की सामग्री में सीधे "समय" की अवधारणा को पकाने का एक तरीका खोज लिया है, ताकि अंतिम व्यंजन को बिना ज़रूरत के ज़्यादा पकाए (overcook) एकदम सही बनाया जा सके।

तकनीकी सारांश: समय-निर्भर PDEs के लिए लिक्विड रैंडम फीचर मेथड्स (Liquid Random Feature Methods)

1. समस्या विवरण (Problem Statement)

समय-निर्भर आंशिक अवकल समीकरणों (Partial Differential Equations - PDEs) को ऐसे संख्यात्मक सॉल्वर की आवश्यकता होती है जो स्थानिक संरचनाओं (spatial structures) और विकसित होते अस्थायी पैमानों (evolving temporal scales) को एक साथ प्रदर्शित कर सकें। मेश-मुक्त स्पेस-टाइम कोलोकेशन विधियों में, जैसे कि रेसिडुअल मिनिमाइजेशन पर आधारित विधियाँ, समाधान की सटीकता इस बात पर अत्यधिक निर्भर करती है कि परिमित ट्रायल स्पेस (finite trial space) इन अस्थायी पैमानों को पकड़ने में कितना सक्षम है।

मानक रैंडम फीचर मेथड्स (Random Feature Methods - RFMs) गैर-रेखीय ट्रायल फंक्शन को फ्रीज करके और केवल लीस्ट स्क्वायर्स के माध्यम से एक लीनियर रीडआउट फिट करके सन्निकटन (approximation) की समस्या को सरल बना देते हैं। हालाँकि, मौजूदा RFMs आमतौर पर स्थिर स्पेस-टाइम एक्टिवेशन (जैसे कि फिक्स्ड रिज या स्टैटिक टेम्पोरल फंक्शन्स) का उपयोग करते हैं। स्टिफ (stiff), डिस्पर्सिव (dispersive), या मल्टी-स्केल शासन (regimes) में, ये स्थिर एक्टिवेशन विविध विश्रांति पैमानों (relaxation scales) को दर्शाने के लिए एक स्पष्ट तंत्र की कमी रखते हैं। फलस्वरूप, ट्रायल स्पेस को स्थिर एक्टिवेशन के सैंपल्ड ज्योमेट्री पर निर्भर रहना पड़ता है ताकि अस्थायी गतिकी (temporal dynamics) को अप्रत्यक्ष रूप से रिकवर किया जा सके, जो एक ऐसी बाधा उत्पन्न करता है जहाँ केवल सैंपलिंग या लीनियर अल्जेब्रा में सुधार करना आधार कार्यों (basis functions) में प्रासंगिक अस्थायी पैमानों की अनुपस्थिति की भरपाई नहीं कर सकता।

2. कार्यप्रणाली: लिक्विड रैंडम फीचर मेथड्स (L-RFM)

लेखक लिक्विड रैंडम फीचर मेथड्स (L-RFM) का प्रस्ताव करते हैं, जो फिक्स्ड-फीचर RFM फ्रेमवर्क में लिक्विड टाइम-कांस्टेंट (LTC) नेटवर्क की अवधारणा को एकीकृत करते हैं। प्रशिक्षित रिकरेंट नेटवर्क के विपरीत, L-RFM समाधान के दौरान मापदंडों (parameters) को अनुकूलित नहीं करता है; इसके बजाय, यह क्लोज्ड-फॉर्म लिक्विड रिस्पॉन्स वाले ट्रायल फंक्शन बनाता है जिन्हें एक बार सैंपल किया जाता है और फिर फ्रीज कर दिया जाता है।

2.1. लिक्विड फीचर प्रिमिटिव (The Liquid Feature Primitive)

मुख्य नवाचार एक स्केलर लिक्विड ODE के क्लोज्ड-फॉर्म समाधान के रूप में स्टैटिक टेम्पोरल एक्टिवेशन को बदलना है। एक सैंपलड पैरामीटर टुपल $\theta = (\tau, A, w, b, w_0, b_0)$ के लिए, फीचर $\phi_\theta(x, t)$ को निम्न के समाधान के रूप में परिभाषित किया गया है:
$\partial_t \phi_\theta(x, t) = -\alpha_\theta(x)\phi_\theta(x, t) + g_\theta(x)A$
$\phi_\theta(x, 0) = h_0(x)$
जहाँ:

