🤖 machine learning

Uncertainty Quantification of Engineering Structures by Polynomial Chaos Expansion and Multivariate Active Learning

यह शोध पत्र एक अनुकूली क्रमिक नमूनाकरण (एडेप्टिव सीक्वेंशियल सैंपलिंग) विधि का प्रस्ताव करता है जो बहुपद अराजकता विस्तार (पॉलीनोमियल केओस एक्सपेंशन) सरोगेट मॉडल के निर्माण के लिए इनपुट स्पेस अन्वेषण और सं agregado विचरण शोषण (एग्रीगेटेड वेरिएंस एक्सप्लोइटेशन) के बीच संतुलन बनाकर कई रुचि की मात्राओं (क्वांटिटीज ऑफ इंटरेस्ट) को कुशलतापूर्वक संभालता है, जिससे गैर-क्रमिक दृष्टिकोणों की तुलना में सरोगेट सटीकता और स्थिरता में सुधार होता है।

मूल लेखक: Qitian Lu, Jafar Jafari-Asl, Panagiotis Spyridis, Lukas Novak

प्रकाशित 2026-06-17

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Qitian Lu, Jafar Jafari-Asl, Panagiotis Spyridis, Lukas Novak

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

यहाँ एक शोध पत्र (paper) का विवरण दिया गया है, जिसे जटिल इंजीनियरिंग गणित से रोज़मर्रा की अवधारणाओं में अनुवादित किया गया है।

मुख्य समस्या: "परीक्षण करने में बहुत महंगा है" वाली दुविधा

कल्पना कीजिए कि आप एक विशाल अपतटीय पवन टरबाइन (offshore wind turbine) डिजाइन करने वाले एक इंजीनियर हैं। आप जानना चाहते हैं कि विभिन्न परिस्थितियों में यह कैसा व्यवहार करेगा: तेज़ हवाएँ, बड़ी लहरें और पानी की बदलती गहराई। यह जानने के लिए, आप एक सुपर-कंप्यूटर सिमुलेशन का उपयोग करते हैं।

हालाँकि, इस सिमुलेशन को चलाना अविश्वसनीय रूप से धीमा और महंगा है। केवल स्थितियों के एक विशिष्ट सेट के लिए उत्तर प्राप्त करने में घंटों या कई दिन भी लग सकते हैं। यदि आप सुरक्षित रहने के लिए 10,000 अलग-अलग परिदृश्यों का परीक्षण करना चाहते हैं, तो इसमें वर्षों लग जाएंगे। आपके पास इतना समय या पैसा नहीं है।

इसलिए, इंजीनियर एक शॉर्टकट का उपयोग करते हैं जिसे "सरोगेट मॉडल" (Surrogate Model) (या "डिजिटल ट्विन") कहा जाता है। हर बार पूर्ण, भारी सिमुलेशन चलाने के बजाय, आप डेटा एकत्र करने के लिए इसे कुछ बार चलाते हैं, और फिर एक हल्का, तेज़ गणितीय सूत्र बनाते हैं जो अनुमान लगाता है कि भारी सिमुलेशन क्या कहेगा। यह बार-बार स्वाद चेक करने के लिए पूरी कड़ाही पीने के बजाय, तीन बार चखकर सूप का स्वाद सीखने जैसा है।

विशिष्ट चुनौती: एक साथ कई आउटपुट (Multiple Outputs)

इस शोध पत्र में, लेखक एक विशेष सिरदर्द से निपटते हैं: मल्टी-आउटपुट समस्याएँ (Multi-Output Problems)।

अधिकांश सिमुलेशन आपको केवल एक नंबर (जैसे "कुल तनाव") नहीं देते। वे एक साथ संख्याओं की एक सूची देते हैं। एक पवन टरबाइन के लिए, आपको मिल सकता है:

टावर कितनी दिशा में झुकता है।
यह कितना मुड़ता (twist) है।
फाउंडेशन (आधार) पर कितना तनाव है।
कंपन (vibration) का स्तर।

समस्या यह है कि ये विभिन्न आउटपुट अलग-अलग तरह से व्यवहार करते हैं। एक आउटपुट हवा की गति के प्रति बहुत संवेदनशील हो सकता है, जबकि दूसरा लहर की ऊंचाई के प्रति अधिक संवेदनशील हो सकता है। यदि आप झुकाव (bending) के लिए अच्छा अनुमान प्राप्त करने के लिए अपने परीक्षण बिंदु (test points) यादृच्छिक (randomly) रूप से चुनते हैं, तो हो सकता है कि आपका मरोड़ (twisting) के लिए अनुमान बहुत खराब हो जाए।

