🔬 physics

An Optimisation Framework for the Well-Conditioned Training of Physics-Informed Neural Networks

यह शोध पत्र DSGNAR को पेश करता है, जो एक स्केलेबल सेकंड-ऑर्डर ऑप्टिमाइज़ेशन फ्रेमवर्क है जो विभिन्न आंशिक अवकल समीकरण (PDE) समस्याओं में अभूतपूर्व सटीकता और गति प्राप्त करने के लिए फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स (PINNs) के इल-कंडीशन्ड लॉस लैंडस्केप्स पर विजय प्राप्त करता है, और अक्सर अत्याधुनिक परिणामों से कई गुना बेहतर प्रदर्शन करता है।

मूल लेखक: Joseph Webb, Sadok Jerad, Coralia Cartis

प्रकाशित 2026-07-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Joseph Webb, Sadok Jerad, Coralia Cartis

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

एक बड़ी तस्वीर: एक रोबोट को भौतिकी की पहेलियाँ सुलझाना सिखाना

कल्पना कीजिए कि आपके पास एक रोबोट (एक न्यूरल नेटवर्क) है और आप चाहते हैं कि वह एक जटिल भौतिकी की पहेली सुलझाए, जैसे कि यह अनुमान लगाना कि पाइप में पानी कैसे बहता है या धातु की प्लेट के माध्यम से गर्मी कैसे फैलती है। ये पहेलियाँ गणितीय नियमों द्वारा वर्णित होती हैं जिन्हें पार्शियल डिफरेंशियल इक्वेशन्स (PDEs) कहा जाता है।

आमतौर पर, हम रोबोट को हजारों उदाहरण (डेटा) दिखाकर सिखाते हैं। लेकिन भौतिकी के मामले में, हमारे पास पर्याप्त डेटा नहीं होता है। इसके बजाय, हम रोबोट को खेल के नियम (समीकरण) बताते हैं और उससे खुद समाधान खोजने को कहते हैं। इसे फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINN) कहा जाता है।

समस्या:
यह शोध पत्र तर्क देता है कि हालांकि यह विचार बहुत अच्छा है, लेकिन वर्तमान में रोबट इन पहेलियों को सटीक रूप से सुलझाने में बहुत खराब हैं। वे या तो अटक जाते हैं या गलत उत्तर देते हैं। लेखक कहते हैं कि समस्या रोबोट के मस्तिष्क (नेटवर्क आर्किटेक्चर) में नहीं है; बल्कि यह प्रशिक्षण पद्धति (ऑप्टिमाइज़र) में है।

प्रशिक्षण प्रक्रिया को एक ऐसे हाइकर (हाइकर) के रूप में सोचें जो एक विशाल, धुंधली, पहाड़ी घाटी (जिसे "लॉस लैंडस्केप" कहा जाता है) में सबसे निचले बिंदु को खोजने की कोशिश कर रहा है।

पुराने तरीके एक ऐसे हाइकर की तरह हैं जो बहुत छोटे, हिचकिचाते हुए कदम उठाता है। वे छोटे गड्ढों (लोकल मिनिमा) में फंस जाते हैं या गलत ढलान की ओर फिसल जाते हैं क्योंकि जमीन फिसलन भरी और ऊबड़-खाबड़ (इल-कंडीशन्ड) होती है।
परिणाम: हाइकर कभी भी वास्तविक निचले बिंदु तक नहीं पहुँच पाता, और समाधान सटीक नहीं होता।

समाधान: DSGNAR

लेखक एक नया प्रशिक्षण ढांचा पेश करते हैं जिसे DSGNAR (डबली-स्केच्ड गॉस-न्यूटन विद अडैप्टिव रेशियो) कहा जाता है। यह एक ऐसे हाइकर को देने जैसा है जिसके पास एक हाई-टेक ड्रोन, एक सटीक नक्शा और एक स्मार्ट गाइड है।