$g_\theta(x) = \tanh(w^\top \zeta(x) + b)$ और $h_0(x) = \tanh(w_0^\top \zeta(x) + b_0)$ स्थानिक प्रोफाइल (spatial profiles) हैं।
$\alpha_\theta(x) = \tau^{-1} + g_\theta(x)$ क्षय दर (decay rate) निर्धारित करता है।
$\tau > 0$ एक सैंपलड रिलैक्सेशन टाइम है।

क्लोज्ड-फॉर्म समाधान (Duhamel form) है:
$\phi_\theta(x, t) = h_0(x)e^{-\alpha_\theta(x)t} + g_\theta(x)A \frac{1 - e^{-\alpha_\theta(x)t}}{\alpha_\theta(x)}$
यह फॉर्मूलेशन रेसिडुअल असेंबली के लिए एनालिटिक स्पेस-टाइम डेरिवेटिव प्रदान करता है, जिसमें ODE सॉल्वर या इंटीग्रेटर्स के माध्यम से ऑटोमैटिक डिफरेंशिएशन की आवश्यकता नहीं होती है।

2.2. ट्रायल स्पेस वेरिएंट्स (Trial Space Variants)

इस पद्धति को दो पूरक रूपों में लागू किया गया है:

L-RFM-Local: स्थानिक पैच पर फीचर्स को लोकलाइज करने के लिए पार्टीशन ऑफ यूनिटी (PoU) का उपयोग करता है। ट्रायल फंक्शन्स $\Phi_{k,i} = \psi_k(x)\phi_{k,i}(x, t)$ हैं, जहाँ $\psi_k$ PoU वेट्स हैं। यह स्थानीय इंटरफेस और नॉन-यूनिफॉर्म संरचनाओं के लिए उपयुक्त है।
L-RFM-Global: पूरे डोमेन पर बिना PoU लोकलाइजेशन के समान लिक्विड प्रिमिटिव का उपयोग करता है। ट्रायल फंक्शन्स $\Phi_i = \phi_i(x, t)$ हैं। यह स्थानिक रूप से स्मूथ या कोहेरेंट रिस्पॉन्स के लिए उपयुक्त है।

2.3. सॉल्वर वर्कफ़्लो (Solver Workflow)

सैंपलिंग (Sampling): मल्टी-स्केल रिलैक्सेशन स्पेक्ट्रम बनाने के लिए पैरामीटर्स ( $\tau$ सहित) को दशकों (decades) में लॉग-यूनिफॉर्म डिस्ट्रीब्यूशन से एक बार सैंपल किया जाता है।
लीनियराइजेशन (Linearization): नॉन-लीनियर PDEs के लिए, विधि पिकाड इटरेशन (Picard iteration) का उपयोग करती है, जो वर्तमान चरण के लिए लीनियर लीस्ट-स्क्वायर्स (LS) सिस्टम बनाए रखने के लिए पिछले इटरेशन से नॉन-लीनियर टर्म्स को फ्रीज कर देती है।
ब्लॉक मार्चिंग (Block Marching): लंबे समय के क्षितिज (time horizons) के लिए, अंतराल को ब्लॉक्स में विभाजित किया जाता है। एक ब्लॉक का टर्मिनल ट्रेस अगले ब्लॉक के लिए प्रारंभिक स्थिति (initial condition) के रूप में कार्य करता है, जिससे यह विधि ग्लोबल एरर को संचित किए बिना लंबे समय के इंटीग्रेशन को संभालने में सक्षम होती है।
सॉल्विंग (Solving): लीनियर रीडआउट कोफिशिएंट्स को ट्रंकेटेड सिंगुलर वैल्यू डीकंपोजिशन (SVD) का उपयोग करके एक वेटेड लीस्ट-स्क्वायर्स समस्या को हल करके निर्धारित किया जाता है ताकि इल-कंडीशनिंग (ill-conditioning) को संभाला जा सके।

3. मुख्य योगदान (Key Contributions)