इसे ठीक करने का पुराना तरीका प्रत्येक आउटपुट के लिए अलग-अलग परीक्षण करना था। लेकिन यह आपके काम को दोगुना या तिगुना कर देता है, जो बहुत महंगा है। लेखक एक ऐसा तरीका चाहते थे जो एक ही समय में सभी आउटपुट के लिए अच्छे परीक्षण बिंदु चुन सके।

समाधान: "स्मार्ट स्काउट" रणनीति (एक्टिव लर्निंग)

लेखक एक विधि प्रस्तावित करते हैं जिसे वे "पॉलीनोमियल चाओस एक्सपेंशन (PCE)" नामक टूल का उपयोग करके "मल्टीवेरिएट एक्टिव लर्निंग" कहते हैं। PCE को उस विशिष्ट प्रकार के हल्के सूत्र के रूप में समझें जिसे वे बना रहे हैं।

उनकी रणनीति एक स्मार्ट स्काउट (जासूस) की तरह काम करती है जो एक अंधेरे, जटिल जंगल (सभी संभावित हवा/लहर स्थितियों के इनपुट स्पेस) की खोज कर रहा है:

छोटी शुरुआत करें: आप कुछ यादृच्छिक परीक्षण बिंदुओं के साथ शुरू करते हैं।
"विचलन" (अनिश्चितता) की तलाश करें: मॉडल अपने वर्तमान अनुमानों को देखता है और पूछता है, "मैं कहाँ सबसे अधिक अनिश्चित हूँ?" गणित में, इसे "वेरिएंस" (variance) कहा जाता है। उच्च वेरिएंस का अर्थ है कि मॉडल उस क्षेत्र में अंदाज़ा लगा रहा है।
"दूरी" की तलाश करें: मॉडल यह भी पूछता है, "मेरे मानचित्र में खाली स्थान कहाँ हैं?" वह नहीं चाहता कि उसके सभी परीक्षण एक ही स्थान पर केंद्रित हों; वह पूरे जंगल को कवर करना चाहता है।
"थीटा" ( $\Theta$ ) मानदंड: यह असली जादू है। यह ऊपर दिए गए दोनों प्रश्नों के बीच संतुलन बनाने वाला एक सूत्र है। यह प्रत्येक संभावित नए परीक्षण बिंदु के लिए एक स्कोर की गणना करता है।
- यह उन बिंदुओं को पुरस्कृत करता है जो उच्च अनिश्चितता (उच्च वेरिएंस) वाले क्षेत्रों में हैं।
- यह उन बिंदुओं को पुरस्कृत करता है जो पहले किए गए परीक्षणों से दूर (दूरी) हैं।
- महत्वपूर्ण रूप से, यह सभी आउटपुट को मिलाकर यह कार्य करता है। यह झुकाव, मरोड़ और तनाव की अनिश्चितता को एक एकल स्कोर में एकत्रित करता है।

उपमा: एक भित्ति चित्र (Mural) बनाना

कल्पना कीजिए कि आप एक विशाल, विस्तृत भित्ति चित्र पेंट कर रहे हैं, लेकिन आपके पास केवल सीमित ब्रश स्ट्रोक (ब्रश चलाने की संख्या) हैं।

पुराना तरीका (Random/LHS): आप कैनवास पर यादृच्छिक रूप से पेंट के बिंदु छिड़कते हैं। कुछ क्षेत्रों में बहुत अधिक बिंदु मिलते हैं, दूसरों में बिल्कुल नहीं। चित्र अव्यवस्थित और गलत दिखता है।
अलग-अलग तरीका: आप आकाश को सावधानी से पेंट करते हैं, फिर उसे मिटा देते हैं और ज़मीन को सावधानी से पेंट करते हैं। इससे समय बर्बाद होता है और रंग आपस में टकराते हैं।
लेखकों का तरीका (Active Learning): आप कैनवास को देखते हैं। आप देखते हैं कि आकाश धुंधला है (उच्च अनिश्चितता) और कोना खाली है (उच्च दूरी)। आप अपना अगला ब्रश स्ट्रोक वहां लगाते हैं। फिर आप फिर से देखते हैं। आप देखते हैं कि ज़मीन अब धुंधली है। आप अगला स्ट्रोक वहां लगाते हैं।

पूरे पेंटिंग में सबसे अधिक "धुंधलापन" कम करने वाले स्थान पर हमेशा अपना अगला स्ट्रोक लगाकर, आप यादृच्छिक विधि की तुलना में बहुत कम स्ट्रोक के साथ एक स्पष्ट, सटीक चित्र प्राप्त करते हैं।

उन्होंने क्या सिद्ध किया?