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

1. "ड्रोन" का दृश्य (डबली-स्केच्ड गॉस-न्यूटन)

घाटी के निचले हिस्से को खोजने के लिए, हाइकर को इलाके के आकार को देखने की आवश्यकता होती है। गणित में, इसका अर्थ है एक विशाल, जटिल मानचित्र (एक मैट्रिक्स) की गणना करना। बड़े कार्यों के लिए, यह मानचित्र इतना बड़ा होता है कि यह हाइकर के कंप्यूटर को क्रैश कर सकता है (आउट ऑफ मेमोरी)।

नवाचार: पूरे मानचित्र को बनाने के बजाय, DSGNAR एक "ड्रोन" का उपयोग करके दो कोणों से इलाके का एक स्मार्ट, संकुचित स्नैपशॉट लेता है।
- कोण 1 (रो): यह समीकरणों को देखता है और उन्हें संकुचित करता है।
- कोण 2 (कॉलम): यह चरों (variables) को देखता है और उन्हें संकुचित करता है।
परिणाम: यह एक छोटा, प्रबंधनीय मानचित्र बनाता है जिसमें अभी भी सभी महत्वपूर्ण विवरण होते हैं। यह रोबोट को सुपरकंप्यूटर की आवश्यकता के बिना समस्या के आकार को स्पष्ट रूप से "देखने" की अनुमति देता है। यह किसी शहर के लेआउट को समझने के लिए हर एक गली में चलने के बजाय, ड्रोन से शहर की एक उच्च-रिज़ॉल्यूशन फोटो देखने जैसा है।

2. "स्मार्ट गाइड" (अडैप्टिव रेशियो)

एक बार जब हाइकर के पास नक्शा होता है, तो उसे यह तय करना होता है कि कितना बड़ा कदम उठाना है।

पुराने तरीके कठोर होते हैं। वे या तो बहुत छोटे कदम उठाते हैं (बहुत धीमे) या बहुत बड़े कदम उठाते हैं (और खाई में गिर जाते हैं)। वे अक्सर इस बारे में भ्रमित हो जाते हैं कि हाइकर को फिसलने से रोकने के लिए कितना "घर्षण" (रेगुलराइजेशन) लागू करना चाहिए।
नवाचार: DSGNAR एक "स्मार्ट गाइड" का उपयोग करता है जो लगातार एक विशिष्ट मीट्रिक जिसे रेशियो (अनुपात) कहा जाता है, की जांच करता है।
- गाइड पूछता है: "क्या हमने जो कदम उठाया है वह वास्तव में हमें लक्ष्य के करीब लाने में मदद कर रहा है, या हमने सिर्फ अनुमान लगाया है?"
- चरण 1 (सेटअप): शुरुआत में, गाइड हाइकर को बहुत सावधानी से कदम उठाने के लिए कहता है। लक्ष्य नीचे की ओर दौड़ना नहीं है, बल्कि एक स्थिर, समतल क्षेत्र खोजना है जहाँ जमीन ठोस हो। यह समस्या की "फिसलन भरी" प्रकृति को ठीक करता है।
- चरण 2 (स्प्रिंट): एक बार जब जमीन स्थिर हो जाती है, तो गाइड अपनी रणनीति बदल देता है। वह कहता है, "ठीक है, जमीन अब ठोस है। अब, चलो नीचे की ओर दौड़ लगाते हैं!"

