🔢 mathematics

Level-set physics-informed neural networks for domain inverse problems of gravimetry

यह शोध पत्र एक लेवल-सेट फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क फ्रेमवर्क प्रस्तावित करता है जो विच्छिन्न इंटरफेस (discontinuous interfaces) से जुड़ी प्रशिक्षण चुनौतियों पर काबू पाने के लिए एक इंटरफेस-अवेयर बैकप्रोपैगेशन रणनीति और एडेप्टिव कोलैकेशन पॉइंट रिफाइनमेंट से सुसज्जित है, ताकि ग्रेविमेट्री में इल-पोज़्ड डोमेन इनवर्स समस्याओं को प्रभावी ढंग से हल किया जा सके।

मूल लेखक: Jingnan Yao, Wenbin Li, Jianliang Qian

प्रकाशित 2026-07-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jingnan Yao, Wenbin Li, Jianliang Qian

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 एक जासूस हैं जो यह पता लगाने की कोशिश कर रहे हैं कि एक सीलबंद, अपारदर्शी (opaque) बक्से के अंदर क्या छिपा है। आप इसे खोल नहीं सकते, लेकिन आप बक्से के बाहर गुरुत्वाकर्षण के सूक्ष्म खिंचाव को माप सकते हैं। इन मापों के आधार पर, आपको अंदर मौजूद भारी वस्तुओं के आकार और स्थान का अनुमान लगाना है। यही ग्रेविमेट्री (gravimetry) का मूल है: गुरुत्वाकर्षण का उपयोग करके यह देखना कि जमीन के नीचे (या किसी ग्रह के भीतर) क्या है।

समस्या यह है कि यह एक बहुत ही कठिन पहेली है। छिपी हुई वस्तुओं के कई अलग-अलग आकार बाहर से बिल्कुल एक जैसा गुरुत्वाकर्षण खिंचाव पैदा कर सकते हैं। इसे एक "इल-पोज़्ड" (ill-posed) समस्या कहा जाता है, जिसका अर्थ है कि बहुत से गलत उत्तर ऐसे हैं जो सही उत्तर जितने ही सटीक लग सकते हैं।

नया जासूसी उपकरण: "लेवल-सेट PINNs"

इस शोध पत्र के लेखक इस पहेली को हल करने का एक नया तरीका प्रस्तावित करते हैं, जिसमें आर्टिफिशियल इंटेलिजेंस (AI), विशेष रूप से फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स (PINNs) नामक एक प्रकार का उपयोग किया गया है।

यहाँ बताया गया है कि यह कैसे काम करता है, जिसे सरल अवधारणाओं में विभाजित किया गया है:

1. "डायरेक्ट" AI के साथ समस्या

आमतौर पर, यदि आप एक मानक AI से छिपी हुई वस्तु के आकार का अनुमान लगाने के लिए कहते हैं, तो वह हर जगह घनत्व (density) की एक धुंधली तस्वीर बनाने की कोशिश करता है। लेकिन वास्तविक छिपी हुई वस्तुओं के किनारे तीखे (sharp edges) होते हैं (जैसे कि एक पत्थर या धातु का गोला)। AI नेटवर्क स्वाभाविक रूप से "स्मूथ" (चिकने) होते हैं और तीखे किनारों से उन्हें परेशानी होती है। एक स्मूथ AI को एक तीखे पत्थर को चित्रित करने के लिए मजबूर करना एक गीले ब्रश से एक सटीक वर्ग (square) बनाने की कोशिश करने जैसा है; किनारे धुंधले हो जाते हैं, और AI भ्रमित हो जाता है, जिससे गलत अनुमान लगता है।

2. समाधान: "घोस्ट मैप" (लेवल-सेट)

AI को सीधे वस्तु को चित्रित करने के लिए कहने के बजाय, लेखक AI को एक भूत (ghost) का नक्शा बनाने के लिए कहते हैं।

कल्पना कीजिए कि एक निरंतर, चिकनी पहाड़ी है जो जमीन से ऊपर उठ रही है।
पहाड़ी का शिखर (top) "वस्तु के अंदर" को दर्शाता है।
घाटी का निचला हिस्सा (bottom) "वस्तु के बाहर" को दर्शाता है।
जीरो लाइन (zero line) (जहाँ पहाड़ी जमीन से मिलती है) वस्तु की सटीक सीमा (boundary) है।

