🔢 mathematics

PI-DOSnet: A Physics-Informed Deep Operator-Splitting Network for Evolution Partial Differential Equations

यह शोध पत्र PI-DOSnet को प्रस्तुत करता है, जो एक भौतिकी-सूचित (physics-informed) डीप ऑपरेटर-स्प्लिटिंग नेटवर्क है जो भौतिक बाधाओं और ऑपरेटर स्प्लिटिंग तकनीकों को एकीकृत करके विकास आंशिक अंतर समीकरणों (evolution partial differential equations) के लिए डेटा-मुक्त प्रशिक्षण और स्थिर दीर्घकालिक अनुमान सक्षम बनाता है।

मूल लेखक: Jizu Huang, Yue Qian, Tao Zhou

प्रकाशित 2026-06-23

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jizu Huang, Yue Qian, Tao Zhou

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 पानी के गिलास में स्याही की एक बूंद कैसे फैलती है, या जंगल में आग कैसे फैलती है। ये वे समस्याएँ हैं जिन्हें इवोल्यूशन पार्शियल डिफरेंशियल इक्वेशंस (Evolution PDEs) द्वारा वर्णित किया जाता है। दशकों से, वैज्ञानिक इन समस्याओं को हल करने के लिए पारंपरिक गणितीय उपकरणों का उपयोग करते आ रहे हैं, लेकिन वे धीमे हो सकते हैं, विशेष रूप से जटिल, उच्च-आयामी (high-dimensional) समस्याओं के लिए।

हाल के वर्षों में, AI (विशेष रूप से डीप लर्निंग) ने इन्हें हल करने का एक नया तरीका पेश किया है। हालाँकि, अधिकांश AI विधियों में एक बड़ी कमी है: उन्हें विशाल मात्रा में डेटा (जैसे स्याही फैलने के हजारों वीडियो) की आवश्यकता होती है ताकि वे सीख सकें। यदि आपके पास वह डेटा नहीं है, या यदि भौतिकी इतनी जटिल है कि पर्याप्त डेटा प्राप्त करने के लिए उसे बार-बार सिम्युलेट करना कठिन है, तो ये AI मॉडल विफल हो जाते हैं।

यह पेपर एक नया AI मॉडल पेश करता है जिसे PI-DOSnet कहा जाता है। इसे एक "स्मार्ट फिजिक्स स्टूडेंट" के रूप में समझें जिसे सीखने के लिए पिछले उदाहरणों के पुस्तकालय की आवश्यकता नहीं है; इसके बजाय, यह सीधे भौतिकी के नियमों से सीखता है।

यह कैसे काम करता है, यहाँ सरल अवधारणाओं में दिया गया है:

1. "स्प्लिटिंग" रणनीति (शेफ का चाकू)

कल्पना कीजिए कि आप एक शेफ हैं जो एक जटिल व्यंजन बनाने की कोशिश कर रहे हैं जिसमें सब्जियां काटना, पानी उबालना और मांस तलना शामिल है। तीनों काम एक साथ करना अव्यवद्य और कठिन है।

पारंपरिक AI पूरे व्यंजन को एक ही विशाल, भ्रमित करने वाले चरण में सीखने की कोशिश करता है।
PI-DOSnet एक तकनीक का उपयोग करता है जिसे ऑपरेटर स्प्लिटिंग (Operator Splitting) कहा जाता है। यह एक ऐसे शेफ की तरह काम करता है जो कार्यों को अलग करता है: "पहले, मैं सिर्फ सब्जियां काटूँगा। फिर, मैं सिर्फ पानी उबालूँगा।"
गणित की दुनिया में, मॉडल जटिल समीकरण को एक लीनियर भाग (आसान, अनुमानित चीजें जैसे डिफ्यूजन) और एक नॉन-लीनियर भाग (जटिल चीजें जैसे रिएक्शंस) में विभाजित करता है। यह उन्हें अलग-अलग संभालता है और फिर परिणामों को जोड़ देता है। यह समस्या को AI के लिए पचाने में बहुत आसान बना देता है।

2. "फिजिक्स-इन्फॉर्म्ड" मस्तिष्क (किताबों की जरूरत नहीं)

अधिकांश AI मॉडल उन छात्रों की तरह होते हैं जो केवल उत्तर कुंजियों (इनपुट-आउटपुट डेटा पेयर्स) को रटकर सीखते हैं। यदि शिक्षक ऐसा प्रश्न पूछता है जो पुस्तक में नहीं है, तो छात्र विफल हो जाता है।

