🤖 machine learning

Neural Operator Processes for Probabilistic Operator Learning under Partial Observations

यह शोध पत्र न्यूरल ऑपरेटर प्रोसेसेज (NOPs) को प्रस्तुत करता है, जो एक एकीकृत ढांचा है जो न्यूरल ऑपरेटरों के साथ न्यूरल प्रक्रियाओं को जोड़ता है ताकि स्थानीय ज्यामितीय संदर्भ को लेटेंट स्टोकेस्टिक वेरिएबल्स के साथ प्रभावी ढंग से एकीकृत करके विरल, आंशिक अवलोकनों से पूर्ण समाधान क्षेत्रों के संभाव्य पूर्वानुमान को सक्षम बनाया जा सके।

मूल लेखक: Jose Miguel Lara-Rangel, Serge Guillas

प्रकाशित 2026-06-23

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jose Miguel Lara-Rangel, Serge Guillas

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 पूरे शहर के लिए मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं, लेकिन आपके पास केवल कुछ बिखरे हुए थर्मामीटर और रेन गेज (वर्षामापी) हैं। आपके पास हर सड़क के कोने पर सेंसर का एक घना नेटवर्क नहीं है। भौतिकी और इंजीनियरिंग की दुनिया में, यह एक सामान्य समस्या है: वैज्ञानिकों को बहुत सीमित, अव्यवस्थित डेटा के आधार पर जटिल प्रणालियों (जैसे तरल प्रवाह या ऊष्मा वितरण) की भविष्यवाणी करने की आवश्यकता होती है।

लंबे समय तक, इस काम के लिए सबसे अच्छे उपकरण, जिन्हें न्यूरल ऑपरेटर्स (Neural Operators) कहा जाता था, वे उच्च-स्तरीय मौसम मॉडल की तरह थे जिन्हें काम करने के लिए एक पूर्ण, घने ग्रिड वाले डेटा की आवश्यकता होती थी। यदि आप उन्हें विरल (sparse) डेटा देते, तो वे संघर्ष करते। वहीं दूसरी ओर, न्यूरल प्रोसेसेज (Neural Processes) नामक एक अन्य प्रकार का AI विरल डेटा से कार्यों का अनुमान लगाने में माहिर था, लेकिन इसे न्यूरल ऑपरेटर्स द्वारा हल किए जाने वाले जटिल, बड़े पैमाने के भौतिक समीकरणों को संभालने के लिए नहीं बनाया गया था।

यह शोध पत्र एक नया ढांचा पेश करता है जिसे न्यूरल ऑपरेटर प्रोसेसेज (NOPs) कहा जाता है। इसे एक "हाइब्रिड वाहन" के रूपă में समझें जो दोनों दुनियाओं की बेहतरीन चीजों को जोड़ता है।

मुख्य विचार: "जासूस और वास्तुकार"

लेखकों ने एक ऐसा सिस्टम बनाया है जो दो मुख्य चरणों में काम करता है, जैसे एक जासूस सुराग इकट्ठा करता है और एक वास्तुकार एक ब्लूप्रिंट (खाका) खींचता है।

जासूस (एन्कोडर - The Encoder): यह हिस्सा आपके बिखरे हुए डेटा बिंदुओं (यानी "सुरागों") को देखता है। इसे सिस्टम की सामान्य कहानी को समझना होता है। शोध पत्र दो तरीकों का परीक्षण करता है जिनसे जासूस काम कर सकता है:
- "बड़ी तस्वीर" वाला दृष्टिकोण (पूलिंग - Pooling): जासूस सभी सुरागों को एक बड़े, वैश्विक सारांश में संक्षिप्त करता है। यह कुछ ऐसा है जैसे कहना, "ठीक है, यह आम तौर पर गर्म और आर्द्र है।" यह सुचारू, अनुमानित प्रणालियों के लिए अच्छा काम करता है।
- "स्थानीय फोकस" वाला दृष्टिकोण (अटेंशन - Attention): जासूस उस विशिष्ट स्थान को देखता है जिसका आप पूर्वानुमान लगाना चाहते हैं और पूछता है, "मेरे बिखरे हुए सुरागों में से कौन सा इस स्थान के लिए सबसे अधिक प्रासंगिक है?" यह स्थानीय ज्यामिति (geometry) को सुरक्षित रखता है। शोध पत्र पाता है कि जटिल, अनियमित आकृतियों (जैसे एक अजीब मोड़ वाला पाइप) के लिए यह महत्वपूर्ण है, लेकिन सुचारू, दोहराव वाले पैटर्न के लिए कम महत्वपूर्ण है।
वास्तुकार (डिकोडर - The Decoder): एक बार जब जासूस के पास सारांश आ जाता है, तो वास्तुकार उस जानकारी को लेता है और समाधान का पूरा, विस्तृत मानचित्र (ब्लूप्रिंट) बनाता है। यह हिस्सा भौतिकी समीकरणों के भारी काम को संभालने के लिए बनाया गया है।