इसे लेवल-सेट (Level-Set) कहा जाता है। AI को केवल एक चिकनी पहाड़ी बनाने की आवश्यकता है (जिसमें वह कुशल है), और वस्तु का "तीखा किनारा" उस चिकनी पहाड़ी पर केवल जीरो लाइन है। यह उस समस्या को हल करता है जहाँ AI तीखे कोनों के साथ संघर्ष करता है।

3. "स्मार्ट ग्रेडिएंट" ट्रिक (इंटरफेस-अवेयर बैकप्रोपैगेशन)

AI को प्रशिक्षित करना एक छात्र को उनकी गलतियों को दिखाकर सिखाने जैसा है। AI गणना करता है कि वह कितना गलत है और बेहतर होने के लिए अपने "मस्तिष्क" (weights) को समायोजित करता है।

समस्या: क्योंकि वस्तु का किनारा बहुत तीखा है, AI का गणित अक्सर टूट जाता है। या तो उसे "झटका" (exploding gradients) लगता है जहाँ सुधार बहुत बड़ा हो जाता है, या वह "सुन्न" (vanishing gradients) हो जाता है जहाँ उसे हिलने की आवश्यकता महसूस नहीं होती। यह कार चलाने की कोशिश करने जैसा है जहाँ स्टीयरिंग व्हील या तो पूरी तरह लॉक है या पूरी तरह ढीला है।
समाधान: लेखकों ने एक विशेष ट्रिक बनाई है जिसे इंटरफेस-अवेयर बैकप्रोपैगेशन (Interface-Aware Backpropagation) कहा जाता है।
- जब AI डेटा को देखकर तीखे किनारे को देखता है, तो वह किनारे को तीखा रखने के लिए एक बहुत ही पतली, सटीक स्केल (एक छोटा नंबर $\tau$ ) का उपयोग करता है।
- लेकिन जब AI अपनी गलतियों से सीखता है (बैकप्रोपैगेशन), तो वह अस्थायी रूप से एक चौड़े स्केल (एक बड़ा नंबर $\tilde{\tau}$ ) का उपयोग करता है।
- उपमा: कल्पना कीजिए कि आप अंधेरे में एक चट्टान के किनारे को खोजने की कोशिश कर रहे हैं। किनारे को स्पष्ट रूप से देखने के लिए, आप एक छोटी, सटीक टॉर्च का उपयोग करते हैं। लेकिन यह समझने के लिए कि बिना गिरे किनारे की ओर कैसे बढ़ना है, आप एक चौड़ी, धुंधली रोशनी वाली टॉर्च का उपयोग करते हैं जो एक बड़े क्षेत्र को कवर करती है। यह चौड़ी बीम AI को बिना घबराए या अटके, किनारे को हिलाने के तरीके को सीखने के लिए पर्याप्त "जगह" देती है।

4. "स्मार्ट सर्चलाइट" (एडैप्टिव रिफाइनमेंट)

AI को भौतिकी (physics) को सीखने के लिए अंतरिक्ष में कई बिंदुओं की जांच करने की आवश्यकता होती है।

समस्या: अधिकांश स्थान खाली हवा है। AI खाली स्थानों की जांच करने में समय बर्बाद करता है और छिपी हुई वस्तु के महत्वपूर्ण किनारे को मिस कर देता है।
समाधान: लेखकों ने एक स्मार्ट सर्चलाइट जोड़ी है। जैसे-जैसे AI सीखता है कि किनारा कहाँ है, यह स्वचालित रूप से अपने "चेकपॉइंट्स" का अधिक हिस्सा उस किनारे के ठीक बगल में ले आता है। यह खाली स्थान को अनदेखा करता है और अपनी पूरी ऊर्जा उस सीमा (boundary) पर केंद्रित करता है जहाँ हलचल हो रही है।

5. परिणाम

लेखकों ने इस पद्धति का परीक्षण 2D और 3D उदाहरणों (जैसे वृत्त, समानांतर चतुर्भुज और गोले) के साथ किया।