PI-DOSnet अलग है। यह फिजिक्स-इन्फॉर्म्ड (Physics-Informed) है। उत्तरों को रटने के बजाय, इसे "पाठ्यपुस्तक" (वह वास्तविक गणितीय समीकरण जो सिस्टम को नियंत्रित करता है) दी जाती है और कहा जाता है, "आपको इन नियमों का पालन करना होगा।"
यह अपने काम की जांच भौतिकी के नियमों के विरुद्ध करता है। यदि इसका अनुमान किसी भौतिक नियम (जैसे ऊर्जा का संरक्षण) का उल्लंघन करता है, तो इसे पता चल जाता है कि यह गलत है और यह खुद को सुधार लेता है। इसका मतलब है कि यह बिना किसी पूर्व-रिकॉर्ड किए गए डेटा की आवश्यकता के सीख सकता है। इसे केवल समीकरण और शुरुआती स्थितियों की आवश्यकता है।

3. "टाइम मशीन" फीचर (भविष्य देखना)

इन समस्याओं के लिए पारंपरिक AI मॉडल आमतौर पर "समय 0" से "समय 10" तक एक बड़ी छलांग लगाकर सीखने की कोशिश करते हैं। यदि आप उनसे पूछते हैं कि "समय 5" पर क्या होता है, तो वे अक्सर भ्रमित हो जाते हैं या उन्हें फिर से प्रशिक्षित करने की आवश्यकता होती है।

PI-DOSnet समय (Time) को एक विशिष्ट सामग्री के रूप में मानता है जिसका यह स्वाद ले सकता है। आप इसे बता सकते हैं, "मुझे समय 5 की स्थिति दिखाएं," या "मुझे समय 100 दिखाएं," और यह इसे सीधे कैलकुलेट कर लेगा।
बहुत लंबे समय (जैसे पूरे साल के मौसम की भविष्यवाणी करना) को संभालने के लिए, यह एक इटरेटिव (iterative) रणनीति का उपयोग करता है। यह अगले घंटे की भविष्यवाणी करता है, उस परिणाम को अगले घंटे के शुरुआती बिंदु के रूप में उपयोग करता है, और इसे दोहराता है। यह एक लंबी राह को एक बार में पूरी दूरी तय करने के बजाय, एक कदम लेने, फिर उस नए स्थान का उपयोग अगला कदम लेने के लिए करने जैसा है।

4. यह पुराने तरीकों से बेहतर क्यों है

पेपर का दावा है कि PI-DOSnet तीन बड़ी समस्याओं को हल करता है:

डेटा की आवश्यकता नहीं: इसे महंगे, पूर्व-गणना किए गए डेटासेट्स की आवश्यकता नहीं है। यह गणित से ही सीखता है।
स्थिरता (Stability): भविष्य की भविष्यवाणी करते समय, कई AI मॉडल भटकने लगते हैं और अर्थहीन हो जाते हैं। PI-DOSnet को समय के बड़े "कदम" लेते समय भी स्थिर रहने के लिए डिज़ाइन किया गया है।
दक्षता (Efficiency): यह पारंपरिक तरीकों की तुलना में तेज़ है और कम कंप्यूटर संसाधनों का उपयोग करता है, विशेष रूप से उच्च-रिज़ॉल्यूशन वाले सिमुलेशन के लिए।

पेपर में वास्तविक दुनिया के परीक्षण

लेखकों ने इस "स्मार्ट स्टूडेंट" का परीक्षण कई क्लासिक भौतिकी समस्याओं पर किया:

कन्वेक्शन (Convection - बहते हुए तरल पदार्थ): जैसे धुआं उड़ता हुआ हवा। मॉडल ने बिना पुन: प्रशिक्षित हुए लंबे समय तक धुएं के पथ की सटीक भविष्यवाणी की।
डिफ्यूजन-रिएक्शन (Diffusion-Reaction): जैसे एक रसायन फैलना और प्रतिक्रिया करना। इसने बड़े टाइम स्टेप्स के साथ भी इसे सटीक रूप से संभाला।
एलन-कैन समीकरण (Allen-Cahn Equation): यह मॉडल करता है कि सामग्रियां कैसे अलग होती हैं (जैसे तेल और पानी)। मॉडल सिस्टम की ऊर्जा की सही भविष्यवाणी करने में सक्षम था, जो दर्शाता है कि यह भौतिक नियमों का सम्मान करता है।
ग्रॉस-पिटाएव्स्की समीकरण (Gross-Pitaevskii Equation): यह क्वांटम कणों (बोस-आइंस्टीन कंडेनसेट्स) का वर्णन करता है। मॉडल ने इन क्वांटम सिस्टम में जटिल, लहरदार पैटर्न की सफलतापूर्वक भविष्यवाणी की।

