💻 computer science

CoFINN: Conservation Flux Informed Neural Networks for Physics Problems Governed by Conservation Laws

CoFINN एक नवीन फिजिक्स-इन्फॉर्म्ड डीप लर्निंग फ्रेमवर्क है जो सीएनएन (CNN) प्रशिक्षण में फाइनाइट-वॉल्यूम कंजर्वेशन लॉज़ को सीधे समाहित करके संपीड़ित प्रवाह (compressible flow) भविष्यवाणियों की सटीकता और भौतिक निरंतरता को बढ़ाता है, जिससे डेटा-दुर्लभ परिदृश्यों में भी ड्रैग भविष्यवाणी त्रुटियों को काफी कम किया जा सकता है।

मूल लेखक: Adnan Harun Doğan, Mert Deniz, Hande Alemdar, Özgür Uğraş Baran

प्रकाशित 2026-07-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Adnan Harun Doğan, Mert Deniz, Hande Alemdar, Özgür Uğraş Baran

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: AI को सड़क के नियम सिखाना

कल्पना कीजिए कि आप एक रोबोट को कार चलाना सिखाने की कोशिश कर रहे हैं। इसे करने के दो तरीके हैं:

"दिखावट जैसा" तरीका (पुराना तरीका): आप रोबोट को कारों के चलाने के हजारों वीडियो दिखाते हैं। रोबot पैटर्न को पहचानकर यह अनुमान लगाने की कोशिश करता है कि अगला फ्रेम कैसा दिखेगा। यदि वीडियो में कार बाईं ओर मुड़ती है, तो रोबोट बाईं ओर मुड़ना सीख जाता है क्योंकि उसने यही देखा है। हालांकि, रोबोट वास्तव में भौतिकी (physics) को नहीं समझता। उसे यह नहीं पता कि यदि वह बहुत तेज़ी से मुड़ेगा, तो कार पलट सकती है। वह बस इतना जानता है कि "स्टीयरिंग व्हील बाईं ओर घुमाने" के बाद आमतौर पर "कार का बाईं ओर मुड़ना" आता है।
"नियमों का पालन करने वाला" तरीका (CoFINN): आप अभी भी उसे वीडियो दिखाते हैं, लेकिन आप उसे एक सख्त नियम पुस्तिका भी देते हैं: "संवेग का संरक्षण" (Conservation of Momentum)। आप रोबोट को बताते हैं, "चाहे कुछ भी हो जाए, यदि आप कार को आगे धकेलते हैं, तो हवा को समान बल के साथ पीछे धकेलना चाहिए।" यदि रोबोट एक ऐसा मोड़ अनुमानित करता है जो इस नियम का उल्लंघन करता है, तो आप केवल यह नहीं कहते कि "गलत तस्वीर"; बल्कि आप कहते हैं, "तुमने भौतिकी के नियमों को तोड़ दिया है।"

CoFINN एक नए प्रकार का AI है जो दूसरे तरीके का उपयोग करता है। इसे हवाई जहाज के पंखों (एरोडायनामिक्स) के चारों ओर हवा के प्रवाह की भविष्यवाणी करने के लिए डिज़ाइन किया गया है। केवल प्रशिक्षण तस्वीरों की तरह दिखने की कोशिश करने के बजाय, यह AI को भौतिकी के उन सख्त नियमों का पालन करने के लिए मजबूर करता है जो हवा की गति को नियंत्रित करते हैं।

वर्तमान AI के साथ समस्या: "धुंधली शॉकवेव" (Blurry Shockwave)

जब हवा बहुत तेज़ गति से चलती है (जैसे विमान के पंखों के चारों ओर), तो यह शॉकवेव (shockwaves) नामक तीव्र, अचानक परिवर्तन पैदा करती है। इन्हें आप 'सोनिक बूम' या दबाव की एक अचानक दीवार की तरह समझ सकते हैं।

