🤖 machine learning

Physics-informed Conditional Normalizing Flows for Angles-only Cislunar Orbit Determination

यह शोध पत्र विचलित अवलोकनों (perturbed observations) से एक लचीले पश्च वितरण (posterior distribution) को सीखने के माध्यम से एंगल्स-ओनली सिस्लुनर ऑर्बिट निर्धारण (angles-only cislunar orbit determination) को हल करने के लिए 'फिजिक्स-इन्फॉर्म्ड कंडिशनल नॉर्मलाइजिंग फ्लो' पेश करता है, जो सांख्यिकीय रूप से सुसंगत अवस्था परिकल्पनाएं उत्पन्न करता है जो शास्त्रीय नॉनलीनियर लीस्ट-स्क्वेयर्स रिफाइनमेंट के लिए प्रतिस्पर्धी वार्म स्टार्ट के रूप में कार्य करती हैं।

मूल लेखक: Walther Litteri, Massimiliano Vasile

प्रकाशित 2026-07-01

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Walther Litteri, Massimiliano Vasile

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

मुख्य विचार: अंधेरे में एक भूत की खोज करना

कल्पना कीजिए कि आप एक हाईवे पर चल रही एक विशिष्ट कार को खोजने की कोशिश कर रहे हैं, लेकिन आप केवल दूर से उसकी हेडलाइट्स देख सकते हैं। आप कार को खुद नहीं देख सकते, और आपको यह भी नहीं पता कि वह कितनी तेज़ चल रही है या वह वास्तव में कहाँ से शुरू हुई थी। आपके पास केवल कुछ स्नैपशॉट्स हैं जो दिखाते हैं कि अलग-अलग समय पर हेडलाइट्स किस दिशा में इशारा कर रही हैं।

यही वह समस्या है जिसे यह शोध पत्र हल करता है: ऑर्बिट डिटरमिनेशन (कक्षा निर्धारण)। विशेष रूप से, वे यह पता लगाने की कोशिश कर रहे हैं कि पृथ्वी और चंद्रमा के बीच के अंतरिक्ष (जिसे "सिसलुनर" वातावरण कहा जाता है) में एक अंतरिक्ष यान कहाँ है और वह कितनी गति से चल रहा है, और यह सब केवल "एंगल्स-ओनली" डेटा (यानी, पृथ्वी से देखी गई वस्तु की दिशा, जैसे अज़ीमुथ और ऊंचाई) का उपयोग करके किया जा रहा है।

चुनौती: एक अराजक नृत्य (A Chaotic Dance)

पृथ्वी और चंद्रमा के बीच का स्थान बहुत जटिल है। यह पृथ्वी की कक्षा की तरह कोई सुचारू और अनुमानित हाईवे नहीं है। यह एक अराजक डांस फ्लोर की तरह है जहाँ पृथ्वी और चंद्रमा का गुरुत्वाकर्षण अंतरिक्ष यान को लगातार अलग-अलग दिशाओं में खींच रहा है। यदि आप गलत शुरुआती स्थान का अनुमान लगाते हैं, तो अंतरिक्ष यान चंद्रमा से टकरा सकता है या गहरे अंतरिक्ष में उड़ सकता है।

पारंपरिक तरीके इसे हल करने के लिए एक अनुमान लगाने, यह देखने के लिए कि क्या वह डेटा में फिट बैठता है, और फिर उस अनुमान को बार-बार बदलने (जैसे रेडियो ट्यून करने की कोशिश करना जब तक कि शोर साफ न हो जाए) का प्रयास करते हैं। लेकिन यदि आपका पहला अनुमान बहुत गलत है, तो "ट्यूनिंग" गलत स्टेशन पर अटक जाएगी, और आप कभी भी असली सिग्नल नहीं ढूंढ पाएंगे।

नया समाधान: एक "स्मार्ट गेसिंग" मशीन

लेखकों ने इस पहले अनुमान को लगाने के लिए जेनरेटिव आर्टिफिशियल इंटेलिजेंस (Generative AI) का उपयोग करने का एक नया तरीका प्रस्तावित किया है। इस AI को एक कैलकुलेटर के रूप में नहीं, बल्कि एक सुपर-स्मार्ट डिटेक्टिव (जासूस) के रूप में सोचें जिसने इस विशिष्ट गुरुत्वाकर्षण वातावरण में अंतरिक्ष यानों के हजारों घंटों के फुटेज का अध्ययन किया है।