मानक AI: जब उन्होंने इन ट्रिक्स के बिना इस पहेली को हल करने की कोशिश की, तो AI ने धुंधले, अर्थहीन धब्बे बनाए जो छिपी हुई वस्तुओं की तरह बिल्कुल नहीं दिखते थे।
लेवल-सेट PINNs: इस नए तरीके के साथ, AI सफलतापूर्वक छिपी हुई वस्तुओं के तीखे आकारों को फिर से बनाने में सफल रहा, जो गुरुत्वाकर्षण डेटा से पूरी तरह मेल खाते हैं।

सारांश

यह शोध पत्र एक चतुर तरीका पेश करता है जिससे AI का उपयोग छिपी हुई आकृतियों को खोजने के लिए किया जा सकता है:

तीखी आकृति को एक चिकने "घोस्ट हिल" (लेवल-सेट) में बदलकर।
AI को तीखे किनारों से भ्रमित हुए बिना उस पहाड़ी को हिलाना सीखने के लिए एक "चौड़ी-बीम वाली टॉर्च" देकर (इंटरफेस-अवेयर बैकप्रोपैगेशन)।
AI को आकार के किनारों पर ही अपना ध्यान केंद्रित करने के लिए कहकर (एडैप्टिव रिफाइनमेंट)।

यह AI को एक बहुत ही कठिन भौतिकी की पहेली को हल करने की अनुमति देता है जिसे मानक AI विधियाँ हल करने में विफल रहती हैं।

तकनीकी सारांश: ग्रेविमेट्री की डोमेन इनवर्स समस्याओं के लिए लेवल-सेट फिजिक्स-इन्फॉर्मड न्यूरल नेटवर्क (Level-Set Physics-Informed Neural Networks)

1. समस्या विवरण (Problem Statement)

यह शोध पत्र ग्रेविमेट्री की डोमेन इनवर्स समस्या (domain inverse problem of gravimetry) को संबोधित करता है, जिसका उद्देश्य सतह पर गुरुत्वाकर्षण त्वरण (gravity acceleration) के मापों से उपसतह असामान्य द्रव्यमान वितरण (domain $D$ ) की ज्यामिति का पुनर्निर्माण करना है। जबकि शास्त्रीय ग्रेविमेट्री स्वाभाविक रूप से 'इल-पोज़्ड' (ill-posed/अस्पष्ट) है, लेखक एक विशिष्ट "करेक्टनेस क्लास" (correctness class) पर ध्यान केंद्रित करते हैं जहाँ घनत्व कंट्रास्ट $f$ पूर्व-निर्धारित होता है, और अज्ञात चर डोमेन का विशेषता फलन (characteristic function) $\chi_D$ है।

इस समस्या में मानक फिजिक्स-इन्फॉर्मड न्यूरल नेटवर्क्स (PINNs) को लागू करने में मुख्य चुनौती इंटरफेस की विच्छिन्न प्रकृति (discontinuous nature of the interface) है। डोमेन और बैकग्राउंड के बीच के इंटरफेस को सीधे दर्शाना चुनौतीपूर्ण है। डोमेन के रूप में घनत्व $\rho = f \chi_D$ को न्यूरल नेटवर्क के माध्यम से सीधे प्रदर्शित करना निम्नलिखित कारणों से समस्याग्रस्त है:

न्यूरल नेटवर्क स्वाभाविक रूप से निरंतर (continuous) आउटपुट उत्पन्न करते हैं, जिससे तीक्ष्ण, विच्छिन्न इंटरफेस को दर्शाना कठिन हो जाता है।
प्रशिक्षण के दौरान इन तीक्ष्ण इंटरफेस का विकास एक्सप्लोडिंग या वैनिशिंग ग्रेडिएंट्स (exploding or vanishing gradients) की ओर ले जाता है, विशेष रूप से जब विच्छिन्नता को मॉडल करने के लिए हीवीसाइड (Heaviside) फलन के संख्यात्मक सन्निकटन का उपयोग किया जाता है।

2. कार्यप्रणाली (Methodology)