"अनिश्चितता" का मोड़

इस शोध पत्र का एक प्रमुख नवाचार यह है कि सिस्टम केवल आपको एक उत्तर नहीं देता; यह आपको बताता है कि वह कितना आश्वस्त है।

डिटरमिनिस्टिक मोड (Deterministic Mode): यह एक एकल सर्वोत्तम अनुमान देता है।
प्रोबेबिलिस्टिक मोड (Probabilistic Mode): यह एक मौसम विज्ञानी की तरह कार्य करता है जो कहता है, "90% संभावना है कि बारिश होगी, लेकिन अगर हवा बदल गई, तो यह एक तूफान बन सकता है।"
मुख्य निष्कर्ष: सिस्टम तब सबसे अच्छा काम करता है जब "अनिश्चितता" वाला हिस्सा (जासूस का आत्मविश्वास) "स्थानीय ज्यामिति" वाले हिस्से (वास्तुकार का रेखांकन) का पूरक बनता है। यदि अनिश्चितता वाला हिस्सा स्थानीय विवरणों को प्रतिस्थापित करने की कोशिश करता है, तो मॉडल विफल हो जाता है। यह ऐसा ही है जैसे यदि जासूस कहे, "मुझे विवरणों का पता नहीं है, बस अनुमान लगा लो," बजाय इसके कि वह सुरागों का उपयोग वास्तुकार को सूचित करने के लिए करे।

उन्होंने इसका परीक्षण कैसे किया

शोधकर्ताओं ने इस "हाइब्रिड जासूस-वास्तुकार" का परीक्षण तीन अलग-अलग प्रकार के भौतिक समस्याओं पर किया, जिन्हें वे अलग-अलग भूभागों (terrains) के समान मानते हैं:

बर्गर्स इक्वेशन (बर्गर समीकरण - द स्मूथ हाईवे): एक सुचारू, दोहराव वाला तरंग पैटर्न। यहाँ, "बड़ी तस्वीर" वाला दृष्टिकोण "स्थानीय फोकस" वाले दृष्टिकोण के लगभग समान रूप से काम करता है।
डार्सी फ्लो (डार्सी प्रवाह - द रॉकी माउंटेन ट्रेल): अनियमित सीमाओं वाली छिद्रपूर्ण चट्टान के माध्यम से प्रवाह। यहाँ, "स्थानीय फोकस" वाला दृष्टिकोण आवश्यक था। स्थानीय ज्यामिति को अनदेखा करने से खराब भविष्यवाणियां हुईं।
नेवियर-स्टोक्स (नेवियर-स्टोक्स - द टर्बुलेंट रिवर): जटिल, घूमते हुए तरल गतिशीलता। यह सबसे कठिन परीक्षण था। सफलता के लिए सिस्टम को स्थानीय फोकस और अनिश्चितता को संभालने के लचीले तरीके, दोनों की आवश्यकता थी।

