🤖 machine learning

Physics-guided Convolutional Neural Network for Domain Growth Prediction in Systems with Conserved Kinetics

यह शोधपत्र एक अटेंशन-आधारित, भौतिकी-निर्देशित कनवल्शनल न्यूरल नेटवर्क को एक कुशल सरोगेट मॉडल के रूप में प्रस्तावित करता है जो भौतिक संरक्षण नियमों को बनाए रखते हुए सीन-हिलियर्ड समीकरण द्वारा नियंत्रित द्विआधारी मिश्रणों के दीर्घकालिक सूक्ष्म संरचनात्मक विकास और डोमेन वृद्धि की सटीक भविष्यवाणी करता है।

मूल लेखक: Vijay Yadav, Madhu Priya, Manish Dev Shrimali, Prabhat K. Jaiswal

प्रकाशित 2026-06-26

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Vijay Yadav, Madhu Priya, Manish Dev Shrimali, Prabhat K. Jaiswal

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 तेल और पानी की एक बूंद को आपस में मिलते हुए देख रहे हैं। शुरू में, वे आपस में घुले-मिले होते हैं, लेकिन समय के साथ, वे अलग होने लगते हैं। तेल के गोले बन जाते हैं, और पानी खाली जगहों को भर देता है। इस प्रक्रिया को "फेज सेपरेशन" (phase separation) कहा जाता है, और यह कार के इंजनों में मिश्र धातुओं से लेकर आपके शरीर की कोशिकाओं तक, हर चीज़ में होती है।

वैज्ञानिक इन गोलों के बढ़ने और आकार बदलने के तरीके की सटीक भविष्यवाणी करने के लिए जटिल गणितीय समीकरणों (विशेष रूप से 'कैन-हिलियर्ड' समीकरण) का उपयोग करते हैं। हालाँकि, कंप्यूटर पर इन समीकरणों को हल करना समुद्र तट पर आती हुई लहरों के बीच रेत के हर एक कण को गिनने की कोशिश करने जैसा है—इसमें भारी मात्रा में कंप्यूटिंग शक्ति और समय लगता है।

वर्तमान "AI" समाधानों के साथ समस्या
हाल ही में, वैज्ञानिकों ने इस प्रक्रिया को तेज करने के लिए आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग करने की कोशिश की। उन्होंने AI मॉडल को वर्तमान तस्वीर के आधार पर अगली तस्वीर कैसी दिखेगी, इसका अनुमान लगाने के लिए प्रशिक्षित किया। लेकिन इसमें एक बड़ी कमी थी: ये AI मॉडल "भुलक्कड़" थे।

वास्तविक दुनिया में, तेल और पानी की कुल मात्रा कभी नहीं बदलती; यह केवल इधर-उधर घूमती है। इसे "संरक्षण" (conservation) कहा जाता है। हालाँकि, मानक AI मॉडल धीरे-धीरे इस संतुलन को खो देते हैं। कुछ घंटों के बाद भविष्यवाणी करने के बाद, वे गलती से अतिरिक्त तेल बना सकते हैं या कुछ पानी कम कर सकते हैं, जिससे एक भौतिक रूप से असंभव परिणाम प्राप्त होता है। यह एक वीडियो गेम के पात्र के धीरे-धीरे वजन कम करने या ऊंचाई बढ़ने जैसा है, सिर्फ इसलिए क्योंकि गेम का कोड गड़बड़ा रहा है।

नया समाधान: एक "फिजिक्स-गाइडेड" AI
लेखकों ने एक नया प्रकार का AI बनाया, जिसे वे फिजिक्स-गाइडेड कन्वोल्यूशनल न्यूरल नेटवर्क कहते हैं। इसे एक ऐसे AI के रूप में सोचें जो केवल अनुमान नहीं लगाता; बल्कि ब्रह्मांड के नियमों का पालन करता है।

यहाँ बताया गया है कि उन्होंने इसे कैसे काम करने के योग्य बनाया, सरल उपमाओं का उपयोग करते हुए:

"U-Net" आर्किटेक्चर (ब्लूप्रिंट):
AI एक U-आकार की तरह बना है। कल्पना कीजिए कि आप एक शहर के मानचित्र को देख रहे हैं।