L-RFM का फॉर्मूलेशन: लेखक एक फिक्स्ड-फीचर लीस्ट-स्क्वायर्स कोलोकेशन फ्रेमवर्क को परिभाषित करते हैं जहाँ अस्थायी ट्रायल फंक्शन्स में स्पष्ट रूप से सैंपलड लिक्विड रिलैक्सेशन स्केल शामिल होते हैं, जो अस्थायी जानकारी को ट्रेनिंग चरण से बेसिस फंक्शन्स के निर्माण की ओर ले जाते हैं।
एकीकृत स्थानीय/ग्लोबल फ्रेमवर्क: वे एक ही लिक्विड प्रिमिटिव पर आधारित दोनों स्थानीयकृत (PoU-आधारित) और ग्लोबल ट्रायल स्पेस विकसित करते हैं। यह स्थानिक लोकलाइजेशन के प्रभावों को अस्थायी विश्रांति (temporal relaxation) से अलग करने के लिए एक सीधा तुलनात्मक अध्ययन प्रदान करता है।
एनालिटिक डेरिवेटिव्स और रेसिडुअल असेंबली: यह पेपर लीनियर, नॉन-लीनियर, कॉम्प्लेक्स-वैल्यूड और मल्टी-डायमेंशनल समस्याओं के लिए क्लोज्ड-फॉर्म स्पेस-टाइम डेरिवेटिव्स को व्युत्पन्न करता है, जिससे ODE सॉल्वर के माध्यम से न्यूमेरिकल डिफरेंशिएशन के बिना रेसिड्यूल असेंबली संभव होती है।
सैद्धांतिक विश्लेषण (Theoretical Analysis):
- डेंसिटी थ्योरम (Density Theorem): यह सिद्ध करता है कि डिटर्मिनिस्टिक लोकल और ग्लोबल ट्रायल स्पेस, एक सेपरेबल रिज-एक्सपोनेंशियल सबफैमिली के माध्यम से निरंतर स्पेस-टाइम फंक्शन क्लास ( $C(Q)$ ) में सघन (dense) हैं।
- टेम्पोरल रैंक गणना (Temporal Rank Calculation): यह दर्शाता है कि अलग-अलग सैंपलड रिलैक्सेशन रेट्स फीचर मैट्रिक्स में लीनियरली इंडिपेंडेंट टेम्पोरल कॉलम्स उत्पन्न करते हैं, जो कई टेम्पोरल मोड्स को दर्शाने के लिए एक परिमित-आयामी तंत्र प्रदान करता है।

4. संख्यात्मक परिणाम (Numerical Results)

विधि का मूल्यांकन 1D, 2D, और 3D में स्टिफ रिएक्शन-डिफ्यूजन (Allen–Cahn), नॉन-लीनियर ट्रांसपोर्ट (Burgers), डिस्पर्सिव (KdV), और कॉम्प्लेक्स-वैल्यूड (Nonlinear Schrödinger) समीकरणों सहित बेन्चमार्क सूट पर किया गया।