सरल अंग्रेजी में परिणाम

विरल डेटा काम करता है: सिस्टम डेटा बिंदुओं के बहुत छोटे अंश (1D में 25% से कम, और 2D में 7% से कम) का उपयोग करके पूर्ण समाधान की भविष्यवाणी कर सकता है। यह उतना ही अच्छा प्रदर्शन करता है जितना कि वे सिस्टम जो 100% डेटा का उपयोग करते हैं।
ज्यामिति मायने रखती है: यदि समस्या में जटिल आकार या सीमाएं हैं, तो सिस्टम को डेटा बिंदुओं की स्थानीय व्यवस्था पर ध्यान देना चाहिए। यदि समस्या सुचारू और दोहराव वाली है, तो एक सामान्य सारांश पर्याप्त है।
अनिश्चितता वास्तविक है: सिस्टम बता सकता है कि वह कहाँ अनुमान लगा रहा है और कहाँ वह निश्चित है। यह सफलतापूर्वक "मैं नहीं जानता क्योंकि मेरे पास डेटा नहीं है" (एपिस्टेमिक अनिश्चितता) को "सिस्टम स्वाभाविक रूप से शोर वाला है" (एलियटोरिक अनिश्चितता) से अलग करता है।
लागत: सिस्टम चलाना (इन्फरेंस) तेज़ है, लेकिन इसे प्रशिक्षित करने के लिए अधिक कंप्यूटर मेमोरी और समय लगता है क्योंकि इसे यह सीखना होता है कि अनिश्चित कैसे होना है।

निचोड़ (The Bottom Line)

शोध पत्र का दावा है कि न्यूरल ऑपरेटर प्रोसेसेज जटिल भौतिक समस्याओं को हल करने का एक व्यावहारिक तरीका प्रदान करते हैं जब आपके पास केवल कुछ बिखरे हुए माप होते हैं। विरल डेटा से सीखने की क्षमता और जटिल समीकरणों को हल करने की क्षमता को जोड़ने और इसमें एक अंतर्निहित "कॉन्फिडेंस मीटर" जोड़ने के साथ, यह ढांचा डेटा की कमी वाली वास्तविकता और सटीक, पूर्ण-क्षेत्र भविष्यवाणियों की आवश्यकता के बीच के अंतर को पाटता है। यह दिखाता है कि आपको एक अच्छा उत्तर पाने के लिए पूर्ण ग्रिड वाले सेंसरों की आवश्यकता नहीं है, जब तक कि आपका AI यह जानता हो कि उसके पास मौजूद सुरागों को कैसे देखना है।

तकनीकी सारांश: आंशिक अवलोकनों के तहत संभावabilistic ऑपरेटर लर्निंग के लिए न्यूरल ऑपरेटर प्रक्रियाएं (Neural Operator Processes)

1. समस्या विवरण (Problem Statement)

न्यूरल ऑपरेटर्स (NOs), जैसे कि फूरियर न्यूरल ऑपरेटर (FNO), फंक्शन स्पेस के बीच मैपिंग सीखने के लिए प्रभावी प्रतिमान (paradigms) के रूप में स्थापित हुए हैं, विशेष रूप से आंशिक अंतर समीकरणों (PDEs) को हल करने के लिए। हालांकि, मानक NOs आमतौर पर सघन (dense), पूर्णतः युग्मित इनपुट-आउटपुट क्षेत्रों के अनुमान के तहत विकसित और मूल्यांकित किए जाते हैं। यह कई वास्तविक वैज्ञानिक परिदृश्यों के विपरीत है, जैसे कि डेटा एसिमिलेशन (data assimilation), जहाँ लक्षित भौतिक प्रतिक्रिया केवल विरल (sparse), अनियमित या आंशिक अवलोकनों के माध्यम से ज्ञात होती है, भले ही अंतर्निहित डोमेन गुण सघन रूप से ज्ञात हों।

इसके अलावा, ऑपरेटर लर्निंग में अनिश्चितता का परिमाणन (Uncertainty Quantification - UQ) अपूर्ण रूप से विकसित है, विशेष रूप से विरल अवलोकनों के तहत। मौजूदा दृष्टिकोण अक्सर मॉडल-बाह्य एन्सेम्बल्स (ensembles), पोस्ट-हॉक कैलिब्रेशन पर निर्भर करते हैं, या सघन इनपुट-आउटपुट फॉर्मुलेशन से बंधे रहते हैं। जबकि न्यूरल प्रोसेसेज (NPs) एक पूरक परिप्रेक्ष्य प्रदान करते हैं, जो स्पार्स कॉन्टेक्स्ट सेतों के माध्यम से फंक्शन के वितरण को सीखने के लिए एमोर्टाइज्ड लेटेंट-वेरिएबल इन्फरेंस का उपयोग करते हैं, वे मुख्य रूप से पॉइंटवाइज फंक्शन रिग्रेशन के लिए डिज़ाइन किए गए हैं और उन्हें सघन PDE-स्केल डिकोडिंग की आवश्यकता वाले स्ट्रक्चर्ड फंक्शन-टू-फंक्शन मैपिंग के लिए व्यापक रूप से अनुकूलित नहीं किया गया है।