नीचे की ओर जाने वाला रास्ता: AI पहले "बड़ी तस्वीर" (तेल के गोलों का समग्र आकार) देखने के लिए ज़ूम आउट करता है।
निचला हिस्सा: यह इस बड़ी तस्वीर को केंद्र में प्रोसेस करता है।
ऊपर की ओर जाने वाला रास्ता: यह बारीक विवरण बनाने के लिए वापस ज़ूम इन करता है।
यह संरचना AI को सूक्ष्म लहरों और अलग होते तरल पदार्थों के विशाल आकारों, दोनों को समझने में मदद करती है।

"अटेंशन" मैकेनिज्म (स्पॉटलाइट):
U-आकार के केंद्र में, लेखकों ने एक "अटेंशन ब्लॉक" जोड़ा है। इसे एक स्पॉटलाइट की तरह समझें। जब AI बड़ी तस्वीर को देख रहा होता है, तो यह स्पॉटलाइट उसे सूक्ष्म विवरणों के शोर में खो जाने के बजाय सबसे महत्वपूर्ण वैश्विक पैटर्न (जैसे कि पूरा सिस्टम कैसे फैल रहा है) पर ध्यान केंद्रित करने में मदद करता है।
"फिजिक्स कंस्ट्रेंट" (नियम पुस्तिका):
यह सबसे महत्वपूर्ण हिस्सा है। लेखकों ने केवल AI को अनुमान लगाने के लिए नहीं छोड़ा। उन्होंने इसके प्रशिक्षण में एक सख्त नियम जोड़ा: "चीजों की कुल मात्रा समान रहनी चाहिए।"
हर बार जब AI कोई भविष्यवाणी करता है, तो कंप्यूटर जाँच करता है: "क्या आपने गलती से कोई पदार्थ बनाया या नष्ट किया?" यदि उत्तर "हाँ" है, तो AI को एक "पेनल्टी" (खराब ग्रेड) मिलती है। यह AI को सही भौतिकी सीखने के लिए मजबूर करता है, जिससे यह सुनिश्चित होता है कि तेल और पानी की कुल मात्रा पूरी तरह से संतुलित बनी रहे, ठीक वास्तविक जीवन की तरह।

उन्होंने क्या पाया?
उन्होंने इस नए AI का परीक्षण दो प्रकार के मिश्रणों पर किया:

क्रिटिकल मिश्रण: जहाँ तेल और पानी पूरी तरह से संतुलित (50/50) होते हैं। यह एक "बाइकॉन्टिन्यूअस" (bicontinuous) पैटर्न बनाता है, जैसे कि एक स्पंज जहाँ दोनों सामग्रियां आपस में जुड़ी होती हैं।
ऑफ-क्रिटिकल मिश्रण: जहाँ एक सामग्री दूसरी की तुलना में बहुत अधिक होती है (जैसे, 35% तेल, 65% पानी)। यह पानी में तैरते हुए तेल की "ड्रॉपलेट्स" (बूंदें) बनाता है।

परिणाम:

दीर्घकालिक स्थिरता: AI इन प्रणालियों के विकास की लंबे समय तक भविष्यवाणी कर सका बिना नियमों को "भूले" बिना। हजारों चरणों का अनुकरण करने के बाद भी, पदार्थ की कुल मात्रा स्थिर रही।
सटीक विकास: AI ने सही ढंग से भविष्यवाणी की कि गोले कितनी तेजी से बढ़ेंगे। वास्तविक भौतिकी में, ये गोले एक विशिष्ट गति से बढ़ते हैं (एक नियम का पालन करते हुए जिसे लिफ़शिट्ज़-स्लोज़ोव नियम कहा जाता है)। AI की भविष्यवाणियाँ इस नियम से पूरी तरह मेल खाती हैं।
दृश्य सटीकता: जब उन्होंने AI की "फिल्म" की वास्तविक गणितीय समाधान से तुलना की, तो आकार लगभग समान दिखे। एकमात्र छोटी त्रुटियां वहीं हुईं जहाँ तेल और पानी मिलते हैं, लेकिन ये त्रुटियां इतनी धीरे बढ़ीं कि उन्होंने सिमुलेशन को खराब नहीं किया।