मुख्य निष्कर्ष

PI-DOSnet एक नए प्रकार का AI है जो जटिल, समय के साथ बदलने वाली भौतिक समस्याओं को हल करता है:

समस्या को छोटे, प्रबंधनीय टुकड़ों में तोड़कर (Splitting)।
डेटा को रटने के बजाय सीधे भौतिकी के नियमों से सीखकर (Physics-Informed)।
दीर्घकालिक सटीकता सुनिश्चित करने के लिए समय के माध्यम से सावधानीपूर्वक कदम रखकर।

यह जटिल भौतिक प्रणालियों को तेज़ी से और सटीक रूप से सिम्युलेट करने का एक तरीका प्रदान करता है, भले ही हमारे पास सीखने के लिए पिछले उदाहरणों का कोई विशाल डेटाबेस न हो।

तकनीकी सारांश: PI-DOSnet: इवोल्यूशन पार्शियल डिफरेंशियल इक्वेशंस के लिए एक फिजिक्स-इन्फॉर्म्ड डीप ऑपरेटर-स्प्लिटिंग नेटवर्क

समस्या विवरण
इवोल्यूशन पार्शियल डिफरेंशियल इक्वेशंस (PDEs) समय-निर्भर भौतिक प्रणालियों का वर्णन करते हैं, लेकिन पारंपरिक संख्यात्मक विधियों (जैसे FEM, FVM) और मौजूदा डीप लर्निंग दृष्टिकोणों का उपयोग करके इन्हें हल करना कम्प्यूटेशनल रूप से महंगा है। जबकि डेटा-संचालित ऑपरेटर लर्निंग विधियाँ (जैसे DeepONet और FNO) फंक्शन स्पेस के बीच मैपिंग सीखने के लिए कुशल अनुमान (inference) प्रदान करती हैं, उन्हें आमतौर पर युग्मित इनपुट-आउटपुट अवलोकनों के बड़े डेटासेट की आवश्यकता होती है, जिन्हें समय-निर्भर समस्याओं के लिए उत्पन्न करना महंगा होता है। इसके अतिरिक्त, शुद्ध डेटा-संचालित मॉडल अक्सर भौतिक नियमों को स्पष्ट रूप से लागू करने में विफल रहते हैं, जिससे दीर्घकालिक एकीकरण (long-time integration) के दौरान त्रुटि संचय और खराब सामान्यीकरण होता है। इसके विपरीत, फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स (PINNs) युग्मित डेटा की आवश्यकता को समाप्त करते हैं, लेकिन अक्सर दीर्घकालिक सिमुलेशन में धीमी अभिसरण (convergence) और अस्थिरता से ग्रस्त होते हैं। एक ऐसे ढांचे की आवश्यकता बनी हुई है जो ऑपरेटर स्प्लिटिंग की दक्षता, डेटा-मुक्त भौतिकी-सूचित शिक्षण की प्रकृति, और बड़े डेटासेट पर पुन: प्रशिक्षण के बिना स्थिर दीर्घकालिक अनुमान करने की क्षमता को जोड़ सके।

कार्यप्रणाली: PI-DOSnet
लेखक PI-DOSnet (फिजिक्स-इन्फॉर्म्ड डीप ऑपरेटर-स्प्लिटिंग नेटवर्क) प्रस्तावित करते हैं, जो DOSnet आर्किटेक्चर को भौतिकी-सूचित बाधाओं (constraints) के साथ एकीकृत करता है।