लेखकों ने इस "स्मार्ट स्काउट" रणनीति का तीन उदाहरणों पर परीक्षण किया:

एक गणितीय फलन जिसमें कठिन "सिंगुलैरिटीज" (तीव्र स्पाइक्स जिन्हें अनुमान लगाना कठिन है) हैं।
एक प्रबलित कंक्रीट (reinforced concrete) ब्रिज बीम (झुकाव और शियर बलों की जाँच करना)।
एक अपतटीय पवन टरबाइन (हवा और लहरों के तहत मोमेंट्स और विस्थापन की जाँच करना)।

परिणाम:

बेहतर सटीकता: उनका तरीका मानक यादृच्छिक विधि (Latin Hypercube Sampling) की तुलना में वास्तविक उत्तर के करीब तेज़ी से पहुँचा।
अधिक स्थिरता: यदि आप परीक्षण को 100 बार चलाते हैं, तो उनका तरीका बहुत सुसंगत परिणाम देता है। यादृच्छिक विधि कभी भाग्यशाली होती थी और कभी दुर्भाग्यपूर्ण; उनका तरीका विश्वसनीय रूप से अच्छा था।
चरम स्थितियों को पकड़ने में बेहतर: इंजीनियरिंग में, आप सबसे खराब स्थिति (जैसे सबसे शक्तिशाली तूफान) के बारे में सबसे अधिक चिंतित होते हैं। उनका तरीका इन चरम बिंदुओं को खोजने में बेहतर था क्योंकि यह उच्च वेरिएंस वाले क्षेत्रों पर ध्यान केंद्रित करता है।

सारांश

यह शोध पत्र कंप्यूटर सिमुलेशन के लिए डेटा बिंदु चुनने का एक स्मार्ट तरीका पेश करता है जो कई परिणाम उत्पन्न करते हैं। यह अनुमान लगाने के बजाय कि परीक्षण कहाँ करना है, एल्गोरिदम सक्रिय रूप से अगले परीक्षण बिंदु को चुनता है कि वह कहाँ सबसे अधिक अनिश्चित है और उसने अभी तक कहाँ नहीं देखा है, जिससे सभी विभिन्न आउटपुट की आवश्यकताओं के बीच संतुलन बनता है। यह भविष्यवाणियों को अधिक सटीक और विश्वसनीय बनाकर समय और पैसा बचाता है।

तकनीकी सारांश: पॉलीनोमियल चाओस एक्सपेंशन और मल्टीवेरिएट एक्टिव लर्निंग द्वारा इंजीनियरिंग संरचनाओं का अनिश्चितता परिमाणीकरण

समस्या विवरण
इंजीनियरिंग अनुप्रयोगों में, उच्च-निष्ठा वाले मॉडल (जैसे, परिमित तत्व सिमुलेशन) अक्सर समान इनपुट मापदंडों के तहत एक साथ कई क्वांटिटीज ऑफ इंटरेस्ट (QoIs) उत्पन्न करते हैं। इन मल्टी-आउटपुट प्रणालियों के लिए अनिश्चितता परिमाणीकरण (Uncertainness Quantification - UQ) अत्यधिक गणनात्मक रूप से महंगा है, जिसके लिए पॉलीनोमियल चाओस एक्सपेंशन (PCE) जैसे सरोगेट मॉडल की आवश्यकता होती है। रिग्रेशन के माध्यम से निर्मित गैर-आक्रामक (non-intrusive) PCE सरोगेट्स की सटीकता, प्रयोगात्मक डिजाइन (ED), या प्रशिक्षण डेटा की गुणवत्ता पर अत्यधिक निर्भर करती है।

मानक स्टेटिक सैंपलिंग विधियाँ (जैसे, मोंटे कार्लो, लैटिन हाइपरक्यूब सैंपलिंग) सभी बिंदुओं को पूर्व निर्धारित (a priori) चुनती हैं और पहले से मूल्यांकित नमूनों से प्राप्त जानकारी का लाभ नहीं उठा सकती हैं। जबकि सिंगल-आउटपुट PCE के लिए एडेप्टिव सीक्वेंशियल सैंपलिंग (एक्टिव लर्निंग) मौजूद है, इसे मल्टी-आउटपुट परिदृश्यों तक विस्तारित करना गैर-तुच्छ (non-trivial) है। प्रत्येक आउटपुट के लिए अलग सैंपलिंग करने से गणनात्मक लागत बढ़ जाती है और आउटपुट के बीच सहसंबंधों (correlations) की अनदेखी होती है, जिससे डेटा निरंतरता से समझौता हो सकता है। इसके अलावा, विभिन्न आउटपुट अलग-अलग संवेदनशीलता और जटिलता प्रदर्शित कर सकते हैं, जिससे सभी आउटपुट के लिए एक ही स्टेटिक डिजाइन अपर्याप्त हो जाता है।