इस कार्य में संबोधित मुख्य चुनौती यह है कि NPs के सेट-कंडीशन्ड इन्फरेंस को NOs के स्ट्रक्चर्ड ऑपरेटर डिकोडिंग के साथ एकीकृत करना, ताकि सीमित कॉन्टेक्स्ट से पूर्ण आउटपुट फील्ड्स का पूर्वानुमान लगाया जा सके और सुसंगत अनिश्चितता परिमाणन प्रदान किया जा सके।

2. कार्यप्रणाली: न्यूरल ऑपरेटर प्रक्रियाएं (NOPs)

लेखक न्यूरल ऑपरेटर प्रोसेसेज (NOPs) पेश करते हैं, जो एक दिए गए इनपुट फील्ड से उसके सघन लक्षित समाधान (target solution) का अनुमान लगाने के लिए जॉइंट इनपुट-आउटपुट अवलोकनों के एक स्पार्स कॉन्टेक्स सेट पर आधारित एक फ्रेमवर्क है। यह फ्रेमवर्क साझा एन्कोडर-डिकोडर आर्किटेक्चर के भीतर नियतात्मक (deterministic) और संभावabilistic (probabilistic) दोनों वेरिएंट्स का समर्थन करता है।

2.1 आर्किटेक्चर अवलोकन (Architecture Overview)

NOP पाइपलाइन में तीन मुख्य चरण शामिल हैं:

कॉन्टेक्स्ट एनकोडिंग (Context Encoding): स्पार्स कॉन्टेक्स सेट $C = \{(x_i^{(c)}, a_i^{(c)}, u_i^{(c)})\}$ को क्वेरी लोकेशंस पर मूल्यांकित किए जाने वाले कॉन्टेक्स-कंडीशन्ड रिप्रेजेंटेशन $R_C(x)$ में एनकोड किया जाता है।
प्रारंभिक हिडन फील्ड निर्माण (Initial Hidden Field Construction): कॉन्टेक्स रिप्रेजेंटेशन को क्वेरी-साइड इनपुट जानकारी (एक सघन ग्रिड पर इनपुट फील्ड $a(x)$ ) के साथ मिलाकर एक प्रारंभिक हिडन फील्ड $v_0(x)$ बनाया जाता है।
ऑपरेटर डिकोडिंग (Operator Decoding): एक न्यूरल ऑपरेटर डिकोडर (विशेष रूप से एक FNO-शैली का डिकोडर) $v_0(x)$ को प्रोसेस करके अंतिम भविष्यवाणी $\hat{u}(x)$ उत्पन्न करता है।

2.2 कंडीशनिंग रणनीतियाँ (Conditioning Strategies)

लेखक NPs के सेट-आधारित दृष्टिकोण और NOs के निरंतर-डोमेन दृष्टिकोण के बीच सेतु बनाने के लिए दो पूरक कंडीशनिंग तंत्रों की जांच करते हैं:

SetConv कंडीशनिंग: एक ग्लोबल पूलिंग पाथवे जो कर्नेलकृत सेट कंवोल्यूशन (SetConv) का उपयोग करके अनियमित स्पार्स कॉन्टेक्स सेट को एक निरंतर क्षेत्र (continuous field) में उठाता है। यह कॉन्टेक्स सपोर्ट के घनत्व और देखे गए स्थानीय क्षेत्र मानों को अलग-अलग एनकोड करता है।
क्वेरी-अलाइन्ड अटेंशन कंडीशनिंग (Query-Aligned Attention Conditioning): एक अटेंशन पाथवे जो यह मॉडल करता है कि कौन से कॉन्टेक्स पॉइंट्स प्रत्येक क्वेरी लोकेशन के लिए सबसे अधिक प्रासंगिक हैं, जिससे स्थानीय ज्यामितीय संरचना सुरक्षित रहती है। यह मॉडल को केवल कर्नेल निकटता पर निर्भर रहने के बजाय सीधे कॉन्टेक्स सेट पर ध्यान केंद्रित करने की अनुमति देता है।
फ्यूज्ड रिप्रेजेंटेशन (Fused Representation): डिकोडिंग से पहले इन दोनों पाथवे को एक फ्यूज्ड रिप्रेजेंटेशन में संयोजित किया जा सकता है।