यह दो-चरणीय दृष्टिकोण रोबोट को एक खराब समाधान की ओर दौड़ने से रोकता है। यह सुनिश्चित करता है कि रोबोट त्रुटि को आक्रामक रूप से कम करने से पहले एक "वेल-कंडीशन्ड" क्षेत्र (एक सुरक्षित स्थान) खोज ले।

3. "क्राउड सोर्सिंग" (डेंस सैंपलिंग)

आमतौर पर, PINNs केवल कुछ यादृच्छिक बिंदुओं (random points) की जांच करते हैं कि क्या वे पहेली को सही ढंग से हल कर रहे हैं। यह पूरे देश के मौसम की भविष्यवाणी करने के लिए केवल तीन शहरों में मौसम की जांच करने जैसा है।

नवाचार: क्योंकि DSGNAR बहुत कुशल है (इसके "ड्रोन" दृश्य के कारण), यह एक साथ लाखों बिंदुओं की जांच कर सकता है।
परिणाम: इसे यह अनुमान लगाने की आवश्यकता नहीं है कि पहेली के कठिन हिस्से कहाँ हैं। यह हर जगह की जांच करता है। यदि फ्लूइड फ्लो (तरल प्रवाह) में कोई तीव्र शॉकवेव है, तो रोबोट उसे तुरंत देख लेता है क्योंकि वह केवल कुछ बिंदुओं को नहीं, बल्कि पूरी तस्वीर को देख रहा है।

उन्होंने क्या हासिल किया?

इस शोध पत्र ने विभिन्न कठिन भौतिकी समस्याओं पर इस नई पद्धति का परीक्षण किया:

बर्गर्स समीकरण (Burgers' Equation): तरल शॉक (fluid shocks) के लिए एक क्लासिक परीक्षण। यह नया तरीका पिछले सर्वोत्तम तरीकों की तुलना में 1,00,000 गुना अधिक सटीक था।
हाई-डायमेंशनल पॉइसन (High-Dimensional Poisson): 10 आयामों वाली एक समस्या (कल्पना कीजिए कि 10 भुजाओं वाला एक घन है)। पारंपरिक कंप्यूटर इसे हल नहीं कर सकते, लेकिन नए तरीके ने इसे अविश्वसनीय सटीकता के साथ हल किया।
नेवियर-स्टोक्स (Navier–Stokes): तरल प्रवाह (जैसे पंख के ऊपर हवा) के जटिल समीकरण। उन्होंने इसे पहले की तुलना में बहुत तेज़ी से और अधिक सटीकता के साथ हल किया।

"जादुई" संख्याएँ:

डबल प्रिसिजन (उच्च सटीकता) में, वे इतनी कम त्रुटि तक पहुँचे जो व्यावहारिक उद्देश्यों के लिए लगभग शून्य है (जैसे $10^{-14}$ )।
सिंगल प्रिसिजन (कम सटीकता, तेज़ गति) में, उन्होंने एक जटिल तरल समस्या को 10 सेकंड से कम समय में हल किया, जिसकी सटीकता धीमे, पुराने तरीकों के बराबर है।

निष्कर्ष (The Takeaway)

यह शोध पत्र दावा करता है कि फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क अब तक पूर्ण क्यों नहीं रहे हैं, इसका कारण यह नहीं है कि AI "मूर्ख" है, बल्कि इसलिए है क्योंकि प्रशिक्षण पद्धति अनाड़ी थी।

एक संकुचित मानचित्र (स्केचिंग) का उपयोग करके समस्या को स्पष्ट रूप से देखने और एक स्मार्ट गाइड (अडैप्टिव रेशियो) का उपयोग करके यह जानने के लिए कि कब सावधान रहना है और कब आक्रामक होना है, उन्होंने एक ऐसी प्रणाली बनाई है जो एक सुपरकंप्यूटर की सटीकता के साथ लेकिन आधुनिक AI की गति के साथ भौतिकी की पहेलियाँ सुलझाती है। उन्होंने केवल सेटिंग्स को नहीं बदला; उन्होंने रोबोट के सीखने की रणनीति को ही बदल दिया।

तकनीकी सारांश: वेल-कंडीशनड ट्रेनिंग के लिए एक ऑप्टिमाइजेशन फ्रेमवर्क (DSGNAR)

1. समस्या विवरण (Problem Statement)

फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स (PINNs) आंशिक अवकल समीकरणों (PDEs) को हल करने के लिए एक मेष-फ्री (mesh-free) दृष्टिकोण के रूप में उभरे हैं, जो जटिल ज्यामिति और उच्च-आयामी समस्याओं को संभालने में लाभ प्रदान करते हैं। हालाँकि, अपनी क्षमता के बावजूद, PINNs शास्त्रीय संख्यात्मक सॉल्वर (classical numerical solvers) की सटीकता का मुकाबला करने में संघर्ष कर रहे हैं। मुख्य बाधा डेटा या मॉडल क्षमता की कमी नहीं है, बल्कि एक ऑप्टिमाइजेशन समस्या है जो एक गंभीर रूप से इल-कंडीशनड लॉस लैंडस्केप (ill-conditioned loss landscape) से उत्पन्न होती है।

मानक प्रथम-क्रम ऑप्टिमाइज़र (जैसे Adam) PINNs की उच्च-सटीकता आवश्यकताओं के लिए अपर्याप्त हैं, जहाँ लक्ष्य अवशेषों (residuals) को मशीन प्रिसिजन की सीमा तक ले जाना होता है। जबकि द्वितीय-क्रम विधियों (जैसे BFGS, KFAC, Gauss–Newton) का अन्वेषण किया गया है, वे महत्वपूर्ण चुनौतियों का सामना करते हैं:

मेमोरी और लागत: बड़ी संख्या में कोलोकेशन पॉइंट्स ( $N$ ) और पैरामीटर्स ( $d_\theta$ ) के लिए पूर्ण हेसियन (Hessian) या गॉस-न्यूटन मैट्रिक्स ( $J^T J$ ) को स्टोर करना या कंप्यूट करना अव्यवहारिक है।
इल-कंडीशनिंग (Ill-Conditioning): लॉस लैंडस्केप नॉन-कॉन्वेक्स है और रेगुलराइजेशन के प्रति अत्यधिक संवेदनशील है। स्टेप लेंथ को नियंत्रित करने की पारंपरिक रणनीतियाँ (जैसे ट्रस्ट-रीजन रेडियस $\Delta$ या रेगुलराइजेशन पैरामीटर $\lambda$ के माध्यम से) अक्सर लैंडस्केप को प्रभावी ढंग से नेविगेट करने में विफल रहती हैं, जिससे समय से पहले अभिसरण (convergence) या अस्थिरता होती है।
अवशेष चयन (Residual Selection): मौजूदा विधियाँ "रेसिड्यूअल-सिलेक्शन समस्या" के साथ संघर्ष करती हैं, जहाँ कोलोकेशन पॉइंट्स का प्लेसमेंट प्रदर्शन को महत्वपूर्ण रूप से प्रभावित करता है।

2. कार्यप्रणाली: DSGNAR

लेखक DSGNAR (डबली-स्केच्ड गॉस-न्यूटन विद एडेप्टिव रेशियो) का प्रस्ताव करते हैं, जो एक स्केलेबल सेकंड-ऑर्डर ऑप्टिमाइजेशन फ्रेमवर्क है जिसे इल-कंडीशनिंग का सीधे सामना करने के लिए डिज़ाइन किया गया है। यह विधि दो मुख्य स्तंभों पर आधारित है: एक डबली-स्केच्ड गॉस-न्यूटन मॉडल और एडेप्टिव रेशियो पर आधारित एक नवीन स्टेप-सिलेक्शन रणनीति।

2.1. डबली-स्केच्ड गॉस-न्यूटन मॉडल

पूर्ण गॉस-न्यूटन मैट्रिक्स बनाने की अत्यधिक लागत से बचने के लिए, DSGNAR रैंडमाइज्ड लीनियर अल्जेब्रा तकनीकों का उपयोग करके जैकोबियन का एक छोटा, स्पष्ट अनुमान (approximation) बनाता है।