यहाँ बताया गया है कि उनका सिस्टम चरण-दर-चरण कैसे काम करता है:

1. "डांस मूव्स" सीखना (Normalizing Flows)

AI को सिंथेटिक अंतरिक्ष यान के रास्तों के एक विशाल डेटासेट पर प्रशिक्षित किया जाता है। यह संभावना के वितरण (probability distribution) को सीखता है कि कोण माप के सेट को देखते हुए एक अंतरिक्ष यान कहाँ हो सकता है।

उपमा: कल्पना कीजिए कि AI एक नृत्य सीख रहा है। वह केवल एक विशिष्ट नृत्य की दिनचर्या को याद नहीं करता है; वह नृत्य के नियमों को सीखता है। वह समझता है कि यदि लाइटें कोण A पर हैं, तो डांसर के स्थान B पर होने की संभावना है, लेकिन इस बात की भी छोटी संभावना है कि वे स्थान C पर हो सकते हैं। यह सभी संभावित स्थानों का एक लचीला मानचित्र बनाता है।

2. "फिजिक्स" का सुरक्षा जाल (Physics-Informed Loss)

यह इस शोध पत्र का सबसे महत्वपूर्ण हिस्सा है। एक मानक AI सांख्यिकीय रूप से संभावित दिखने वाले लेकिन भौतिक रूप से असंभव (जैसे कि एक कार का दीवार के माध्यम से गाड़ी चलाना) स्थानों का अनुमान लगा सकता है।

उपमा: लेखकों ने AI के प्रशिक्षण में एक "फिजिक्स कोच" जोड़ा है। हर बार जब AI एक अनुमान लगाता है, तो कोच चेक करता है: "यदि अंतरिक्ष यान यहाँ से शुरू होता है, तो क्या यह वास्तव में देखे गए अवलोकनों से मेल खाने के लिए गुरुत्वाकर्षण के नियमों का पालन करेगा?"
यदि AI एक ऐसा स्थान चुनता है जो भौतिकी के नियमों को तोड़ता है, तो कोच उसे एक "पेनल्टी" देता है। यह AI को एक ऐसा मानचित्र सीखने के लिए मजबूर करता है जहाँ हर संभावित अनुमान एक वैध, भौतिक रूप से संभव कक्षा (orbit) हो।

3. अनुमान लगाना (Sampling)

जब एक वास्तविक अंतरिक्ष यान देखा जाता है, तो AI केवल एक उत्तर नहीं देता। यह "संभावित" शुरुआती स्थितियों का एक पूरा बादल (cloud) उत्पन्न करता है जो कोणों के अनुकूल हैं और भौतिकी के नियमों का पालन करते हैं।

उपमा: यह कहने के बजाय कि "कार निश्चित रूप से मील मार्कर 50 पर है," AI कहता है, "हेडलाइट्स के आधार पर, कार संभवतः इस विशिष्ट 10-मील के हिस्से में कहीं है, और यहाँ 100 अलग-अलग स्थान दिए गए हैं जहाँ वह हो सकती है।"

4. अंतिम पॉलिश (Refinement)

इन AI-जनरेटेड अनुमानों को फिर एक पारंपरिक, उच्च-सटीक गणितीय एल्गोरिदम (Nonlinear Least Squares) में फीड किया जाता है।

उपमा: AI पारंपरिक गणितीय एल्गोरिदम को एक बहुत अच्छा "वार्म स्टार्ट" देता है। यह एक GPS को आपके स्थान का एक मोटा विचार देने जैसा है ताकि उसे आपको खोजने के लिए पूरी दुनिया को खोजने की आवश्यकता न पड़े। क्योंकि AI का अनुमान पहले से ही बहुत करीब और भौतिक रूप से सही है, इसलिए GPS लगभग तुरंत सटीक स्थान को लॉक कर लेता है।

उन्होंने क्या पाया?