2.3 संभावabilistic विस्तार (Probabilistic Extension)

अनिश्चितता परिमाणन को सक्षम करने के लिए, नियतात्मक आर्किटेक्चर को एक ग्लोबल लेटेंट वेरिएबल $z$ के साथ विस्तारित किया गया है जो टास्क-लेवल अनिश्चितता को कैप्चर करता है।

लेटेंट इन्फरेंस (Latent Inference): कॉन्टेक्स-प्रेरित प्रतिनिधित्व के एक ग्लोबल सारांश का उपयोग कॉन्टेक्स-कंडीशन्ड प्रायर $p_\theta(z | C)$ को इन्फर करने के लिए किया जाता है। प्रशिक्षण के दौरान, लक्षित आउटपुट्स का उपयोग करके एक एप्रोक्सिमेट पोस्टीरियर $q_\phi(z | C, U_Q)$ सीखा जाता है।
लेटेंट कंडीशनिंग (Latent Conditioning): लेटेंट वेरिएबल $z$ को इनपुट स्टेज पर इंजेक्ट किया जाता है (डेकोडर लेयर्स को मॉड्युलेट करने के बजाय, $v_0(x)$ के साथ ब्रॉडकास्ट कॉन्कैटिनेशन के माध्यम से), जिसे प्रायर-कंडीशन्ड इन्फरेंस के लिए अधिक स्थिर पाया गया।
प्रेडिक्टिव डिस्ट्रीब्यूशन (Predictive Distribution): अंतिम प्रेडिक्टिव डिस्ट्रीब्यूशन को लेटेंट वेरिएबल पर मार्जिनलाइज करके प्राप्त किया जाता है, जो अनिश्चितता को एक ग्लोबल टास्क-लेवल घटक ( $z$ से) और एक लोकल प्रेडिक्टिव घटक (आउटपुट लाइकलीहुड से) में विभाजित करता है।

3. मुख्य योगदान (Key Contributions)

फॉर्मूलेशन: लेखक फंक्शन स्पेस में आंशिक अवलोकनों के तहत ऑपरेटर लर्निंग को कॉन्टेक्स-कंडीशन्ड प्रेडिक्शन के रूप में फॉर्म्युलेट करते हैं और NOPs को इसके अनुरूप फ्रेमवर्क के रूप में प्रस्तावित करते हैं।
आर्किटेक्चर: वे एक साझा एन्कोडर-डिकोडर पाइपलाइन वाले नियतात्मक और संभावabilistic NOP आर्किटेक्चर पेश करते हैं, जिसमें कॉन्टेक्स एग्रीगेशन (SetConv बनाम Attention) और लेटेंट अनिश्चितता के लिए विशिष्ट तंत्र शामिल हैं।
अनुभवजन्य अंतर (Empirical Distinction): यह कार्य ग्लोबल और लोकल कंडीशनिंग के बीच एक अनुभवजन्य अंतर की पहचान करता है, यह प्रदर्शित करते हुए कि ज्यामिति-संवेदनशील सेटिंग्स में ज्यामिति-संरक्षण करने वाला अटेंशन विशेष रूप से मूल्यवान है, जबकि पसंदीदा पाथवे इन्फरेंस ऑब्जेक्टिव और PDE रिजीम पर निर्भर करता है।
वैलिडेशन: व्यवस्थित प्रयोगों और एब्लेशन के माध्यम से, लेखक दिखाते हैं कि NOPs केवल प्रतिक्रिया क्षेत्र के एक छोटे से अंश (1D में 25% से कम और 2D में 7% से कम) को देखते हुए भी सघन-ग्रिड न्यूरल ऑपरेटर्स के बराबर या उनसे बेहतर प्रदर्शन करते हैं, सार्थक अनिश्चितता अनुमान प्रदान करते हैं, और इन्फरेंस के समय प्रतिस्पर्धी बने रहते हैं।

4. प्रयोगात्मक परिणाम (Experimental Results)