आर्किटेक्चर और ऑपरेटर स्प्लिटिंग: PI-DOSnet, DOSnet के "ऑटोफ्लो" (Autoﬂow) संरचना को अपनाता है, जो PDE विकास को ऑपरेटर स्प्लिटिंग ब्लॉक्स (OSBs) के एक अनुक्रम में विभाजित करता है। प्रत्येक ब्लॉक लीनियर और नॉन-लीनियर लेयर्स के बीच बारी-बारी से काम करता है, जो Lie-Trotter या Strang स्प्लिटिंग विधियों की नकल करता है।
फिजिक्स-इन्फॉर्म्ड लीनियर एप्रोक्सिमेशन: DOSnet के विपरीत, जो लीनियर ऑपरेटर को सीखने के लिए डेटा पर निर्भर करता है, PI-DOSnet लीनियर इवोल्यूशन ऑपरेटर $e^{\tau L}$ को एक सेकंड-ऑर्डर टेलर एक्सपेंशन का उपयोग करके अनुमानित करता है: $I + \tau L_\theta + \frac{\tau^2}{2}L_\theta^2$ । यहाँ, $L_\theta$ लीनियर ऑपरेटर $L$ का एक सीखने योग्य कनवल्शनल एप्रोक्सिमेशन है। यह स्पष्ट सूत्रीकरण नेटवर्क को ऑटोमैटिक डिफरेंशिएशन के माध्यम से समय डेरिवेटिव की गणना करने की अनुमति देता है।
इनपुट डिज़ाइन: PI-DOSnet प्रारंभिक स्थिति $u_0(x)$ के साथ-साथ समय चर $t$ को एक नेटवर्क इनपुट के रूप में स्पष्ट रूप से शामिल करता है। यह मानक DOSnet के विपरीत है, जो केवल एक निश्चित टर्मिनल समय पर समाधान आउटपुट करता है। यह डिज़ाइन नेटवर्क की गहराई बढ़ाए बिना किसी भी समय $t \in [0, T]$ पर समाधानों की भविष्यवाणी करने में सक्षम बनाता है।
प्रशिक्षण रणनीति: मॉडल को PDE रेसिड्यूल (residual) और बाउंड्री कंडीशंस के उपयोग वाले फिजिक्स-इन्फॉर्म्ड लॉस फंक्शन का उपयोग करके प्रशिक्षित किया जाता है, जो युग्मित इनपुट-आउटपुट डेटा की आवश्यकता को समाप्त कर देता है। स्थानिक डेरिवेटिव्स (spatial derivatives) को फाइनाइट डिफरेंस स्कीम्स का उपयोग करके अनुमानित किया जाता है, जबकि समय डेरिवेटिव्स की गणना ऑटोमैटिक डिफरेंशिएशन के माध्यम से की जाती है।
दीर्घकालिक अनुमान और पुन: प्रशिक्षण: $[0, T]$ अंतराल के परे समाधानों की भविष्यवाणी करने के लिए, PI-DOSnet एक पुनरावृत्ति रणनीति अपनाता है जहाँ समय $T$ पर आउटपुट अगले अंतराल के लिए इनपुट के रूप में कार्य करता है। दीर्घकालिक अनुमान के दौरान त्रुटि संचय और दोलनों (oscillations) को कम करने के लिए, लेखक एक रीट्रेनिंग मैकेनिज्म पेश करते हैं: यदि रेसिड्यूल का मीन स्क्वायर एरर (MSE) एक टॉलरेंस थ्रेशोल्ड से अधिक हो जाता है, तो अनुमानित अवस्थाओं को प्रशिक्षण सेट में जोड़ा जाता है, और नेटवर्क को पुन: प्रशिक्षित किया जाता है।

प्रमुख योगदान

डेटा-फ्री ऑपरेटर लर्निंग: PI-DOSnet एक फिजिक्स-इन्फॉर्म्ड ऑपरेटर लर्निंग फ्रेमवर्क है जिसे युग्मित इनपुट-आउटपुट प्रशिक्षण डेटा की आवश्यकता नहीं है, यह केवल गवर्निंग PDE और प्रारंभिक/बाउंड्री कंडीशंस पर निर्भर करता है।
आर्बिट्ररी टाइम इन्फरेंस: समय को एक स्पष्ट इनपुट के रूप में उपयोग करके और टेलर एक्सपेंशन का लाभ उठाकर, नेटवर्क किसी भी टाइम स्टेप पर समाधानों की भविष्यवाणी कर सकता है, जो मानक ऑपरेटर स्प्लिटिंग नेटवर्क्स की फिक्स्ड-टाइम सीमा को पार करता है।
स्थिरता और दक्षता: पेपर एक लीनियर स्टेबिलिटी एनालिसिस प्रदान करता है जो दिखाता है कि सीखा गया लीनियर ऑपरेटर पारंपरिक विवेकीकरणों (discretizations) की तुलना में स्थानिक मेश रिफाइनमेंट के प्रति कम संवेदनशील है। यह PI-DOSnet को स्थिरता बनाए रखते हुए, प्रशिक्षण और अनुमान लागत को कम करने के लिए बड़े टाइम स्टेप्स और कम नेटवर्क ब्लॉक्स का उपयोग करने की अनुमति देता है।
इटरेटिव रीट्रेनिंग स्ट्रैटेजी: एक मजबूत अनुमान प्रोटोकॉल स्थापित किया गया जो विस्तारित समय क्षितिज (time horizons) पर सटीकता बनाए रखने के लिए अनुमानित अवस्थाओं के साथ प्रशिक्षण सेट को गतिशील रूप से बढ़ाता है।