रो स्केचिंग (CountSketch): अवशेष आयाम ( $N$ ) को CountSketch का उपयोग करके कंप्रेस किया जाता है। यह रैखिक, नॉन-इनवर्टिबल ऑपरेशन अवशेषों को कम संख्या में बकेटों ( $s$ ) में एकत्रित करता है। यह सस्ते, डेंस रेसिड्यूअल सैंपलिंग की अनुमति देता है, जहाँ PDE के महत्वपूर्ण क्षेत्र स्वाभाविक रूप से स्केच पर हावी होते हैं, जो शोर (noise) को औसत निकाल देता है और मैनुअल कोलोकेशन पॉइंट चयन की आवश्यकता को समाप्त कर देता है।
कॉलम स्केचिंग (SRCT): पैरामीटर आयाम ( $d_\theta$ ) को सबसैम्पल्ड रैंडमाइज्ड कोसाइन ट्रांसफॉर्म (SRCT) का उपयोग करके कंप्रेस किया जाता है। रो स्केचिंग के विपरीत, इसे एक 'नियर-आइसोमेट्री' होना चाहिए ताकि कंप्यूट किए गए स्टेप को पूर्ण पैरामीटर स्पेस में निष्ठापूर्वक वापस लाया जा सके। SRCT, फास्ट फूरियर ट्रांसफॉर्म्स ( $O(d_\theta \log d_\theta)$ ) की कम्प्यूटेशनल दक्षता प्रदान करता है जबकि सिंगुलर वैल्यूज को सुरक्षित रखता है।
परिणाम: एक छोटा, स्क्वायर स्केच्ड जैकोबियन $\tilde{J} \in \mathbb{R}^{s \times s}$ (जहाँ $s \ll N, d_\theta$ )। यह मैट्रिक्स इतना छोटा है कि इसके सिंगुलर वैल्यू डिकंपोजिशन (SVD) को आसानी से कंप्यूट किया जा सके। SVD किसी भी रेगुलराइजेशन पैरामीटर $\lambda$ के लिए लेवेनबर्ग-मार्क्वार्टेड स्टेप्स की तीव्र गणना को सक्षम बनाता है बिना लीनियर सिस्टम को दोबारा हल किए।

2.2. एडेप्टिव रेशियो और टू-स्टेज ऑप्टिमाइजेशन

$\lambda$ या $\Delta$ को मैन्युअल रूप से ट्यून करने के बजाय, DSGNAR डिक्रीज रेशियो $\varrho$ का उपयोग करके ऑप्टिमाइजेशन प्रक्षेपवक्र (trajectory) को नियंत्रित करता है, जो वास्तविक ऑब्जेक्टिव रिडक्शन और प्रेडिक्टेड रिडक्शन का अनुपात है।

कंडीशनिंग-फर्स्ट सिद्धांत: लेखक तर्क देते हैं कि एक PINN की सटीकता की सीमा उस प्रभावी रेगुलराइजेशन द्वारा निर्धारित होती है जो एक कमी (decrease) प्राप्त करने के लिए आवश्यक है। एक "सफल" स्टेप जो शुरुआत में ऑब्जेक्टिव को कम करता है, एक खराब समाधान की ओर ले जा सकता है यदि समस्या अभी भी इल-कंडीशनड बनी हुई है।
दो-चरणीय रणनीति (Two-Stage Strategy):
1. स्टेज 1 (एक्सप्लोरेशन): एक रूढ़वादी लक्ष्य अनुपात ( $\varrho_{\text{Stage 1}} \le 0.2$ ) का उपयोग किया जाता है। ऑप्टिमाइज़र उस पैरामीटर स्पेस के क्षेत्र को खोजने को प्राथमिकता देता है जहाँ आवश्यक रेगुलराइजेशन $\lambda$ न्यूनतम हो। यह चरण $\lambda$ को कई ऑर्डर्स ऑफ मैग्नीट्यूड तक नीचे लाने के लिए $\lambda$ को कम करता है, जो प्रभावी रूप से समस्या को "कंडीशन" करता है।
2. स्टेज 2 (डेसेंट): एक बार जब $\lambda$ अपने निचले स्तर पर पहुँच जाता है (लॉग-लीनियर फिट के माध्यम से पता लगाया जाता है), तो लक्ष्य अनुपात को बढ़ा दिया जाता है ( $\varrho_{\text{Stage 2}} \ge 0.5$ )। ऑप्टिमाइज़र फिर आक्रामक रूप से न्यूनतम की ओर उतरता है, स्टेज 1 में पाए गए वेल-कंडीशनड क्षेत्र का लाभ उठाता है।
स्टेप सिलेक्शन: एल्गोरिदम ज्योमेट्रिकली स्पेस किए गए ट्रस्ट-रीजन रेडियस के सेट को प्रोब करता है, संगत स्टेप्स और रेशियो को प्री-कंप्यूटेड SVD का उपयोग करके कंप्यूट करता है, और वर्तमान लक्ष्य अनुपात को प्राप्त करने वाले स्टेप को खोजने के लिए इंटरपोलेशन करता है।