पुराने AI की गलती: मानक AI मॉडल एक ऐसे चित्रकार की तरह होते हैं जो रंगों को मिलाने में तो अच्छा है लेकिन तीखी रेखाओं (sharp lines) में बुरा है। वे शॉकवेव की भविष्यवाणी तो कर सकते हैं, लेकिन वे इसे थोड़ा बाईं या दाईं ओर रख सकते हैं, या इसे बहुत धुंधला बना सकते हैं।
यह क्यों मायने रखता है: एरोडायनामिक्स में, शॉकवेव कहाँ होती है इसमें एक मामूली सा बदलाव भी विमान द्वारा अनुभव किए जाने वाले ड्रैग (हवा का प्रतिरोध) और लिफ्ट (ऊपर की ओर लगने वाला बल) की मात्रा को पूरी तरह से बदल सकता है।
- उपमा: एक रस्सी पर चलने वाले (tightrope walker) की कल्पना करें। यदि आप रस्सी को केवल एक इंच बाईं ओर खिसकाते हैं, तो वह गिर सकता है। इसी तरह, यदि AI शॉकवेव को गलत स्थान पर दिखाता है, तो विमान पर लगने वाला गणना किया गया "बल" (force) बहुत गलत हो सकता है, भले ही तस्वीर देखने में काफी हद तक सही लगे।

CoFINN कैसे काम करता है: "पिक्सेल एक कमरे की तरह" वाली ट्रिक

लेखकों ने AI को ये नियम सिखाने के लिए एक चतुर तरीका निकाला है।

ग्रिड (The Grid): आमतौर पर, AI एक छवि को पिक्सेल (रंग के बिंदुओं) के ग्रिड के रूप में देखता है।
रूपांतरण (The Transformation): CoFINN प्रत्येक पिक्सेल को केवल रंग के बिंदु के रूप में नहीं, बल्कि एक छोटे, सीलबंद कमरे (एक "कंट्रोल वॉल्यूम") के रूप में मानता है।
ट्रैफिक का प्रवाह: कल्पना कीजिए कि हवा इन कमरों के बीच घूमने वाली लोगों की भीड़ है।
- यदि 10 लोग कमरे A से निकलकर कमरे B में जाते हैं, तो कमरे A में 10 लोग कम होने चाहिए, और कमरे B में 10 लोग बढ़ने चाहिए।
- AI को यह गणना करने के लिए प्रशिक्षित किया जाता है कि इन "कमरे-पिक्सेल" की दीवारों के पार कितने "लोग" (वायु द्रव्यमान, ऊर्जा, संवेग) प्रवाहित होते हैं।
जांच (The Check): यदि गणित मेल नहीं खाता है, तो AI को दंडित किया जाता है। यदि AI भविष्यवाणी करता है कि 10 लोग कमरे A से निकले लेकिन कमरे B में केवल 8 लोग पहुँचे, तो AI समझ जाता है कि उसने गलती की है क्योंकि पदार्थ गायब नहीं हो सकता।

HLLC Riemann Solver (जिसे एक बहुत सख्त ट्रैफिक पुलिस मान सकते हैं) नामक एक विशिष्ट गणितीय उपकरण का उपयोग करके, CoFINN यह सुनिश्चित करता है कि एक पिक्सेल से बाहर निकलने वाली हवा अगले पिक्सेल में प्रवेश करने वाली हवा के बराबर हो, ठीक वैसे ही जैसे वास्तविक भौतिकी मांग करती है।

परिणाम: बेहतर भविष्यवाणियाँ, विशेष रूप से जब डेटा कम हो

शोधकर्ताओं ने उच्च गति पर हवाई जहाज के पंखों पर इसका परीक्षण किया। यहाँ उन्हें क्या पता चला:

"फिजिक्स" का बोनस: जब उन्होंने प्रशिक्षण में भौतिकी के नियमों (CoFINN लॉस) को जोड़ा, तो AI ड्रैग (हवा के माध्यम से विमान को धकेलने में कितनी कठिनाई होती है) की भविष्यवाणी करने में बहुत बेहतर हो गया।
- कुछ कठिन मामलों (अत्यधिक हमले के कोणों) में, त्रुटि (error) में 34% की कमी आई।
- औसतन, त्रुटि में 15% की कमी आई।
"छोटे डेटा" की महाशक्ति: सबसे बड़ी जीत तब हुई जब AI के पास सीखने के लिए बहुत अधिक प्रशिक्षण डेटा नहीं था।
- उपमा: यदि आप केवल एक छात्र को किसी समस्या के 5 उदाहरण दिखाते हैं, तो एक सामान्य छात्र शायद अंदाज़ा लगाएगा। लेकिन एक छात्र जो गणित के नियमों को जानता है, वह कम उदाहरणों के साथ भी सही ढंग से हल कर सकता है। CoFINN उसी छात्र की तरह कार्य करता है; भौतिकी के नियम एक सुरक्षा जाल (safety net) के रूप में कार्य करते हैं जो AI को जंगली अंदाज़े लगाने से रोकते हैं जब उसने पर्याप्त उदाहरण नहीं देखे होते।
यह विभिन्न प्रकार के AI पर काम करता है: शोधकर्ताओं ने चार अलग-अलग प्रकार के AI आर्किटेक्चर (मानक इमेज प्रोसेसर और अधिक जटिल "ट्रांसफॉर्मर" मॉडल सहित) पर इस पद्धति का परीक्षण किया। लगभग हर मामले में, भौतिकी के नियमों को जोड़ने से परिणामों में सुधार हुआ।