संख्यात्मक परिणाम
लेखक चार बेंचमार्क समस्याओं पर PI-DOSnet को मान्य करते हैं:

कन्वेक्शन इक्वेशन (Convection Equation): PI-DOSnet ने लंबे समय के अंतराल ( $t=10T$ ) पर उच्च सटीकता (सापेक्ष $L_2$ एरर $\approx 3.15 \times 10^{-3}$ ) प्राप्त की। यह दिखाया गया कि लॉन्ग-टाइम इन्फरेंस के लिए सेकंड-ऑर्डर टेलर एक्सपेंशन, फर्स्ट-ऑर्डर एप्रोक्सिमेशन की तुलना में श्रेष्ठ है।
डिफ्यूजन-रिएक्शन इक्वेशन (Diffusion-Reaction Equation): पद्धति ने प्रदर्शित किया कि प्रत्येक ब्लॉक में टाइम स्टेप साइज बढ़ाने से सटीकता में महत्वपूर्ण गिरावट नहीं आई, जो पारंपरिक संख्यात्मक विधियों के विपरीत है। सटीकता और दक्षता के बीच इष्टतम संतुलन 2 ब्लॉक्स के साथ पाया गया।
एलन-कैन इक्वेशन (Allen-Cahn Equation): PI-DOSnet ने $t=10T$ तक 1D और 2D मामलों को सफलतापूर्वक हल किया। रीट्रेनिंग रणनीति ने प्रभावी रूप से अनुमान त्रुटियों को कम किया। विशेष रूप से, नेटवर्क ने सिस्टम के ऊर्जा अपव्यय नियम (energy dissipation law) को संरक्षित किया, जिसमें अनुमानित ऊर्जा संदर्भ समाधानों के करीब थी। स्थिरता विश्लेषण से पता चला कि सीखा गया ऑपरेटर का स्पेक्ट्रल रेडियस मेश रेजोल्यूशन के साथ धीरे-धीरे बढ़ता है, जो पारंपरिक स्कीम्स के विपरीत है जिन्हें बढ़ते रेजोल्यूशन के साथ बहुत छोटे टाइम स्टेप्स (CFL कंडीशन) की आवश्यकता होती है।
ग्रॉस-पिटाएव्स्की इक्वेशन (Gross-Pitaevskii Equation): फ्रेमवर्क ने इस नॉन-लीनियर श्रोडिंगर-टाइप समीकरण के लिए कॉम्प्लेक्स-वैल्यूड सॉल्यूशंस को संभाला, और सॉलिटरी-वेव आइडेंटिफिकेशन कार्यों के लिए सटीक भविष्यवाات प्राप्त कीं।

महत्व और दावे
पेपर का दावा है कि PI-DOSnet डेटा-संचालित ऑपरेटर लर्निंग और फिजिक्स-इन्फॉर्म्ड विधियों के बीच के अंतर को पाटकर, इवोल्यूशन PDEs को हल करने के लिए एक मजबूत और कुशल फ्रेमवर्क प्रदान करता है। इसका प्राथमिक महत्व स्पष्ट टाइम-स्टेप इंटीग्रेशन के बिना और बड़े युग्मित डेटासेट की आवश्यकता के बिना दीर्घकालिक अनुमान करने की इसकी क्षमता में निहित है। लेखक जोर देते हैं कि यह विधि बड़े टाइम स्टेप्स के साथ भी ऊर्जा-स्थिर समाधान प्राप्त करती है और विभिन्न स्थानिक रेजोल्यूशन के बीच सटीकता बनाए रखती है जहाँ पारंपरिक विधियाँ स्थिरता बाधाओं के कारण विफल हो जाती हैं।

लेखक विनम्रतापूर्वक शेष चुनौतियों को स्वीकार करते हैं, यह नोट करते हुए कि वर्तमान फ्रेमवर्क को जटिल ज्यामितीय डोमेन (intricate geometric domains), उच्च-आयामी समस्याओं (high-dimensional problems), और लो-रेगुलैरिटी सॉल्यूशंस वाले मामलों के साथ कठिनाई होती है, जिन्हें भविष्य के कार्य के रूप में पहचाना गया है।