कार्यप्रणाली
लेखक मल्टी-आउटपुट PCE सरोगेट्स के लिए एक सामान्यीकृत एडेप्टिव सीक्वेंशियल सैंपलिंग रणनीति प्रस्तावित करते हैं, जो नोवाक एट अल. द्वारा विकसित सिंगल-आउटपुट $\Theta$ मानदंड का विस्तार करती है। यह विधि एक कैंडिडेट पूल फ्रेमवर्क के भीतर कार्य करती है:

आरंभीकरण (Initialization): एक छोटे प्रारंभिक ED का उपयोग करके एक प्रारंभिक PCE सरोगेट बनाया जाता है।
कैंडिडेट पूल: संभावित नए नमूनों के भंडार के रूप में कार्य करने के लिए कैंडिडेट बिंदुओं का एक बड़ा सेट (जैसे, LHS के माध्यम से) उत्पन्न किया जाता है।
मल्टी-आउटपुट $\Theta$ मानदंड: कैंडिडेट पूल से नए नमूने $\Theta(\xi^{(c)})$ $Θ (ξ^{(c)})$ नामक मानदंड को अधिकतम करके क्रमवार (sequentially) चुने जाते हैं, जो एक्सप्लोइटेशन (विचरण योगदान) और एक्सप्लोरेशन (स्थानिक वितरण) के बीच संतुलन बनाता है। मानदंड को इस प्रकार परिभाषित किया गया है:
$\Theta(\xi^{(c)}) = \sqrt{\left( \sum_{r=1}^{N_{out}} \frac{\sigma_r^2(\xi^{(c)})}{\max_{\xi_i^{(c)} \in S_c} \sigma_r^2(\xi_i^{(c)})} \right) \left( \sum_{r=1}^{N_{out}} \frac{\sigma_r^2(\xi^{(s)})}{\max_{\xi_i^{(s)} \in S_s} \sigma_r^2(\xi_i^{(s)})} \right)} \times l_{c,s}^M$
जहाँ:
- $\xi^{(c)}$ एक कैंडिडेट बिंदु है और $\xi^{(s)}$ वर्तमान ED में उसका निकटतम पड़ोसी है।
- $\sigma_r^2(\xi)$ बिंदु $\xi$ पर $r$ -वें आउटपुट का स्थानीय विचरण योगदान (local variance contribution) है, जो PCE गुणांकों से प्राप्त होता है।
- पहला पद सभी $N_{out}$ आउटपुटों में सामान्यीकृत विचरण एकत्रीकरण का ज्यामितीय माध्य (geometric mean) है, जो कैंडिडेट और उसके निकटतम पड़ोसी के लिए है। यह सामान्यीकरण यह सुनिश्चित करता है कि विभिन्न विचरण परिमाण वाले आउटपुट समान रूप से मानदंड में योगदान दें।
- $l_{c,s}^M$ कैंडिडेट और उसके निकटतम पड़ोसी के बीच यूक्लिडियन दूरी है, जो स्पेस-फिलिंग (एक्सप्लोरेशन) को बढ़ावा देती है।

ज्यामितीय माध्य का उपयोग अंकगणितीय माध्य के बजाय किया जाता है ताकि उन कैंडिडेट को दंडित किया जा सके जो नगण्य विचरण घनत्व वाले क्षेत्रों (जैसे, गाऊसी वितरण के दूर के पूंछ/tails) में स्थित होते हैं, जिससे ऐसे बिंदुओं के चयन को रोका जा सके जो स्थानिक रूप से दूर हैं लेकिन सांख्यिकीय रूप से महत्वहीन हैं।

प्रमुख योगदान

एक्टिव लर्निंग का सामान्यीकरण: यह शोध पत्र सिंगल-आउटपुट से मल्टी-आउटपुट PCE सरोगेट निर्माण के लिए विचरण-आधारित $\Theta$ मानदंड का सामान्यीकरण करता है।
सामान्यीकृत विचरण एकत्रीकरण: एक नया सामान्यीकरण योजना पेश की गई है जो कई आउटपुट से विचरण योगदान को एकत्रित करती है, जिससे यह सुनिश्चित होता है कि सैंपलिंग रणनीति स्वाभाविक रूप से उच्च विचरण परिमाण वाले आउटपुट द्वारा हावी न हो जाए।
संतुलित मानदंड: प्रस्तावित मानदंड उच्च-विचरण क्षेत्रों (जहाँ सरोगेट अनिश्चित है) के एक्सप्लोइटेशन और इनपुट स्पेस के एक्सप्लोरेशन (दूरी मेट्रिक्स के माध्यम से) के बीच स्पष्ट रूप से संतुलन बनाता है, जो वेक्टर-वैल्यूड QoIs के लिए अनुकूलित है।

