Extended pseudo-spectral physics-informed neural networks for phase-field models

तकनीकी सारांश: चरण-क्षेत्र मॉडल (Phase-Field Models) के लिए विस्तारित स्यूडो-स्पेक्ट्रल फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (Extended Pseudo-Spectral Physics-Informed Neural Networks)

समस्या विवरण
फेज-फील्ड मॉडल चरण पृथक्करण (phase separation) के निरंतर विवरण के लिए केंद्रीय हैं, जहाँ पैटर्न निर्माण और सूक्ष्म संरचनात्मक विकास बल्क फ्री-एनर्जी डेंसिटी और इंटरफेशियल थिकनेस मापदंडों द्वारा नियंत्रित होते हैं। व्यावहारिक अनुप्रयोगों में, जैसे कि सामग्री विज्ञान और कोशिका जीव विज्ञान में, ये संरचनात्मक मात्राएँ शायद ही कभी पूर्व निर्धारित (a priori) रूप से ज्ञात होती हैं और इन्हें सीमित गतिशील अवलोकनों से अनुमानित किया जाना चाहिए। जबकि शास्त्रीय व्युत्क्रम विधियों (inverse methods) और हालिया फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINN) दृष्टिकोणों को फेज-फील्ड मॉडल पर लागू किया गया है, मौजूदा तकनीकें अक्सर सीमाओं का सामना करती हैं। विशेष रूप से, झाओ [31] के पिछले कार्य ने बल्क केमिकल पोटेंशियल की पहचान करने के लिए स्यूडो-स्पेक्ट्रल पीआईएनएन (SPINNs) का उपयोग किया था, लेकिन इसके लिए इंटरफेशियल थिकनेस पैरामीटर और मोबिलिटी को पूर्व निर्धारित (a priori) रूप से स्थिर करना आवश्यक था। इसके अलावा, शास्त्रीय अनुकूलन (optimization) में सभी संरचनात्मक मात्राओं को अज्ञात के रूप में मानने से स्केलिंग डिजनरेसी (scaling degeneracy) के कारण अंतर्निहित अन-आइडेंटिफिएबिलिटी (non-identifiability) उत्पन्न हो सकती है। इस कार्य में संबोधित मुख्य चुनौती ट्रांजिएंट स्नैपशॉट डेटा से बल्क केमिकल पोटेंशियल (होमोजेनियस फ्री एनर्जी डेंसिटी का व्युत्पन्न) और अज्ञात ग्रेडिएंट गुणांकों (विशेष रूप से इंटरफेशियल थिकनेस पैरामीटर) की एक साथ व्युत्क्रम पहचान (simultaneous inverse identification) करना है, बिना केवल साम्यावस्था प्रोफाइल (equilibrium profiles) पर निर्भर रहे।

कार्यप्रणाली: विस्तारित SPINN (ESPINN)
लेखक एक्सटेंडेड स्यूडो-स्पेक्ट्रल फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (ESPINN) फ्रेमवर्क प्रस्तावित करते हैं। यह विधि SPINN आर्किटेक्चर को इस प्रकार विस्तारित करती है कि भौतिक मापदंडों को फ्री एनर्जी फंक्शन का अनुमान लगाने वाले न्यूरल नेटवर्क के साथ-साथ 'ट्रेन करने योग्य चर' (trainable variables) के रूप में माना जाता है।