शोध पत्र ने इस पद्धति का परीक्षण अनुमान लगाने के दो अन्य तरीकों के विरुद्ध किया:

"मून गेस" (The Moon Guess): बस यह मान लेना कि अंतरिक्ष यान चंद्रमा के पास है (एक सामान्य, सरल अनुमान)।
"परफेक्ट गेस" (The Perfect Guess): सटीक शुरुआती बिंदु जानना (जो वास्तविक जीवन में संभव नहीं है, लेकिन एक बेंचमार्क के रूप में उपयोग किया गया है)।

परिणाम:

AI विधि "मून गेस" की तुलना में बहुत बेहतर थी।
AI विधि "परफेक्ट गेस" के लगभग बराबर थी।
महत्वपूर्ण रूप से, "फिजिक्स कोच" (फिजिक्स-इन्फॉर्म्ड लॉस) के बिना, AI कभी-कभी ऐसे अनुमान लगाता था जो सांख्यिकीय रूप से अच्छे दिखते थे लेकिन जब गणित को रिफाइन करने की कोशिश की जाती थी तो विफल हो जाते थे। AI को ईमानदार रखने के लिए भौतिकी शब्द (physics term) आवश्यक था।

सारांश

यह शोध पत्र अंतरिक्ष नेविगेशन के लिए एक नया उपकरण प्रस्तुत करता है। यह एक स्मार्ट AI का उपयोग करता है जो "नृत्य के नियमों" (भौतिकी) को सीखता है ताकि एक अंतरिक्ष यान कहाँ है, इसके बारे में अविश्वसनीय रूप से सटीक पहले अनुमान लगाए जा सकें। यह पारंपरिक नेविगेशन प्रणालियों को अंतरिक्ष यान को तेज़ी से और अधिक विश्वसनीय रूप से खोजने में मदद करता है, विशेष रूप से पृथ्वी और चंद्रमा के बीच के अराजक वातावरण में, केवल सरल दिशात्मक डेटा का उपयोग करके।

तकनीकी सारांश: एंगल्स-ओनली सिसल्यूनर ऑर्बिट डिटरमिनेशन के लिए फिजिक्स-इन्फॉर्म्ड कंडिशनल नॉर्मलाइजिंग फ्लोज़

समस्या विवरण

यह कार्य सिसल्यूनर वातावरण (cislunar environment) में प्रारंभिक कक्षीय निर्धारण (Initial Orbit Determination - IOD) की चुनौती को संबोधित करता है, विशेष रूप से पृथ्वी-चंद्रमा के $L_2$ बिंदु के चारों ओर नियर रेक्टिलिनियर हेलो ऑर्बिट्स (NRHOs) में संचालित होने वाले अंतरिक्ष यान के लिए। समस्या को एक एंगल्स-ओनली (angles-only) अनुमान कार्य के रूप में तैयार किया गया है, जहाँ लक्ष्य एक ग्राउंड स्टेशन (सेब्रेरोस, स्पेन) द्वारा एकत्र किए गए अज़िमथ और एलिवेशन मापों ( $\theta, \phi$ ) के एक संक्षिप्त आर्क के आधार पर, एक लक्ष्य के प्रारंभिक भू-केंद्रित अवस्था ( $X_1 \in \mathbb{R}^6$ ) के संभाव्यता वितरण (probability distribution) का अनुमान लगाना है।

समस्या महत्वपूर्ण कठिनाइयों से युक्त है:

डेटा की कमी: अवलोकन (observations) संक्षिप्त आर्क (50-150 मिनट) और विरल अंतराल (sparse cadence) तक सीमित हैं।
गतिक जटिलता (Dynamical Complexity): सिसल्यूनर वातावरण सर्कुलर रिस्ट्रिक्टेड थ्री-बॉडी प्रॉब्लम (CR3BP) द्वारा शासित है, जो स्वाभाविक अस्थिरता और अराजक व्यवहार प्रदर्शित करता है।
पूर्व ज्ञान (Priors) का अभाव: नियमित ऑर्बिट डिटरमिनेशन (OD) के विपरीत, IOD में पूर्व अवस्था जानकारी का अभाव होता है, जिससे यह व्युत्क्रम समस्या (inverse problem) अत्यधिक गैर-रेखीय हो जाती है और पारंपरिक अनुकूलन (optimization) में स्थानीय मिनिमा (local minima) के प्रति संवेदनशील होती है।
GNSS की अनुपस्थिति: सिसल्यूनर क्षेत्र के लिए कोई समर्पित ग्लोबल नेविगेशन सैटेलाइट सिस्टम नहीं है, जिससे ऑप्टिकल ट्रैकिंग पर निर्भरता आवश्यक हो जाती है।