सारांश

CoFINN दो दुनियाओं के बीच का एक सेतु (bridge) है:

डीप लर्निंग (Deep Learning): तेज़, पैटर्न-मैचिंग AI जो चित्रों को देखने में माहिर है।
फ्लुइड डायनामिक्स (Fluid Dynamics): सख्त, गणितीय नियम जो हवा और पानी की गति को नियंत्रित करते हैं।

AI को अपने आउटपुट को छोटे कमरों के ग्रिड की तरह मानने के लिए मजबूर करके, जहाँ हवा का संतुलन एकदम सटीक होना चाहिए, CoFINN ऐसी भविष्यवाणियाँ बनाता है जो केवल "सुंदर चित्र" नहीं हैं, बल्कि भौतिक रूप से सटीक सिमुलेशन हैं। यह इसे हवाई जहाज डिजाइन करने के लिए बहुत अधिक विश्वसनीय बनाता है, विशेष रूप से उन कठिन स्थितियों में जहाँ मानक AI विफल हो जाता है।

तकनीकी सारांश: CoFINN (कन्ज़र्वेशन फ्लक्स इन्फॉर्म्ड न्यूरल नेटवर्क्स)

समस्या विवरण
तरल-प्रवाह (fluid-flow) भविष्यवाणी के लिए पारंपरिक मशीन लर्निंग दृष्टिकोण, विशेष रूप से कनवल्शनल न्यूरल नेटवर्क (CNNs), डेटा-संचालित एप्रोक्सिमेटर्स के रूप में कार्य करते हैं जो पिक्सेल-वार समानता मेट्रिक्स को अनुकूलित करते हैं। जबकि ये मॉडल उच्च-सटीकता वाले कम्प्यूटेशनल फ्लूइड डायनेमिक्स (CFD) की तुलना में महत्वपूर्ण कम्प्यूटेशनल गति प्रदान करते हैं, उनमें अंतर्निहित भौतिक नियमों की जागरूकता का अभाव होता है। संपीड़ित प्रवाह (compressible flows) से संबंधित एयरोडायनामिक अनुप्रयोगों में, यह सीमा अत्यंत महत्वपूर्ण है। विशुद्ध रूप से डेटा-संचालित मॉडल अक्सर द्रव्यमान, संवेग और ऊर्जा के सख्त संरक्षण (conservation) को लागू करने में विफल रहते हैं, जिससे भौतिक रूप से असंगत भविष्यवाणियां होती हैं। यह विशेष रूप से उन क्षेत्रों में समस्याग्रस्त है जहाँ मजबूत भौतिक अंतःक्रियाएं होती हैं, जैसे कि शॉक वेव्स (shock waves) और बाउंड्री लेयर्स, जहाँ छोटी स्थानिक अशुद्धियाँ लिफ्ट और ड्रैग जैसे व्युत्पन्न इंजीनियरिंग मात्राओं में बड़े त्रुटियों का कारण बन सकती हैं। इसके अलावा, मानक CNN स्वाभाविक रूप से नेवियर-स्टोक्स समीकरणों और अवस्था के समीकरण (equation of state) द्वारा निर्धारित चरों (दबाव, घनत्व, वेग, ऊर्जा) के बीच भौतिक युग्मन (physical coupling) को संरक्षित नहीं करते हैं।

कार्यप्रणाली: CoFINN ढांचा
लेखक CoFINN (कन्ज़र्वेशन फ्लक्स इन्फॉर्म्ड न्यूरल नेटवर्क्स) प्रस्तावित करते हैं, जो एक भौतिकी-सूचित (physics-informed) डीप लर्निंग ढांचा है जो प्रशिक्षण प्रक्रिया में सीधे परिमित-आयतन (finite-volume) संरक्षण भौतिकी को समाहित करता है। शास्त्रीय फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स (PINNs) के विपरीत, जो ऑटोमैटिक डिफरेंशिएशन के माध्यम से कोलोकेशन पॉइंट्स पर अवकल समीकरण अवशेषों (differential-equation residuals) को लागू करते हैं, CoFINN आधुनिक CFD कार्यप्रणाली के अनुरूप एक परिमित-आयतन परिप्रेक्ष्य अपनाता है।