1. गणितीय सूत्रीकरण: यह फ्रेमवर्क सामान्य फेज-फील्ड PDEs को लक्षित करता है जो $\partial_t \phi = G [\sum \mu_j g_j(\phi, \nabla \phi, \Delta \phi) + f(\phi)]$ के रूप में होते हैं, जहाँ $f(\phi)$ (बल्क केमिकल पोटेंशियल) और गुणांक $\mu_j$ (ग्रेडिएंट टर्म्स) अज्ञात हैं। लेखक काहन-हिलियर्ड (Cahn-Hilliard) और एलन-कान (Allen-Cahn) समीकरणों पर ध्यान केंद्रित करते हैं, जहाँ अज्ञात ग्रेडिएंट गुणांक इंटरफेशियल थिकनेस पैरामीटर $\epsilon$ के अनुरूप होता है।
2. न्यूरल आर्किटेक्चर:
   • बल्क केमिकल पोटेंशियल: फलन $f(\phi)$ का अनुमान एक मल्टी-लेयर पर्सेप्ट्रॉन (MLP) द्वारा लगाया जाता है।
   • स्केलर पैरामीटर्स: अज्ञात गुणांक (जैसे $\epsilon^2$) को भौतिक सीमाओं ($\gamma_{lb} \leq \gamma \leq \gamma_{ub}$) को लागू करने के लिए सिग्मॉइड रीपैरामीट्राइजेशन का उपयोग करके एकल ट्रेन करने योग्य स्केलर $\theta$ द्वारा पैरामीटराइज किया जाता है।
   • लॉस फंक्शन: प्रशिक्षण उद्देश्य प्रेक्षित डेटा युग्मों $(\Phi^{(1)}, \Phi^{(2)})$ और एक सेमी-इम्प्लिसिट लीनियर स्टेबलाइज्ड स्कीम के भविष्यवाणियों के बीच विसंगति को कम करता है, जो समय अंतराल $\Delta t$ द्वारा अलग किए गए हैं। लॉस फंक्शन में एक हाइपरपैरामीटर $C_0$ शामिल है जो अनुकूलन को अनुकूलित (condition) करने के लिए डेटा शोर स्तरों के आधार पर समायोजित किया जाता है।
3. अनुकूलन रणनीति:
   • शोर-रहित डेटा (Noiseless Data): फ्रेमवर्क सटीक अभिसरण (convergence) के लिए ऑब्जेक्टिव लैंडस्केप की सुगमता का लाभ उठाने के लिए एडम (Adam) के बाद एल-बीएफजीएस (L-BFGS) का उपयोग करते हुए दो-चरणीय अनुकूलन नियोजित करता है।
   • शोर युक्त डेटा (Noisy Data): स्टोकेस्टिक गड़बड़ी (stochastic perturbations) के प्रति ओवरफिटिंग को रोकने के लिए, एल-बीएफजीएस चरण को हटा दिया जाता है, और अनुकूलन पूरी तरह से एडम पर निर्भर रहता है, जिसमें ग्रेडिएंट मैग्नीट्यूड को नियंत्रित करने के लिए कम किया गया लॉस मल्टीप्लायर ($C_0$) उपयोग किया जाता है।

प्रमुख योगदान

• सहवर्ती अनुमान (Simultaneous Inference): प्राथमिक योगदान SPINN फ्रेमवर्क को ट्रांजिएंट डेटा से बल्क केमिकल पोटेंशियल और अज्ञात ग्रेडिएंट गुणांकों (इंटरफेशियल थिकनेस) को एक साथ रिकवर करने के लिए विस्तारित करना है, जिससे इन मापदंडों को पूर्व निर्धारित (a priori) रूप से स्थिर करने की आवश्यकता समाप्त हो जाती है।
• डेटा दक्षता: यह फ्रेमवर्क प्रदर्शित करता है कि पर्याप्त संरचनात्मक जानकारी यहाँ तक कि एक एकल स्नैपशॉट युग्म में भी एनकोडेड होती है, जिससे न्यूनतम टेम्पोरल डेटा के साथ सटीक पुनर्निर्माण संभव होता है।
• शोर के प्रति मजबूती: अध्ययन व्यवस्थित रूप से शोर के तहत फ्रेमवर्क के प्रदर्शन की जांच करता है, यह दिखाते हुए कि स्नैपशॉट युग्मों की संख्या में वृद्धि एक अंतर्निहित रेगुलराइज़र के रूप में कार्य करती है, जो सीखे गए मॉडल की नियतात्मक विशेषताओं को बदले बिना वेरिएंस को कम करती है और सटीकता में सुधार करती है।
• आर्किटेक्चरल संवेदनशीलता विश्लेषण: पेपर सक्रियण कार्यों (activation functions) और नेटवर्क गहराई का विस्तृत विश्लेषण प्रदान करता है, जिससे पता चलता है कि पुनर्निर्माण सटीकता के लिए नेटवर्क क्षमता (गहराई या चौड़ाई) की तुलना में सक्रियण फ़ंक्शन की सुगमता और अवकलनीयता (differentiability) अधिक महत्वपूर्ण है।

परिणाम
संख्यात्मक प्रयोगों को बहुपद (polynomial) और लॉगरिदमिक (logarithmic) फ्री एनर्जी डेंसिटी के साथ एक-आयामी काहन-हिलियर्ड सिमुलेशन पर किया गया।