लेखक इन सीमाओं को दूर करने के लिए लेवल-सेट फिजिक्स-इन्फॉर्मड न्यूरल नेटवर्क्स (Level-Set PINNs) का प्रस्ताव करते हैं। यह कार्यप्रणाली निम्नलिखित मुख्य घटकों से मिलकर बनी है:

2.1 लेवल-सेट फॉर्मूलेशन (Level-Set Formulation)

सीधे घनत्व की भविष्यवाणी करने के बजाय, यह विधि एक निरंतर लेवल-सेट फलन (continuous level-set function) को दर्शाने के लिए एक न्यूरल नेटवर्क $\phi_\omega(x)$ का उपयोग करती है। अज्ञात डोमेन $D$ को इस फलन के ज़ीरो लेवल-सेट द्वारा अंतर्निहित रूप से परिभाषित किया जाता है:
$\rho_\omega(x) = f(x) H_\tau(\phi_\omega(x))$
जहाँ $H_\tau$ , $\tau$ पैरामीटर द्वारा नियंत्रित एक संख्यात्मक (smoothed) हीवीसाइड फलन है। आदर्श रूप से, $\phi_\omega$ एक 'साइंड-डिस्टेंस फंक्शन' (signed-distance function) का सन्निकटन करता है, जहाँ $\{x \mid \phi_\omega(x) = 0\}$ तीक्ष्ण इंटरफेस $\partial D$ को दर्शाता है।

2.2 लॉस फंक्शन निर्माण (Loss Function Construction)

प्रशिक्षण एक मिश्रित लॉस फंक्शन $L_{total}$ को कम करता है जो भौतिक नियमों और डेटा फिडेलिटी (fidelity) को लागू करता है:

PDE रेसिड्यूल ( $L_{pde}$ ): पॉइसन समीकरण $-\Delta U = \gamma \rho$ को लागू करता है।
बाउंड्री डेटा ( $L_{bc}$ ): अवलोकन सतह पर मापे गए गुरुत्वाकर्षण त्वरण $g = \nabla U$ के साथ फिट बैठता है।
दूर-क्षेत्र की स्थिति ( $L_{far}$ ): अनंत पर विभव (potential) के क्षय को लागू करता है।
लेवल-सेट रेगुलाइजेशन:
- ईकोनल टर्म ( $L_{eik}$ ): साइन-डिस्टेंस प्रॉपर्टी बनाए रखने के लिए $|\nabla \phi| = 1$ से विचलन को दंडित करता है।
- लेंथ/एरिया पेनल्टी ( $L_r$ ): संरचनात्मक अनियमितताओं (जैसे burrs) को रोकने और स्थिर विकास को बढ़ावा देने के लिए ग्रेडिएंट नॉर्म को दंडित करता है।
पैरामीटर रेगुलाइजेशन ( $L_\Theta$ ): मानक वेट डिके (weight decay)।

2.3 इंटरफेस-अवेयर बैकप्रोपैगेशन (Interface-Aware Backpropagation)

तीक्ष्ण इंटरफेस के कारण होने वाली ग्रेडिएंट समस्याओं को संभालने के लिए एक महत्वपूर्ण नवाचार इंटरफेस-अवेयर बैकप्रोपैगेशन रणनीति है।

दुविधा (The Dilemma): एक तीक्ष्ण इंटरफेस (सटीकता) के लिए छोटा $\tau$ आवश्यक है, लेकिन यह ज़ीरो लेवल-सेट पर एक्सप्लोडिंग ग्रेडिएंट्स और अन्य स्थानों पर वैनिशिंग ग्रेडिएंट्स का कारण बनता है (प्रशिक्षण अस्थिरता)।
समाधान (The Solution): लेखक फॉरवर्ड और बैकवर्ड पास को अलग करते हैं।
- फॉरवर्ड पास: तीक्ष्ण घनत्व इंटरफेस बनाए रखने के लिए एक छोटे $\tau$ का उपयोग करता है।
- बैकवर्ड पास: हीवीसाइड फलन के डेरिवेटिव को एक बड़े पैरामीटर $\tilde{\tau} = c\tau$ (जहाँ $c > 1$ ) का उपयोग करके पुनर्रिभाषित करता है।
सैद्धांतिक औचित्य: पेपर यह सिद्ध करता है (प्रपोजिशन 3.1) कि $\tilde{\tau}$ के साथ संशोधित लॉस टर्म को कम करना, वास्तविक लॉस $\tau$ के साथ कम करने के समान है, बशर्ते $\tau$ छोटा हो। यह अंतिम इंटरफेस की तीक्ष्णता से समझौता किए बिना ग्रेडिएंट फ्लो के लिए एक "व्यापक सपोर्ट रीजन" बनाता है।