परिणाम
प्रस्तावित विधि का तीन संख्यात्मक उदाहरणों का उपयोग करके LHS के विरुद्ध सत्यापन किया गया है:

2D मिरर लाइन सिंगुलैरिटीज: एक सिंथेटिक फंक्शन जिसमें स्थानीयकृत सिंगुलैरिटीज हैं। $\Theta$ मानदंड ने LHS की तुलना में MAE और सापेक्ष विचरण त्रुटि को तेजी से कम किया, और बार-बार किए गए रन में काफी कम परिवर्तनशीलता दिखाई। नमूने सिंगुलर कर्व्स के आसपास प्रभावी ढंग से क्लस्टर हुए।
रीइन्फोर्स्ड कंक्रीट बीम: 8 रैंडम वेरिएबल्स द्वारा संचालित एक तीन-स्पैन निरंतर बीम जिसमें 15 आउटपुट (बेंडिंग मोमेंट्स और शियर फोर्सेस) हैं। $\Theta$ मानदंड ने अधिकतम एब्सोल्यूट एरर ( $AE_{max}$ ) को कम करने और सरोगेट स्थिरता (लोअर लीव-वन-आउट एरर, $1-Q^2$ ) में सुधार करने में बेहतर प्रदर्शन किया। इसने जटिल रिस्पॉन्स सरफेस वाले आउटपुट्स के लिए अधिक मजबूत द्वितीय-क्रम सांख्यिकी अनुमान प्रदान किया।
ऑफशोर विंड टर्बाइन (OWT): दो मामलों का विश्लेषण किया गया: (a) विंड-इंड्यूस्ड मोमेंट्स (2 आउटपुट) और (b) मल्टीफिजिक्स कपल्ड डिस्प्लेसमेंट्स (2 आउटपुट, 5 इनपुट)। दोनों मामलों में, $\Theta$ मानदंड ने LHS की तुलना में कम $AE_{max}$ और विचरण अनुमानों का तेज़ अभिसरण (convergence) प्राप्त किया। मल्टीफिजिक्स मामले में, एक पूर्व-निर्धारित कैंडिडेट पूल द्वारा सीमित होने के बावजूद, $\Theta$ मानदंड ने शुरुआती और मध्यवर्ती चरणों में तेजी से सुधार दिखाया।

महत्व और दावे
शोध का दावा है कि प्रस्तावित मल्टी-आउटपुट $\Theta$ मानदंड सीमित गणनात्मक बजट के तहत मल्टी-आउटपुट PCE सरोगेट्स के लिए अधिक कुशल और मजबूत सैंपलिंग रणनीति प्रदान करता है। प्रमुख लाभ निम्नलिखित हैं:

बेहतर सटीकता और स्थिरता: यह भविष्यवाणी त्रुटियों (विशेष रूप से वर्स्ट-केस एरर) को कम करता है और बार-बार होने वाले वास्तविक क्रियान्वयन (realizations) में सरोगेट मॉडल की स्थिरता को बढ़ाता है।
कुशल विचरण अनुमान: यह कम नमूनों के साथ द्वितीय-क्रम सांख्यिकी (विचरण) के अधिक विश्वसनीय अनुमान प्रदान करता है।
एकीकृत सैंपलिंग: यह मल्टी-आउटपुट जानकारी को एकत्रित करने वाले एक एकीकृत मानदंड का उपयोग करके प्रत्येक आउटपुट के लिए अलग सैंपलिंग की विसंगति और गणनात्मक ओवरहेड से बचाता है।

लेखक सीमाओं को भी स्वीकार करते हैं, जिसमें एक पूर्व-निर्धारित कैंडिडेट पूल पर निर्भरता (जो उच्च आयामों में जनरेट करना महंगा हो सकता है) और उच्च-आयामी स्पार्स रिग्रेशन में बार-बार मॉडल अपडेट करने का गणनात्मक ओवरहेड शामिल है। वे सुझाव देते हैं कि भविष्य के कार्य में प्रिंसिपल कंपोनेंट एनालिसिस (PCA) जैसी तकनीकों के माध्यम से आउटपुट सहसंबंधों को शामिल करना या इसे मल्टी-एलिमेंट PCE के साथ जोड़ना शामिल हो सकता है।