• शोर-रहित शासन (Noiseless Regime): ESPINN फ्रेमवर्क ने बल्क केमिकल पोटेंशियल और इंटरफेशल थिकनेस पैरामीटर दोनों के सटीक और सांख्यिकीय रूप से स्थिर पुनर्निर्माण को प्राप्त किया। उल्लेखनीय रूप से, केवल एक सिंगल स्नैपशॉट युग्म ($N=1$) का उपयोग करने पर भी वास्तविक फलनों के काफी करीब परिणाम मिले। पुनर्निर्माण में दृश्य परिवर्तनशीलता को समाप्त करने के लिए स्नैपशॉट की संख्या ($N$) को बढ़ाकर 2 करने पर भी बेहतर परिणाम मिले। $N$ को 64 तक बढ़ाने पर सांख्यिकीय स्थिरता में सुधार हुआ, हालांकि $N=64$ के बाद घटते प्रतिफल (diminishing returns) देखे गए।
• शोर युक्त शासन (Noisy Regime): मल्टीप्लिकेटिव शोर की उपस्थिति में, पुनर्निर्माण सटीकता क्रमिक रूप से कम हुई। जबकि सीमित शोर युक्त डेटा ($N=1$) उच्च परिवर्तनशीलता का परिणाम था, $N$ में वृद्धि ने व्यवस्थित रूप से त्रुटियों और वेरिएंस को कम किया। यह विधि उच्च शोर स्तरों ($\delta_L = 10^{-2}$) पर भी स्थिर रही, हालांकि एक दृश्य पूर्वाग्रह (bias) उभरा।
• आर्किटेक्चरल निष्कर्ष: स्मूथ एक्टिवेशन फंक्शन (Sigmoid, Tanh, SiLU, GELU) ने लगातार ReLU से बेहतर प्रदर्शन किया, जिसने चार आदेशों (orders of magnitude) तक अधिक त्रुटियां दीं। नेटवर्क की गहराई और चौड़ाई का अंतिम सटीकता पर न्यूनतम प्रभाव पड़ा, जो यह सुझाव देता है कि व्युत्क्रम समस्या क्षमता-सीमित नहीं है बल्कि सक्रियण फ़ंक्शन के अवकलनीय गुणों पर निर्भर है।
• लर्निंग रेट संवेदनशीलता: विधि एडम ऑप्टिमाइज़र में लर्निंग रेट के प्रति संवेदनशील है। एक एक्सपोनेंशियलली डिके होने वाला लर्निंग रेट (प्रारंभिक $10^{-2}$, जो $10^{-4}$ तक घटता है) अभिसरण गति और स्थिरता के बीच सबसे अच्छा संतुलन प्रदान करता है।

महत्व और दावे
लेखकों का दावा है कि ESPINN फेज सेपरेशन के निरंतर मॉडलों के लिए फ्री-एनर्जी संरचनाओं को सीखने के लिए एक डेटा-कुशल और भौतिक रूप से सुसंगत दृष्टिकोण स्थापित करता है। फ्रेमवर्क सफलतापूर्वक बल्क केमिकल पोटेंशियल और अज्ञात ग्रेडिएंट गुणांकों (इंटरफेशियल थिकनेस) की पहचान करने की व्युत्क्रम समस्या को हल करता है, जो एक ऐसा कार्य है जहाँ केवल साम्यावस्था प्रोफाइल अपर्याप्त होते हैं क्योंकि वे स्केलिंग डिजनरेसी का शिकार होते हैं। यह प्रदर्शित करके कि सीमित डेटा से सटीक रिकवरी संभव है और यह विधि शोर वाली स्थितियों में भी मजबूत बनी रहती है, यह कार्य सुझाव देता है कि ट्रांजिएंट डायनेमिकल डेटा संरचनात्मक जानकारी को अनुमानित करने के लिए एक विश्वसनीय आधार प्रदान करते हैं। लेखक नोट करते हैं कि जबकि वर्तमान अध्ययन एक आयामी मॉडल और स्थिर मोबिलिटी तक सीमित है, यह कार्यप्रणाली स्वाभाविक रूप से उच्च आयामों और अधिक जटिल फ्री-एनर्जी फलनल्स तक विस्तारित होती है, जो बायोमॉलिकुलर कंडेनसेट्स, पॉलीमर ब्लेंड्स और अलॉय सिस्टम के लिए एक व्यावहारिक उपकरण प्रदान करती है।