2.4 एडेप्टिव रिफाइनमेंट और आर्किटेक्चर (Adaptive Refinement and Architecture)

एडेप्टिव रिफाइनमेंट: एक पुनरावृत्ति रणनीति (iterative strategy) गतिशील रूप से विकसित होते इंटरफेस के पास कोलोकेशन पॉइंट्स (collocation points) जोड़ती है (जहाँ $|\phi_\omega(x)| < C_{refine}$ ), ताकि जहाँ सबसे अधिक आवश्यकता हो वहाँ रिज़ॉल्यूशन सुधारा जा सके।
नेटवर्क आर्किटेक्चर:
- लेवल-सेट नेटवर्क ( $\phi_\omega$ ): ReLU एक्टिवेशन का उपयोग करता है। ReLU को इसके नॉन-सैचुरेटिंग स्वभाव और $W^{1,\infty}$ फंक्शन्स (साइन-डिस्टेंस फंक्शन्स) को अनुमानित करने की दक्षता के लिए चुना गया है।
- पोटेंशियल नेटवर्क ( $U_\theta$ ): tanh एक्टिवेशन का उपयोग करता है। चूंकि PDE लॉस के लिए लैपलेसियन $\Delta U$ की आवश्यकता होती है, इसलिए एक स्मूथ एक्टिवेशन आवश्यक है क्योंकि ReLU का दूसरा डेरिवेटिव लगभग हर जगह शून्य होता है।

2.5 इनिशियलाइजेशन रणनीति (Initialization Strategy)

इल-पोज़्ड समस्याओं में इनिशियलाइजेशन के प्रति संवेदनशीलता को कम करने के लिए, दो-चरणीय प्री-ट्रेनिंग का उपयोग किया जाता है:

$\phi_\omega$ को एक ज्यामितीय प्रारंभिक अनुमान (geometric initial guess) से मेल खाने के लिए प्री-ट्रेन करना।
इनिशियलाइज्ड घनत्व के दिए गए होने पर PDE को संतुष्ट करने के लिए $U_\theta$ को प्री-ट्रेन करना।

3. प्रमुख योगदान (Key Contributions)

लेवल-सेट PINN फ्रेमवर्क: ग्रेविमेट्री में डोमेन इनवर्स समस्याओं के लिए विशेष रूप से लेवल-सेट विधियों का पहला अनुप्रयोग, जो आयामों को उठाने (lift dimensions) की आवश्यकता को समाप्त करता है (पिछले केवल-फॉरवर्ड इंटरफेस विधियों के विपरीत)।
इंटरफेस-अवेयर बैकप्रोपैगेशन: एक नवीन प्रशिक्षण रणनीति जो विस्तृत गणितीय त्रुटि विश्लेषण द्वारा समर्थित, $\tilde{\tau}$ का उपयोग करके डेरिवेटिव को पुनर्रिभाषित करके लेवल-सेट PINNs में एक्सप्लोडिंग/वैनिशिंग ग्रेडिएंट दुविधा को हल करती है।
एडेप्टिव कोलोकेशन: प्रशिक्षण के दौरान गतिशील रूप से इंटरफेस के पास सैंपलिंग पॉइंट्स को रिफाइन करने के लिए एक मेश-फ्री (mesh-free) रणनीति।
सैद्धांतिक विश्लेषण: लेवल-सेट फंक्शन्स और ग्रेविटेशनल पोटेंशियल के लिए प्रासंगिक विशिष्ट सोबोलेव स्पेस ( $W^{1,\infty}$ ) के लिए ReLU और tanh नेटवर्क्स की एप्रोक्सिमेशन क्षमताओं के प्रमाण।