फ्रेमवर्क का मूल्यांकन चार बेंचमार्क परिवारों पर किया गया: गाऊसी प्रोसेस (GP) रिग्रेशन (एक डायग्नोस्टिक के रूप में), 1D बर्गर्स इक्वेशन (स्मूथ, पीरियोडिक), 2D डार्सी फ्लो (नॉन-पीरियोडिक, ज्यामिति-संवेदनशील), और 2D नेवियर-स्टोक्स (पीरियोडिक लेकिन गतिशील रूप से जटिल)।

4.1 नियतात्मक प्रदर्शन (Deterministic Performance)

स्पार्स व्यवहार्यता (Sparse Viability): स्पार्स कंडीशनल ऑपरेटर प्रेडिक्शन व्यवहार्य है, जिसमें NOP वेरिएंट्स मानक सघन-ग्रिड FNO रेफरेंस के समान या उससे थोड़े कम एरर के साथ प्रदर्शन करते हैं।
रिजीम निर्भरता (Regime Dependence):
- बर्गर्स (पीरियोडिक): अटेंशन पाथवे मानक सेटिंग्स में भी प्रदर्शन में सुधार करता है, जो स्पेक्ट्रल डिकोडर के साथ अच्छी तरह से संरेखित होता है।
- डार्सी (नॉन-पीरियोडिक): स्थानीय कॉन्टेक्स-क्वेरी ज्यामिति को अटेंशन के माध्यम से संरक्षित करना आवश्यक है। SetConv-ओनली वेरिएंट यूनिफॉर्म सैंपलिंग के तहत खराब प्रदर्शन करता है लेकिन क्लस्टर्ड अवलोकनों के साथ बेहतर होता है, जबकि अटेंशन-आधारित वेरिएंट (DANOP) सैंपलिंग रणनीतियों के बीच प्रदर्शन भिन्नताओं को कम करता है, जो ऑब्जर्वेशन ज्योमेट्री शिफ्ट के प्रति अधिक मजबूती दिखाता है।
- नेवियर-स्टोक्स: अटेंशन, कॉन्टेक्स सैंपलिंग रणनीति और बजट में बदलाव के तहत अधिक मजबूती प्रदान करता है, हालांकि मानक यूनिफॉर्म इवैल्यूएशन के तहत SetConv प्रतिस्पर्धी बना रहता है।

4.2 संभावabilistic प्रदर्शन (Probabilistic Performance)

अनिश्चितता परिमाणन (Uncertainty Quantification): फ्रेमवर्क सार्थक अनिश्चितता अनुमान प्रदान करता है जो कमजोर रूप से बाधित क्षेत्रों में बढ़ जाते हैं।
लेटेंट कंडीशनिंग: संभावabilistic विस्तार प्रेडिक्टिव क्षमता को बनाए रखते हैं। प्रायर-मीन और पोस्टीरियर-मीन के बीच का अंतर मामूली है, जो इंगित करता है कि सीखा गया प्रायर पोस्टीरियर के साथ अच्छी तरह से संरेखित है।
वैरिएंस पैरामीट्राइजेशन (Variance Parameterization):
- बर्गर्स: हेटरोसेडास्टिक (HE) हेड्स सबसे अच्छा प्रदर्शन करते हैं, जिसमें पोस्टीरियर-प्रायर गैप नगण्य है।
- डार्सी: होमोजेस्डटिक (HO) हेड्स अक्सर बेहतर प्रदर्शन करते हैं, जो एक रेगुलराइज़र के रूप में कार्य करते हैं जो मॉडल को वेरिएंस इन्फ्लेशन के माध्यम से कठिनाई को सोखने से रोकता है।
- नेवियर-स्टोक्स: HE हेड्स श्रेष्ठ हैं; HO हेड्स इस हेटरोजीनियस डायनेमिकल रिजीम के लिए बहुत प्रतिबंधात्मक हैं, जिससे प्रदर्शन में गिरावट आती है।
मजबूती (Robustness): फ्यूज्ड कंडीशनिंग वाला आर्किटेक्चर (PANOP) आम तौर पर SetConv-ओनली वेरिएंट (PNOP) की तुलना में बेहतर प्रदर्शन करता है, विशेष रूप से जीरो-लेटेंट इवैल्यूएशन में, जो बताता है कि ज्यामिति-जागरूक कंडीशनिंग लेटेंट स्टोकेस्टिक इन्फरेंस को बेहतर समर्थन देती है।