कार्यप्रणाली

लेखक एक जेनेरेटिव एस्ट्रोडायनामिक्स ढांचे का प्रस्ताव करते हैं जो ऑर्बिट डिटरमिनेशन को एक कंडीशनल डेंसिटी एस्टीमेशन समस्या के रूप में मानता है। सीधे एक एकल स्टेट वेक्टर को हल करने के बजाय, मॉडल $p(\bar{X}_1 | Y)$ के कंडीशनल प्रोबेबिलिटी डिस्ट्रीब्यूशन को सीखता है, जहाँ $Y$ अवलोकन अनुक्रम $Y$ का प्रतिनिधित्व करता है।

1. जेनेरेटिव आर्किटेक्चर: कंडिशनल नॉर्मलाइजिंग फ्लोज़

दृष्टिकोण का मुख्य भाग एक कंडिशनल नॉर्मलाइजिंग फ्लो (CNF) मॉडल है, विशेष रूप से एक रियल नॉन-वॉल्यूम प्रिजर्विंग (Real-NVP) आर्किटेक्चर।

रूपांतरण (Transformation): मॉडल एक व्युत्क्रमणीय मैपिंग $f: \mathbb{R}^6 \to \mathbb{R}^6$ को परिभाषित करता है जो लक्षित प्रारंभिक अवस्था $\bar{X}_1$ को एक ज्ञात बेस डिस्ट्रीब्यूशन (स्टैंडर्ड मल्टीवेरिएट गॉसियन) से प्राप्त लेटेंट वेरिएबल $w$ में बदल देता है।
कंडीशनिंग: फ्लो को अवलोकन आर्क $Y_k$ पर कंडिशन किया गया है। परिवर्तनशील लंबाई वाले अवलोकन अनुक्रमों और विविध ऑब्जर्वर लोकेशन्स को संभालने के लिए, एक ट्रांसफॉर्मर-आधारित एनकोडर अवलोकन अनुक्रम $Y_k$ को एक निश्चित आकार के प्रतिनिधित्व $\tilde{Y}_k$ में संसाधित करता है, जिसे प्रत्येक कपलिंग लेयर में मास्क किए गए स्टेट कंपोनेंट्स के साथ जोड़ा जाता है।
सैंपलिंग (Sampling): इन्फरेंस के दौरान, लेटेंट सैंपल्स को प्रशिक्षण डेटा से प्राप्त लेटेंट कोड्स ( $w_{inf} = w_{train} + 0.1\varepsilon$ ) को विक्षेपित करके उत्पन्न किया जाता है। इन्हें इन्वर्स फ्लो $g(w|Y_{new})$ के माध्यम से वापस मैप किया जाता है ताकि सांख्यिकीय रूप से सुसंगत प्रारंभिक अवस्था हाइपोथीसिस का एक सेट बनाया जा सके।

2. फिजिक्स-इन्फॉर्म्ड रेगुलराइजेशन

कार्यप्रणाली का एक महत्वपूर्ण घटक गतिक निरंतरता (dynamical consistency) सुनिश्चित करने के लिए प्रशिक्षण लॉस फंक्शन में भौतिक नियमों का एकीकरण है।