4. संख्यात्मक परिणाम (Numerical Results)

विधि को व्यापक 2D और 3D संख्यात्मक उदाहरणों के माध्यम से मान्य किया गया है:

2D उदाहरण (वृत्त और समानांतर चतुर्भुज): विधि जटिल आकृतियों की तीक्ष्ण सीमाओं को सफलतापूर्वक पुनर्निर्मित करती है। बेसलाइन तुलना दिखाती है कि मानक PINNs (डायरेक्ट डेंसिटी रिप्रेजेंटेशन) सार्थक ज्यामिति को पुनर्निर्मित करने में विफल रहते हैं, और यहाँ तक कि सिग्मॉइड बाधाओं वाले PINNs भी प्रस्तावित लेवल-सेट PINNs की तुलना में काफी खराब प्रदर्शन करते हैं।
3D उदाहरण:
- चार गोलाकार विसंगतियाँ (Four Spherical Anomalies): चार अलग-अलग गोलाकार निकायों के साथ तीक्ष्ण इंटरफेस को सफलतापूर्वक पुनर्निर्मित करता है।
- मिश्रित ज्यामिति: एक डिपिंग पैरेलल इपिपेड (dipping parallelepiped) और अन्य जटिल आकृतियों को पुनर्निर्मित करता है।
- डेप्थ-डिपेंडेंट डेंसिटी: उन मामलों को सफलतापूर्वक संभालता है जहाँ घनत्व कंट्रास्ट $f(x)$ केवल ज्यामिति के बजाय गहराई के साथ बदलता है।
प्रदर्शन: सभी मामलों में, अनुमानित ग्रेविटी डेटा मापे गए डेटा के साथ उच्च फिडेलिटी के साथ मेल खाता है, और पुनर्निर्मित डोमेन वास्तविक मॉडलों के अनुरूप तीक्ष्ण, सुस्पष्ट इंटरफेस प्रदर्शित करते हैं।

5. महत्व और दावे (Significance and Claims)

शोध पत्र दावा करता है कि लेवल-सेट PINNs ग्रेविमेट्री की डोमेन इनवर्स समस्या के लिए एक मजबूत और प्रभावी समाधान प्रदान करते हैं, जो उन समस्याओं की श्रेणी है जहाँ पारंपरिक PINNs विच्छिन्न संरचनाओं के कारण संघर्ष करते हैं।

करेक्टनेस क्लास: यह कार्य ग्रेविमेट्री को "करेक्टनेस क्लास" (डोमेन इनवर्स समस्याओं) तक सीमित करने की उपयोगिता को पुख्ता करता है, जहाँ अनूयूनिटी (uniqueness) सैद्धांतिक रूप से गारंटीकृत है, न कि पूरी तरह से इल-पोज़्ड सामान्य इनवर्स समस्या को हल करने का प्रयास करना।
सामान्यीकरण (Generalizability): ग्रेविमेट्री पर केंद्रित होने के बावजूद, लेखक सुझाव देते हैं कि यह कार्यप्रणाली विच्छिन्न संरचनाओं वाले सामान्य डोमेन और इंटरफेस पुनर्निर्माण समस्याओं के लिए व्यापक अंतर्दृष्टि प्रदान करती है।
भविष्य की दिशा: पेपर विनम्रतापूर्वक उल्लेख करता है कि भविष्य का कार्य अनरोल्ड न्यूरल नेटवर्क लेयर्स (model-guided architectures) में भौतिक नियमों को सीधे एम्बेड करने की खोज कर सकता है, लेकिन वर्तमान अध्ययन के दायरे से बाहर किसी विशिष्ट नए अनुप्रयोग का प्रस्ताव नहीं करता है।

लेखक इस बात पर जोर देते हैं कि उनका दृष्टिकोण (end-to-end deep learning के विपरीत) विशाल प्रशिक्षण डेटासेट पर निर्भर नहीं है, बल्कि विश्वसनीयता और सामान्यीकरण सुनिश्चित करने के लिए भौतिक नियमों और ज्यामितीय बाधाओं का लाभ उठाता है।