4.3 एब्लेशन और सीमाएँ (Ablations and Limitations)

क्रॉस-रेज़ोल्यूशन ट्रांसफर: जबकि 1D बर्गर्स फाइन ग्रिड्स पर सफल ज़ीरो-शॉट ट्रांसफर प्रदर्शित करता है, 2D नॉन-पीरियोडिक सेटिंग्स (डार्सी, नेवियर-स्टोक्स) महत्वपूर्ण गिरावट दिखाते हैं। यह सुझाव देता है कि सीखा गया कंडीशनल रिप्रेजेंटेशन जटिल रिजीम में डिस्क्रीटाइजेशन के माध्यम से स्पष्ट रूप से ट्रांसफर नहीं होता है, जो स्पार्स रिप्रेजेंटेशन और स्पेक्ट्रल डिकोडर के बीच परस्पर क्रिया से जुड़ी एक संभावित सीमा है।
प्रशिक्षण बनाम इन्फरेंस लागत: संभावabilistic विस्तार (लेटेंट इन्फरेंस ग्राफ के कारण) प्रशिक्षण समय और मेमोरी बढ़ाता है, लेकिन मध्यम इन्फरेंस लेटेंसी (प्रति बैच मिलीसेकंड) बनाए रखता है।
विफलता मोड (Failure Modes): एक केंद्रीय विफलता मोड स्थानिक संरचना का नुकसान है जब स्थानीय कॉन्टेक्स को अत्यधिक ग्लोबल सारांश में संकुचित कर दिया जाता है। यह स्मूथ पीरियोडिक सेटिंग्स में हानिरहित है लेकिन डार्सी जैसे ज्यामिति-संवेदनशील रिजीम में हानिकारक है।

5. महत्व और दावे (Significance and Claims)

लेखक दावा करते हैं कि NOPs फंक्शन स्पेस में स्पार्स कंडीशनल इन्फरेंस, स्ट्रक्चर्ड ऑपरेटर डिकोडिंग और अनिश्चितता परिमाणन को संयोजित करने के लिए एक व्यावहारिक, स्पष्ट और विस्तार योग्य फ्रेमवर्क प्रदान करते हैं। इस कार्य का महत्व है:

एकीकरण (Unification): फंक्शन स्पेस में ऑपरेटर लर्निंग और संभावabilistic मेटा-लर्निंग को जोड़ना।
डिज़ाइन सिद्धांत: यह स्पष्ट करना कि ज्यामिति-संवेदनशील सेटिंग्स के लिए स्थानीय ज्यामिति को स्पष्ट रूप से संरक्षित करना एक प्रमुख डिज़ाइन आवश्यकता है, और विश्वसनीय संभावabilistic इन्फरेंस के लिए ऐसे लेटेंट कंडीशनिंग की आवश्यकता है जो नियतात्मक ट्रंक के स्थानिक इंडक्टिव बायस को ओवरराइट करने के बजाय उसका पूरक हो।
व्यावहारिकता: यह प्रदर्शित करना कि केवल अवलोकनों के एक छोटे से अंश का उपयोग करके पूर्ण-क्षेत्र भविष्यवाणी के साथ सुसंगत अनिश्चितता प्राप्त करना संभव है, जो उन अनुप्रयोगों के लिए सेंसिंग या स्टोरेज में बचत की संभावना प्रदान करता है जहाँ सघन माप महंगे होते हैं।

लेखक अपने दायरे के संबंध में विनम्र हैं, यह नोट करते हुए कि बेंचमार्क में अत्यधिक अराजक (chaotic) डायनेमिक्स, अत्यधिक मल्टीस्केल सिस्टम, या अनियमित ज्यामिति शामिल नहीं हैं, और फिक्स्ड FNO बैकबोन नॉन-पीरियोडिक रिजीम में प्रदर्शन को सीमित कर सकता है। वे स्थानिक रूप से संरचित लेटेंट रिप्रेजेंटेशन और अनियमित ज्यामिति के लिए बेहतर अनुकूल डिकोडर परिवारों में भविष्य के कार्य की पहचान करते हैं।