मानक लॉस (Standard Loss): मॉडल कंडीशनल डिस्ट्रीब्यूशन के नेगेटिव लॉग-लाइक्लीहुड ( $L_{flow}$ ) को कम करता है।
फिजिक्स लॉस ( $L_{phys}$ ): एक अतिरिक्त टर्म पेश किया गया है जो उन अवस्थाओं को दंडित करता है जो, सांख्यिकीय रूप से संभावित होने के बावजूद, गति के समीकरणों का उल्लंघन करती हैं। इसकी गणना इस प्रकार की जाती है:
1. RK4 के माध्यम से एकीकृत CR3BP इक्वेशन्स ऑफ मोशन का उपयोग करके उत्पन्न प्रारंभिक अवस्था को समय में आगे प्रोपेगेट करना।
2. अनुमानित एंगल्स-ओनली ऑब्जर्वेबल्स की गणना करना।
3. वास्तविक मापों और अनुमानित अवशेषों (residuals) के बीच रेसिड्यूल वेक्टर $\bar{\sigma}$ की गणना करना।
4. इन अवशेषों के स्क्वेर्ड नॉर्म को न्यूनतम करना।
कुल उद्देश्य (Total Objective): संयुक्त लॉस $L = L_{flow} + \beta L_{phys}$ है, जहाँ $\beta$ एक वेटिंग कोएफिशिएंट है जो प्रशिक्षण के पहले 100 एपोक्स के दौरान रैखिक रूप से बढ़ता है।

3. हाइब्रिड एस्टीमेशन पाइपलाइन

जेनेरेटिव मॉडल एक वार्म स्टार्ट (warm start) के रूप में कार्य करता है। वर्कफ़्लो इस प्रकार है:

जेनरेशन: CNF नए मापों के आधार पर कई संभावित प्रारंभिक अवस्था हाइपोथीसिस उत्पन्न करता है।
रिफाइनमेंट: इन हाइपोथीसिस को नॉनलीनर लीस्ट-स्क्वेयर्स एस्टीमेशन (NLSE) एल्गोरिदम (गॉस-न्यूटन इटरेटिव स्कीम) में भेजा जाता है ताकि अनुमानों को परिष्कृत किया जा सके और मेजरमेंट रेसिड्यूल्स को कम किया जा सके।

प्रमुख योगदान

IOD का जेनेरेटिव फॉर्मूलेशन: यह पेपर जेनेरेटिव एस्ट्रोडायनामिक्स को सिसल्यूनर डोमेन तक विस्तारित करता है, IOD को एक नियतात्मक (deterministic) व्युत्क्रम समस्या के बजाय एक कंडीशनल डेंसिटी एस्टीमेशन कार्य के रूप में फ्रेम करता है। यह मल्टीमॉडल पोस्टीरियर्स (multimodal posteriors) और अंतर्निहित अनिश्चितता मात्रा निर्धारण (uncertainty quantification) का प्रतिनिधित्व करने की अनुमति देता है।
फिजिक्स-इन्फॉर्म्ड नॉर्मलाइजिंग फ्लोज़: लेखक यह प्रदर्शित करते हैं कि नॉर्मलाइजिंग फ्लोज़ के लाइक्लीहुड-आधारित प्रशिक्षण को फिजिक्स-इन्फॉर्म्ड लॉस टर्म ( $L_{phys}$ ) के साथ जोड़ना आवश्यक है। जबकि फ्लो बिना इस टर्म के प्रशिक्षण डेटा को पुनर्गठित करना सीख सकता है, फिजिक्स लॉस एक रेगुलराइज़र के रूप में कार्य करता है जो यह सुनिश्चित करता है कि सीखा गया लेटेंट मैनिफोल्ड गतिक निरंतरता बनाए रखता है, जिससे इन्फरेंस के दौरान भौतिक रूप से अस्वीकार्य अवस्थाओं के निर्माण को रोका जा सके।
मजबूत इनिशियलाइजेशन रणनीति: यह अध्ययन प्रमाणित करता है कि CNF, नैइव एप्रोक्सिमेशन (जैसे चंद्रमा की अवस्था को प्रॉक्सी के रूप में उपयोग करना) की तुलना में क्लासिकल NLSE के लिए एक बेहतर इनिशियलाइजेशन रणनीति है।

परिणाम

मॉडल को 10 विशिष्ट NRHO प्रक्षेप पथों (trajectories) से प्राप्त 4,119 वैध अवलोकन आर्क के सिंथेटिक डेटासेट पर प्रशिक्षित किया गया था।