सारांश में
लेखकों ने एक स्मार्ट AI बनाया है जो एक ऐसे छात्र की तरह कार्य करता है जो न केवल उत्तर याद करता है बल्कि भौतिकी के अंतर्निहित नियमों को भी समझता है। AI को "द्रव्यमान के संरक्षण" के नियम का सम्मान करने के लिए मजबूर करके, उन्होंने एक ऐसा उपकरण बनाया है जो जटिल रासायनिक और भौतिक परिवर्तनों को तेजी से और सटीक रूप से सिम्युलेट कर सकता है, बिना उन त्रुटियों के जो पिछले AI प्रयासों में देखी गई थीं। यह वैज्ञानिकों को यह अध्ययन करने की अनुमति देता है कि सामग्रियां कैसे अलग होती हैं और विकसित होती हैं, बिना किसी सुपरकंप्यूटर के गणित पूरा करने के इंतजार के।

तकनीकी सारांश: डोमेन विकास भविष्यवाणी के लिए भौतिकी-निर्देशित कनवल्शनल न्यूरल नेटवर्क

समस्या विवरण
जटिल भौतिक प्रणालियों का स्थानिक-कालिक विकास (spatiotemporal evolution), जैसे कि द्विआधारी मिश्रणों (binary mixtures) में चरण पृथक्करण (phase separation), गैर-रेखीय आंशिक अंतर समीकरणों (nonlinear PDEs), विशेष रूप से कैन-हिलियर्ड (Cahn–Hilliard - CH) समीकरण द्वारा नियंत्रित होता है। पारंपरिक संख्यात्मक सॉल्वर (जैसे, परिमित-अंतर, परिमित-तत्व) गणनात्मक रूप से महंगे होते हैं और आधुनिक आर्किटेक्चर पर स्केलेबिलिटी की चुनौतियों का सामना करते हैं। जबकि मशीन लर्निंग (ML) सरोगेट मॉडलिंग के विकल्प प्रदान करती है, मौजूदा दृष्टिकोण संरक्षित गतिकी (conserved kinetics) को लागू करने पर विशिष्ट सीमाओं का सामना करते हैं:

फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINNs): CH समीकरण में निहित चतुर्थ-क्रम स्थानिक डेरिवेटिव्स (fourth-order spatial derivatives) के कारण संघर्ष करते हैं, जिससे अस्थिर ग्रेडिएंट प्रसार (unstable gradient propagation) होता है। वे स्पेक्ट्रल बायस (spectral bias) से भी ग्रस्त होते हैं, जो चरण पृथक्करण की विशिष्ट तीक्ष्ण सीमाओं (sharp interfaces) के बजाय सुचारू समाधानों को प्राथमिकता देते हैं, और अक्सर ऑर्डर पैरामीटर के संरक्षण को स्वाभाविक रूप से लागू करने में विफल रहते हैं।
डेटा-संचालित सरोगेट्स (जैसे, RNNs, मानक CNNs): हालांकि ये कुशल हैं, लेकिन ये मॉडल संरक्षित गतिकी वाले सिस्टम में ऑर्डर पैरामीटर के संरक्षण को बनाए रखने में विफल हो सकते हैं। भविष्यवाणियों में छोटी त्रुटियां समय के साथ संचित होती हैं, जिससे संरक्षित मात्रा में धीरे-धीरे कमी आती है और भौतिक रूप से असंगत गतिकी उत्पन्न होती है।

कार्यप्रणाली
लेखक एक अटेंशन-आधारित, भौतिकी-निर्देशित कनवल्शनल न्यूरल नेटवर्क का प्रस्ताव करते हैं जिसे विशेष रूप से संरक्षित गतिकी वाले सिस्टम को मॉडल करने के लिए डिज़ाइन किया गया है। कार्यप्रणाली डीप लर्निंग आर्किटेक्चर को भौतिक बाधाओं (physical constraints) के साथ एकीकृत करती है:

आर्किटेक्चर: मॉडल एक रेसिडुअल U-Net आर्किटेक्चर पर आधारित है, जिसमें एक संकुचन पथ (contracting path), एक केंद्रीय ब्रिज और एक विस्तार पथ (expansive path) शामिल है।
- रेसिड्यूअल ब्लॉक्स (Residual Blocks): प्रत्येक पथ में ग्रुप नॉर्मलाइजेशन (GN), GeLU एक्टिवेशन और सर्कुलर पैडिंग के साथ कनवल्शनल लेयर्स वाले रेसिड्यूअल ब्लॉक्स का उपयोग किया जाता है ताकि गहन नेटवर्क प्रशिक्षण सुगम हो सके।
- अटेंशन मैकेनिज्म (Attention Mechanism): सबसे निम्न स्थानिक रिज़ॉल्यूशन (उच्चतम रिसेप्टिव फील्ड) पर एक सेल्फ-अटेंशन ब्लॉक को केंद्रीय ब्रिज में एम्बेड किया गया है। यह नेटवर्क को वैश्विक स्थानिक सहसंबंधों (global spatial correlations) और बड़े पैमाने के रूपात्मक विकास (morphological evolution) को कैप्चर करने की अनुमति देता है, जो स्थानीय कनवल्शनल फीचर्स का पूरक बनता है।
- अपसैंपलिंग/डाउनसैंपलिंग (Upsampling/Downsampling): नेटवर्क डाउनसैंपलिंग के लिए स्ट्राइडेड कनवल्शन और अपसैंपलिंग के लिए ट्रांसपोज़्ड कनवल्शन का उपयोग करता है, जिसमें स्थानिक विवरणों को बनाए रखने के लिए स्किप कनेक्शन (skip connections) दिए गए हैं।
फिजिक्स-गाइडेड लॉस फंक्शन: CH समीकरण के अंतर्निहित संरक्षण नियम को लागू करने के लिए, प्रशिक्षण उद्देश्य में एक मिश्रित लॉस फंक्शन शामिल है:
- डेटा फिडेलिटी (Data Fidelity): अनुमानित और ग्राउंड-ट्रुथ फील्ड के बीच मीन स्क्वेर्ड एरर (MSE)।
  शून्य विचलन को कम करने के लिए एक अतिरिक्त दंड पद ( $L_{\langle\psi\rangle}$ ) जो अनुमानित फील्ड और ग्राउंड ट्रुथ के स्थानिक माध्य (spatial mean) के बीच वर्ग विचलन को न्यूनतम करता है। यह स्पष्ट रूप से विकास के दौरान ऑर्डर पैरामीटर ( $\psi$ ) के वैश्विक संरक्षण को सुनिश्चित करता है।
- कुल लॉस (Total Loss): $L = L_{MSE} + \alpha L_{\langle\psi\rangle}$ , जहाँ $\alpha$ रेगुलेराइजेशन स्ट्रेंथ को नियंत्रित करता है।
प्रशिक्षण प्रोटोकॉल:
- डेटा जनरेशन: प्रशिक्षण डेटा $64 \times 64$ लैटिस पर परिमित-अंतर विधि का उपयोग करके आयामहीन (dimensionless) CH समीकरण को संख्यात्मक रूप से हल करके तैयार किया गया था।
- डेटासेट: डेटासेट में महत्वपूर्ण ( $\psi_0 = 0$ ) और ऑफ-क्रिटिकल ( $\psi_0 = \pm 0.2, \pm 0.4$ ) संरचनाओं के लिए 20 स्वतंत्र प्रक्षेपवक्र (trajectories) शामिल हैं, जो $t \in [0, 300]$ के समय अंतराल को कवर करते हैं।
- कार्य: मॉडल को $t$ पर एक स्नैपशॉट दिए जाने पर $t + 100\Delta t$ का स्नैपशॉट अनुमान लगाने के लिए प्रशिक्षित किया जाता है। दीर्घकालिक विकास पुनरावर्ती ऑटोरिग्रेसिव इन्फरेंस (recursive autoregressive inference) के माध्यम से उत्पन्न किया जाता है।

प्रमुख परिणाम
प्रस्तावित ढांचे का मूल्यांकन महत्वपूर्ण और ऑफ-क्रिटिकल दोनों मिश्रणों पर किया गया, जिसने जटिल गतिकी को कैप्चर करने में उच्च निष्ठा प्रदर्शित की:

ऑर्डर पैरामीटर का संरक्षण: मॉडल महत्वपूर्ण और ऑफ-क्रिटिकल दोनों संरचनाओं के लिए समय के साथ स्थानिक औसत ऑर्डर पैरामीटर ( $\langle\psi\rangle$ ) को स्थिर बनाए रखने में सफल रहा, जो दीर्घकालिक रोलआउट के दौरान भी वैश्विक संरक्षण नियम को प्रभावी ढंग से सुरक्षित रखता है।
रूपात्मक सटीकता (Morphological Accuracy):
- क्रिटिकल मिश्रण: मॉडल बायकंटीन्यूअस (bicontinuous) रूपात्मकता और डोमेन कोआर्सनिंग (domain coarsening) को सटीक रूप से पुनरुत्पादित करता है। त्रुटियां मुख्य रूप से डोमेन सीमाओं तक सीमित हैं और बहुत धीरे-धीरे संचित होती हैं, जिससे लंबे क्षितिज (horizons) पर स्थिरता बनी रहती है।
- ऑफ-क्रिटिकल मिश्रण: हालांकि ड्रॉपलेट कोलेसेंस (droplet coalescence) और टूटने की जटिलता के कारण सटीकता क्रिटिकल मामलों की तुलना में थोड़ी तेजी से घटती है, फिर भी मॉडल समग्र ड्रॉपलेट रूपात्मकता को कैप्चर करता है और विस्तारित समय पैमाने पर स्थिर रहता है।
सामान्यीकरण (Generalization): $64 \times 64$ सिस्टम पर प्रशिक्षित मॉडल, बिना किसी उल्लेखनीय सटीकता गिरावट के, बड़े सिस्टम आकार ($160, 192, 256$) के लिए गतिकी का सफलतापूर्वक पूर्वानुमान लगाता है।
भौतिक निरंतरता (Physical Consistency):
- ग्रोथ लॉ (Growth Laws): अनुमानित डोमेन विकास उच्च सटीकता के साथ लिफ़शिट्ज़-स्लोज़ोव नियम ( $L(t) \sim t^{1/3}$ ) का पालन करता है, जो महत्वपूर्ण और ऑफ-क्रिटिकल दोनों मामलों के लिए संख्यात्मक सॉल्वरों से मेल खाता है।
- डायनामिक स्केलिंग: मॉडल डायनामिक स्केलिंग परिकल्पना को पुनरुत्पादित करता है, जहाँ सहसंबंध फलन (correlation functions) $C(r,t)$ को रिस्केल्ड दूरी $r/L(t)$ के विरुद्ध प्लॉट करने पर एक सार्वभौमिक मास्टर कर्व पर कोलैप्स हो जाते हैं।
- सांख्यिकीय वितरण: ऑर्डर पैरामीटर का संभाव्यता वितरण $P(\psi)$ संख्यात्मक परिणामों से मेल खाता है, जो महत्वपूर्ण मिश्रणों में समरूपता और ऑफ-क्रिटिकल मिश्रणों में विषमता को सही ढंग से कैप्चर करता है।

महत्व और दावे
यह पेपर दावा करता है कि प्रस्तावित ढांचा संरक्षित गतिकी वाले सिस्टम के मॉडलिंग के लिए एक मजबूत, डेटा-संचालित विकल्प प्रदान करता है। इसका प्राथमिक महत्व प्रशिक्षण उद्देश्य में भौतिक संरक्षण नियमों के स्पष्ट एकीकरण में निहित है, जो मानक ऑटोरिग्रेसिव ML मॉडल में सामान्य अनभौतिक त्रुटियों के संचय को रोकता है।

लेखक इस बात पर जोर देते हैं कि मॉडल केवल पिक्सेल-टू-पिक्सेल सटीकता प्राप्त नहीं करता है, बल्कि सफलतापूर्वक सिस्टम के अंतर्निहित सांख्यिकीय और गतिशील व्यवहारों को सीखता है। इसमें शामिल हैं:

संरक्षित मात्रा (ऑर्डर पैरामीटर) को लंबे समय तक बनाए रखना।
सही विकास गतिकी (लिफ़शिट्ज़-स्लोज़ोव नियम) को कैप्चर करना।
डायनामिक स्केलिंग और रूपात्मक विकास को पुनरुत्पादित करना।

यह कार्य सुझाव देता है कि इस दृष्टिकोण को अन्य जटिल गतिशील प्रणालियों तक बढ़ाया जा सकता है जो संरक्षित गतिकी द्वारा नियंत्रित होती हैं, बशर्ते कि विशिष्ट संरक्षण नियम ज्ञात हो और उसे प्रशिक्षण उद्देश्य में एनकोड किया जा सके। लेखक उल्लेख करते हैं कि भविष्य के कार्य में इन संरक्षण नियमों को पूर्व ज्ञान के रूप में आवश्यक होने के बजाय, सीधे प्रशिक्षण के दौरान सीखने का लक्ष्य रखा जा सकता है।

तकनीकी सारांश: डोमेन विकास भविष्यवाणी के लिए भौतिकी-निर्देशित कनवल्शनल न्यूरल नेटवर्क

इसी तरह के और पेपर