प्रमुख कार्यप्रणाली घटक शामिल हैं:

इमेज-एज़-मेश व्याख्या: CNN आउटपुट फील्ड को एक संरचित कम्प्यूटेशनल ग्रिड के रूप में व्याख्यायित किया जाता है जहाँ प्रत्येक पिक्सेल एक परिमित-आयतन सेल (finite-volume cell) का प्रतिनिधित्व करता है।
फ्लक्स-आधारित संरक्षण: संरक्षण निरंतरता को पड़ोसी पिक्सेल के बीच परिष्कृत संख्यात्मक फ्लक्स गणनाओं के माध्यम से लागू किया जाता है। ढांचा पड़ोसी पिक्सेल के बीच संवहनी फ्लक्स (convective fluxes) की गणना करने के लिए हार्टन-लैक्स-वैन लीर कॉन्टैक्ट (HLLC) रिमैन सॉल्वर का उपयोग करता है, जो उच्च-सटीकता वाले CFD में उपयोग किया जाने वाला एक मजबूत अनुमानित रिमैन सॉल्वर है।
लॉस फंक्शन फॉर्मूलेशन: प्रशिक्षण उद्देश्य एक मानक डेटा-संचालित लॉस (प्रेडिक्टेड और ग्राउंड ट्रुथ प्रिमिटिव वेरिएबल्स के बीच मीन एब्सोल्यूट एरर) को भौतिकी-सूचित लॉस के साथ जोड़ता है। भौतिकी लॉस, प्रेडिक्टेड फ्लक्स सम और प्री-कंप्यूटेड "ग्राउंड ट्रुथ फ्लक्स रेसिड्यूल" ( $F_{GT}$ $F_{GT}$ ) के बीच अवशेष को कम करता है, जो विस्कस टर्म्स और आंतरिक स्रोतों को ध्यान में रखता है।
- $L_{total} = (1 - \lambda) \times L_{data} + \lambda \times L_{flux}$
- यहाँ, $L_{flux}$ प्रेडिक्टेड फ्लक्स सम की तुलना ग्राउंड ट्रुथ फ्लक्स रेसिड्यूल ( $F_{GT}$ ) से करके संवेग संरक्षण (momentum conservation) की त्रुटि को मापता है।
आर्किटेक्चर एगोस्टिकिज्म (Architecture Agnosticism): यह कार्यप्रणाली आर्किटेक्चर-अज्ञेयवादी (architecture-agnostic) डिज़ाइन की गई है, जिसे चार विशिष्ट नेटवर्क परिवारों के अनुप्रयोग द्वारा प्रदर्शित किया गया है: CNNFoil (एनकोडर-डिकोडर CNN), फूरियर न्यूरल ऑपरेटर (FNO), विजन ट्रांसफॉर्मर (ViT), और कंडीशनल डिनोइजिंग डिफ्यूजन मॉडल।

प्रमुख योगदान

परिमित-आयतन एकीकरण: यह पेपर भौतिकी-सूचित लर्निंग के लिए एक नवीन दृष्टिकोण पेश करता है जो CNN आउटपुट को परिमित-आयतन सेल के रूप में मानता है, जिससे डेटा-संचालित इमेज प्रोसेसिंग और कठोर संख्यात्मक CFD विधियों के बीच के अंतर को पाटा जाता है।
संरक्षण-जागरूक प्रशिक्षण: लॉस फंक्शन के भीतर HLLC फ्लक्स योजना का उपयोग करके, मॉडल को स्पष्ट रूप से उन समाधानों की ओर निर्देशित किया जाता है जो केवल ज्यामितीय सहसंबंधों को सीखने के बजाय, डिस्क्रीट संरक्षण व्यवहार को संतुष्ट करते हुए भौतिक रूप से स्वीकार्य समाधान प्रदान करते हैं।
बेहतर बल भविष्यवाणी: ढांचा यह प्रदर्शित करता है कि संरक्षण फ्लक्स को शामिल करने से एयरोडायनामिक बलों (लिफ्ट और ड्रैग) की भविष्यवाणी में महत्वपूर्ण सुधार होता है, जो कि फ्लो फील्ड से प्राप्त अभिन्न मात्राएं (integral quantities) हैं, भले ही पिक्सेल-वार चर त्रुटियां डेटा-संचालित बेसलाइन के समान ही क्यों न रहें।