2.3. सहायक तंत्र (Supporting Mechanisms)

ऑटोमैटिक रीवेटिंग: एक एडेप्टिव वेटिंग स्कीम विभिन्न PDE स्थितियों (जैसे डायनेमिक्स बनाम बाउंड्री कंडीशंस) के योगदान को संतुलित करती है, यह सुनिश्चित करती है कि स्केचिंग प्रक्रिया के लिए अवशेष (residuals) तुलनीय स्केल पर रहें।
हाइब्रिड प्रिसिजन: खराब इनिशियलाइजेशन के कारण डबल प्रिसिजन में शुरुआती विचलन (divergence) को रोकने के लिए, फ्रेमवर्क पहले दस इटरेशन सिंगल प्रिसिजन में चलाता है और फिर डबल प्रिसिजन में स्विच करता है।

3. प्रमुख योगदान

एक कंडीशनिंग-फर्स्ट ऑप्टिमाइजेशन फिलॉसफी: पेपर एक नियम पेश करता है जहाँ स्टेप सिलेक्शन को सीधे $\lambda$ या $\Delta$ के नियंत्रण के बजाय लक्ष्य डिक्रीज रेशियो द्वारा संचालित किया जाता है। यह आक्रामक डेसेंट से पहले वेल-कंडीशनड क्षेत्रों को खोजने को प्राथमिकता देता है।
डबली-स्केच्ड गॉस-न्यूटन: एक नवीन विधि जो CountSketch (rows) और SRCT (columns) का उपयोग करके एक डबली-स्केच्ड जैकोबियन को स्पष्ट रूप से बनाती है। यह घने अवशेषों के सैंपलिंग और कुशल SVD-आधारित स्टेप कंप्यूटेशन की अनुमति देता है, जो मैट्रिक्स-फ्री विधियों की मेमोरी बाधाओं को दूर करता है।
मजबूती और स्केलेबिलिटी: फ्रेमवर्क को आर्किटेक्चर विकल्पों (MLP, SIREN, SPINN, GaborNet), अंकगणितीय परिशुद्धता (सिंगल/डबल), और प्रारंभिक हाइपरपैरामीटर्स के प्रति मजबूत दिखाया गया है।
स्टेट-ऑफ-द-आर्ट प्रदर्शन: विधि विविध PDE सुइट पर अभूतपूर्व सटीकता और गति प्राप्त करती है।

4. प्रयोगात्मक परिणाम

फ्रेमवर्क का मूल्यांकन नॉनलीनियर, केओटिक (chaotic), मल्टी-स्केल, हाई-डायमेंशनल और नेवियर-स्टोक्स समीकरणों सहित एक व्यापक सुइट पर किया गया। मुख्य परिणाम शामिल हैं:

बर्गर्स इक्वेशन (Burgers' Equation): डबल प्रिसिजन में $7.97 \times 10^{-14}$ की रिलेटिव $\ell_2$ एरर प्राप्त की (346.1s), जो स्टेट-ऑफ-द-आर्ट परिणामों से पांच ऑर्डर्स ऑफ मैग्नीट्यूड बेहतर है। सिंगल प्रिसिजन में, इसने 10 सेकंड से कम समय में $4.75 \times 10^{-7}$ प्राप्त किया।
कुरामोटो-सिवाशिंस्की इक्वेशन (Kuramoto–Sivashinsky Equation): $5.12 \times 10^{-7}$ की एरर के साथ केओटिक डायनेमिक्स को हल किया, जो पिछले बेंचमार्क से काफी बेहतर है।
हाई-डायमेंशनल पॉइसन (10D): $5.96 \times 10^{-12}$ की एरर प्राप्त की, जो मौजूदा विधियों की तुलना में आठ ऑर्डर्स ऑफ मैग्नीट्यूड का सुधार है।
नेवियर-स्टोक्स (लिड-ड्रिवन कैविटी): कपल्ड सिस्टम को 402.9 सेकंड में $1.13 \times 10^{-4}$ की वेलोसिटी एरर के साथ हल किया।
प्रिसिजन एफिशिएंसी: परिणाम दर्शाते हैं कि उच्च-सटीकता वाले PINN समाधानों के लिए सिंगल प्रिसिजन अक्सर पर्याप्त हो सकता है, जो मशीन-प्रिसिजन सीमाओं तक पहुँचने की क्षमता से समझौता किए बिना काफी सस्ता ऑपरेटिंग पॉइंट प्रदान करता है।

5. महत्व और दावे

पेपर दावा करता है कि DSGNAR व्यावहारिक अनुप्रयोग के लिए PINNs में एक महत्वपूर्ण छलांग है। प्रशिक्षण प्रक्रिया को केवल एक मिनीमाइजेशन टास्क के बजाय एक कंडीशनिंग समस्या के रूप में पुनर्गठित करके, और रैंडमाइज्ड लीनियर अल्जेब्रा का उपयोग करके सेकंड-ऑर्डर विधियों को स्केलेबल बनाकर, यह फ्रेमवर्क:

इल-कंडीशनिंग बैरियर को पार करता है: यह सीधे उस प्राथमिक बाधा को संबोधित करता है जो PINNs को क्लासिकल सॉल्वर्स के बराबर होने से रोकती है।
क्लासिकल सॉल्वर प्रिसिजन प्रदान करता है: यह प्रदर्शित करता है कि PINNs $3 \times 10^{-16}$ जितनी कम रिलेटिव एरर प्राप्त कर सकते हैं, जो पारंपरिक संख्यात्मक विधियों की बराबरी करती है।
एक व्यावहारिक मार्ग प्रदान करता है: स्केच साइज को कम्प्यूटेशनल कॉस्ट के साथ बदलने की क्षमता, वर्तमान स्टेट-ऑफ-द-आर्ट की तुलना में प्रतिस्पर्धी सटीकता बनाए रखते हुए ऑर्डर्स ऑफ मैग्नीट्यूड तेजी से "अग्रेसिव" सॉल्व्स करने की अनुमति देती है।

लेखक नोट करते हैं कि हालांकि यह विधि मजबूत है, लेकिन कुछ कपल्ड सिस्टम (जैसे नेवियर-स्टोक्स) के लिए बॉटलनेक अंडरलाइंग PINN फॉर्मूलेशन से बदलकर ऑप्टिमाइज़र पर आ सकता है, जो सुझाव देता है कि भविष्य के कार्य में वैकल्पिक PINN ऑब्जेक्टिव शामिल हो सकते हैं। सैद्धांतिक रूप से, जबकि घटक (CountSketch, SRCT) अच्छी तरह से समझे गए हैं, संयुक्त डबली-स्केच्ड निर्माण के लिए समर्पित विश्लेषण एक खुला प्रश्न बना हुआ है।