सटीकता लाभ (Accuracy Gains): मैच की गई क्षमता (समान कुल रीडआउट डायमेंशन $P$ $P$ ) तुलनाओं में, L-RFM वेरिएंट्स ने स्टैटिक बेसलाइन्स (ST-RFM, PIELM) की तुलना में लगातार कम रिलेटिव $L_2$ $L_{2}$ और $L_\infty$ $L_{\infty}$ एरर प्राप्त किए।
- L-RFM-Local ने शार्प इंटरफेस (Allen–Cahn, KdV, NLS) वाली समस्याओं पर ग्लोबल मेथड्स को पछाड़ दिया।
- L-RFM-Global स्मूथ, पीरियडिक समस्याओं (Burgers) के लिए अधिक कुशल था।
टेम्पोरल स्केल रेजोल्यूशन: एक निर्धारित मल्टी-स्केल टेम्पोरल समस्या पर, L-RFM ने स्टैटिक मेथड्स की तुलना में कई ऑर्डर्स कम एरर प्राप्त किया, जो सीधे तौर पर अलग किए गए रिलैक्सेशन स्केल्स को हल करने की इसकी क्षमता की पुष्टि करता है।
मजबूती (Robustness): L-RFM ने Allen–Cahn में डिफ्यूजन पैरामीटर को चार ऑर्डर्स ऑफ मैग्नीट्यूड ( $\epsilon = 10^{-1}$ से $10^{-4}$ ) तक बदलने पर भी सटीकता बनाए रखी, जबकि स्टैटिक मेथड्स इंटरफेस के शार्प होने पर काफी खराब प्रदर्शन करते रहे।
एब्लेशन स्टडीज (Ablation Studies): लिक्विड टेम्पोरल रिस्पॉन्स को हटाने (इसे स्टैटिक $t=0$ फीचर्स से बदलने) से एरर में भारी वृद्धि हुई, जिससे यह पहचान हुआ कि लिक्विड रिस्पॉन्स ही सटीकता सुधार का प्राथमिक स्रोत है। इसी तरह, $\tau$ को लॉग-यूनिफॉर्मली सैंपल करना फिक्स्ड सिंगल-स्केल $\tau$ मानों की तुलना में अधिक मजबूत साबित हुआ।
कंडीशनिंग (Conditioning): L-RFM-Local सिस्टम ने स्टैटिक लोकलाइज्ड बेसलाइन्स की तुलना में काफी कम कंडीशन नंबर्स (2–5 ऑर्डर्स द्वारा) प्रदर्शित किए, जो लीस्ट-स्क्वायर्स सिस्टम में बेहतर ज्योमेट्री का सुझाव देते हैं।
लॉन्ग-टाइम इंटीग्रेशन: ब्लॉक मार्चिंग ने छोटे विंडोज़ में डोमेन को विभाजित करके एरर संचय को नियंत्रित करते हुए लंबे समय के अंतराल ( $T=2.0$ ) तक समाधान को सफलतापूर्वक विस्तारित किया।

5. महत्व और दावे (Significance and Claims)

पेपर का दावा है कि L-RFM फ्रोजन ट्रायल फंक्शन्स में रिलैक्सेशन स्केल्स को सीधे एम्बेड करके, इवोल्यूशनरी PDEs के लिए उच्च-सटीकता वाले निरंतर स्पेस-टाइम सरोगेट्स (surrogates) प्रदान करने का मार्ग प्रशस्त करता है। इसका महत्व निम्नलिखित में निहित है:

टेम्पोरल बॉटलनेक को हल करना: यह स्पष्ट रूप से टेम्पोरल रिस्पॉन्स स्पेक्ट्रम को पैरामीटराइज़ करके स्टिफ और मल्टी-स्केल शासन में स्टैटिक RFMs की विशिष्ट सीमा को संबोधित करता है।
सरलता बनाए रखना: यह लीनियर लीस्ट-स्क्वायर्स सॉल्वर की कम्प्यूटेशनल सादगी को बनाए रखता है और पूरी तरह से प्रशिक्षित न्यूरल नेटवर्क्स (PINNs) की नॉन-कॉन्वेक्स ऑप्टिमाइजेशन चुनौतियों या हिडन स्टेट्स को प्रशिक्षित करने की जटिलता से बचता है।
सैद्धांतिक आधार: यह एक सैद्धांतिक औचित्य (डेंसिटी और टेम्पोरल रैंक) प्रदान करता है कि क्यों सैंपलड रिलैक्सेशन स्केल्स फिक्स्ड-फीचर एप्रोक्सिमेशन में सुधार करते हैं।
व्यावहारिक उपयोगिता: विधि को विभिन्न प्रकार के PDE (लीनियर, नॉन-लीनियर, कॉम्प्लेक्स, मल्टी-डायमेंशनल) और विभिन्न समय पैमानों में प्रभावी दिखाया गया है, जो एक मजबूत विकल्प पेश करती है जहाँ टेम्पोरल-स्केल रिप्रेजेंटेशन ही एप्रोक्सिमेशन सटीकता को नियंत्रित करने वाला कारक है।

लेखक नोट करते हैं कि वर्तमान सीमाओं में डेंस असेंबली की कम्प्यूटेशनल लागत और पैच-वाइज स्ट्रक्चर का पूर्ण लाभ उठाने के लिए वेक्टरकृत कार्यान्वयन (vectorized implementations) की आवश्यकता शामिल है, लेकिन यह फ्रेमवर्क समय-निर्भर समस्याओं में फिक्स्ड-फीचर विधियों के लिए एक नया दिशा निर्धारित करता है।