परिणाम
ढांचे का मूल्यांकन $M = 0.7$ और $Re = 6 \times 10^6$ पर एयरफॉइल के चारों ओर ट्रांसोनिक प्रवाह की भविष्यवाणी के लिए किया गया, जिसमें $-10^\circ$ से $20^\circ$ तक के एंगल्स ऑफ अटैक (angles of attack) शामिल थे।

ड्रैग भविष्यवाणी सटीकता: CoFINN ने ड्रैग भविष्यवाणी त्रुटियों को काफी कम कर दिया। CNNFoil आर्किटेक्चर के लिए, अत्यधिक एंगल्स ऑफ अटैक पर ड्रैग त्रुटि ( $\epsilon_{CD}$ ) में 34% तक की कमी आई और पूरे टेस्ट सेट में औसत रूप से लगभग 15% की कमी आई, जो विशुद्ध रूप से डेटा-संचालित बेसलाइन्स की तुलना में है।
सीमित-डेटा शासन (Limited-Data Regimes): संरक्षण-आधारित लॉस एक प्रभावी भौतिक रेगुलराइज़र के रूप में कार्य करता है, जो विशेष रूप से सीमित-डेटा शासन (जैसे, एक एकल एंगल ऑफ अटैक पर प्रशिक्षण) में महत्वपूर्ण सुधार दिखाता है, जहाँ ड्रैग त्रुटि में कमी 85% तक पहुँच गई।
मॉडल प्रदर्शन: जबकि CNNFoil आर्किटेक्चर ने सभी प्रशिक्षण श्रेणियों में सबसे सुसंगत सुधार दिखाया, FNO और ViT ने भी CoFINN के साथ कम ड्रैग त्रुटियां प्रदर्शित कीं। हालाँकि, डिफ्यूजन मॉडल ने मिश्रित परिणाम दिखाए, जिसमें सीमित-डेटा शासन में सुधार हुआ लेकिन पूर्ण-डेटा शासन में गिरावट देखी गई।
भौतिक निरंतरता: पद्धति ने शून्य-लिफ्ट स्थितियों (जैसे, $\alpha = 0^\circ$ ) के पास ड्रैग के गंभीर अंडर-प्रेडिक्शन को सफलतापूर्वक ठीक किया, जो बेसलाइन मॉडल्स में एक बड़ी समस्या थी, और भौतिक परिमाणों को रिकवर किया जो तीन दशमलव स्थानों तक ग्राउंड ट्रुथ से मेल खाते हैं।

महत्व और दावे
पेपर का दावा है कि CoFINN सफलतापूर्वक न्यूरल नेटवर्क्स को विशुद्ध रूप से इमेज-प्रोसेसिंग सिस्टम से कन्ज़र्वेशन-अवेयर प्रेडिक्टिव मॉडल्स में बदल देता है। प्राथमिक महत्व कम्प्यूटेशनल दक्षता के लाभों को बनाए रखते हुए भौतिक निरंतरता और संरक्षण व्यवहार में महत्वपूर्ण सुधार करने में निहित है। लेखक इस बात पर जोर देते हैं कि यह दृष्टिकोण डेटा आवश्यकताओं को कम नहीं करता है (क्योंकि यह CFD डेटा द्वारा सुपरवाइज्ड है) बल्कि लॉस लैंडस्केप को उन भविष्यवाणियों के पक्ष में पुनर्गठित करता है जो डिस्क्रीट संरक्षण कानूनों को संतुष्ट करती हैं। इससे वास्तविक दुनिया के डिजाइन अनुप्रयोगों के लिए अधिक विश्वसनीय और उपयोगी भविष्यवाणियां मिलती हैं, विशेष रूप से उन परिदृश्यों में जिनमें शॉक वेव्स और उच्च एंगल्स ऑफ अटैक शामिल हैं जहाँ विशुद्ध रूप से डेटा-संचालित मॉडल अक्सर चरों के सही भौतिक युग्मन को पकड़ने में विफल रहते हैं। इस ढांचे को संरक्षण कानूनों द्वारा शासित भौतिक प्रणालियों के व्यापक वर्गों के लिए विस्तार योग्य (extensible) प्रस्तुत किया गया है।