प्रशिक्षण गतिशीलता (Training Dynamics): $L_{phys}$ के समावेश के परिणामस्वरूप एक स्थिर प्रशिक्षण प्रक्रिया मिली जहाँ लेटेंट डिस्ट्रीब्यूशन बेस गॉसियन के करीब रहा जबकि भौतिक निष्ठा (physical fidelity) के लिए आवश्यक विचलन को कैप्चर किया गया।
प्रदर्शन तुलना:
- चंद्रमा-आधारित एप्रोक्सिमेशन बनाम: फ्लो-आधारित इनिशियलाइजेशन ने चंद्रमा की अवस्था पर आधारित इनिशियलाइजेशन की तुलना में काफी बेहतर प्रदर्शन किया, जिससे कम पोजीशन/वेलोसिटी एरर और बहुत छोटे पोस्ट-फिट रेसिड्यूल्स प्राप्त हुए। चंद्रमा-आधारित दृष्टिकोण अक्सर लोकल मिनिमा में फंस गया।
- सटीक इनिशियलाइजेशन बनाम: फ्लो-आधारित दृष्टिकोण ने सटीक वास्तविक अवस्था के साथ NLSE को इनिशियलाइज करने के बराबर सटीकता प्राप्त की, जो उच्च-गुणवत्ता वाले शुरुआती बिंदु प्रदान करने की इसकी क्षमता को दर्शाता है।
एब्लेशन स्टडी (Ablation Study): फिजिक्स-इन्फॉमर लॉस टर्म को हटाने से मजबूती में गिरावट आई। हालांकि औसत रेसिड्यूल्स कम रहे, मॉडल ने बड़े अधिकतम एरर (लगभग ~9,600 किमी तक स्थिति में) उत्पन्न किए, जो तत्काल प्रशिक्षण मैनिफोल्ड के बाहर भौतिक रूप से सुसंगत समाधानों तक सामान्यीकरण करने में विफलता को दर्शाता है।

महत्व और दावे

यह पेपर दावा करता है कि यह कार्य एक जटिल, वास्तविक दुनिया की नेविगेशन समस्या (सिसल्यूनर IOD) पर कंडीशनल नॉर्मलाइजिंग फ्लोज़ को सफलतापूर्वक लागू करके जेनेरेटिव एस्ट्रोडायनामिक्स में एक महत्वपूर्ण कदम है।

प्राथमिक महत्व जेनेरेटिव AI और भौतिक नियमों के बीच तालमेल में निहित है। लेखक तर्क देते हैं कि:

शुद्ध डेटा-संचालित जेनेरेटिव मॉडल सांख्यिकीय रूप से प्रशंसनीय लेकिन गतिक रूप से असंभव अवस्थाएँ उत्पन्न कर सकते हैं।
फिजिक्स-इन्फॉर्म्ड लॉस केवल एक प्रदर्शन बूस्टर नहीं है, बल्कि एक आवश्यक बाधा है जो यह सुनिश्चित करती है कि जेनेरेटिव मॉडल CR3BP की अंतर्निहित गतिक संरचना को सीखता है।
प्रस्तावित विधि नियतात्मक OD के लिए एक संभाव्यता (probabilistic) विकल्प प्रदान करती है, जो अनिश्चितता मात्रा निर्धारण और मल्टी-मोडल सॉल्यूशन स्पेस (जैसे एक ही छोटे आर्क के लिए कई वैध ऑर्बिट्स) को संभालने के लिए एक स्वाभाविक तंत्र प्रदान करती है।
एक वार्म स्टार्ट के रूप में, यह विधि क्लासिकल एल्गोरिदम के लिए कन्वर्जेंस के जोखिम को कम करती है, जो अत्यधिक गैर-रेखीय सिसल्यूनर वातावरण में एक महत्वपूर्ण लाभ है जहाँ अवलोकन आर्क छोटे और शोर वाले होते हैं।

लेखक निष्कर्ष निकालते हैं कि इस दृष्टिकोण में भविष्य के कार्य द्वारा वास्तविक अवलोकन डेटा को मान्य किए जाने पर, व्यापक अंतरिक्ष नेविगेशन परिदृश्यों, जिसमें विरल अवलोकन और स्वायत्त ऑनबोर्ड नेविगेशन शामिल है, तक विस्तार करने की क्षमता है।