📊 statistics

Physics-Informed Neural Networks for Predicting Nitrous Oxide Flux

यह शोध पत्र कृषि नाइट्रस ऑक्साइड फ्लक्स की भविष्यवाणी करने के लिए एक भौतिकी-सूचित तंत्रिका नेटवर्क (Physics-Informed Neural Network - PINN) प्रस्तुत करता है जो, जैव-भू-रासायनिक बाधाओं के माध्यम से आउट-ऑफ-डिस्ट्रीब्यूशन मजबूती को बढ़ाने के लिए इन-डिस्ट्रीब्यूशन सटीकता का त्याग करते हुए भी, भौगोलिक रूप से भिन्न स्थलों पर सामान्यीकरण करने में संघर्ष करता है।

मूल लेखक: Freddy Yu, Jashanjeet Kaur Dhaliwal, Subhadeep Chakraborty

प्रकाशित 2026-07-28

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Freddy Yu, Jashanjeet Kaur Dhaliwal, Subhadeep Chakraborty

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

अदृश्य बादल और डिजिटल क्रिस्टल बॉल

कल्पive करें कि पृथ्वी को बुखार है। खुद को ठंडा करने के लिए, हमें उन अदृश्य गैसों को समझने की आवश्यकता है जो हमारे वायुमंडल में गर्मी को रोक लेती हैं, जो एक मोटे कंबल की तरह काम करती हैं। इनमें से, नाइट्रस ऑक्साइड (N2O) नामक एक चालाक गैस एक बड़ा समस्या पैदा करने वाला कारक है। यह केवल एक ग्रीनहाउस गैस ही नहीं है; यह उस ओजोन परत को नष्ट करने वाला मुख्य अपराधी भी है जो हमें सूर्य की कठोर किरणों से बचाती है। जबकि कारों और कारखानों पर बहुत ध्यान दिया जाता है, इस गैस का वास्तविक स्रोत वास्तव में हमारे खेत हैं। जब किसान फसलें उगाते हैं, तो मिट्टी में मौजूद सूक्ष्म जीव इस गैस को छोड़ते हैं, विशेष रूप से तब जब बारिश होती है या उर्वरक डाला जाता है। समस्या यह है कि ये उत्सर्जन अचानक, अप्रत्याशित छींकों की तरह होते हैं—जो छोटे-छोटे स्थानों पर और यादृच्छिक समय पर होते हैं—जिसके कारण उन्हें भौतिक उपकरणों के साथ मापना अविश्वसनीय रूप से कठिन हो जाता है।

इस रहस्य को सुलझाने के लिए, वैज्ञानिक आमतौर पर दो प्रकार के उपकरणों का उपयोग करते हैं। पहला एक "नियम पुस्तिका" दृष्टिकोण है, जहाँ वे जटिल समीकरण लिखते हैं जो इस पर आधारित होते हैं कि मिट्टी के रसायन विज्ञान को कैसे काम करना चाहिए। दूसरा एक "पैटर्न खोजने वाला" दृष्टिकोण है, जहाँ कंप्यूटर भविष्य में क्या होगा, इसका अनुमान लगाने के लिए पिछले डेटा को देखते हैं। लेकिन दोनों में खामियां हैं: नियम पुस्तिका अक्सर मिट्टी की अव्यवस्थित वास्तविकता को संभालने के लिए बहुत कठोर होती है, और पैटर्न खोजने वाला मॉडल तब भ्रमित हो जाता है जब वह किसी नए प्रकार की मिट्टी को देखता है जिसका उसने पहले अध्ययन नहीं किया है। यह शोध एक चतुर मध्य मार्ग की खोज करता है: कंप्यूटर को डेटा से सीखने के लिए प्रशिक्षित करना जबकि उसे मिट्टी के रसायन विज्ञान के नियमों का पालन करने के लिए मजबूर करना। इसे एक छात्र को एक पाठ्यपुस्तक और प्रश्नों का एक ढेर देने जैसा समझें, और फिर उन्हें कहना, "आप उत्तरों का अनुमान लगा सकते हैं, लेकिन यदि आपका अनुमान भौतिकी के नियमों को तोड़ता है, तो आप अंक खो देंगे।"

मिट्टी के जासूस की कहानी

इस अध्ययन में, शोधकर्ताओं की एक टीम ने कृषि फार्मों से निकलने वाले नाइट्रस ऑक्साइड की मात्रा की भविष्यवाणी करने के लिए एक डिजिटल जासूस बनाया जिसे फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINN) कहा जाता है। उनका लक्ष्य यह देखना था कि क्या "डेटा-संचालित अनुमान" को "भौतिकी-आधारित नियमों" के साथ मिलाने से अकेले किसी भी विधि का उपयोग करने की तुलना में एक बेहतर भविष्यवक्ता बनाया जा सकता है।

सेटअप: खेत का एक डिजिटल जुड़वां (Digital Twin)
शोधकर्ताओं ने केवल अपने कंप्यूटर में यादृच्छिक नंबर नहीं डाले। उन्होंने इसमें आयोवा से मिशिगन तक संयुक्त राज्य अमेरिका के चार अलग-अलग फार्मों से डेटा डाला। इन फार्मों में अलग-अलग प्रकार की मिट्टी, अलग-अलग मौसम और अलग-अलग खेती की शैलियाँ थीं (कुछ जुते हुए थे, कुछ नहीं)। कंप्यूटर मॉडल को 8,271 दिनों के डेटा पर प्रशिक्षित किया गया था, जो मिट्टी के तापमान, नमी की मात्रा और नाइट्रोजन के स्तर जैसे इनपुट के आधार पर दैनिक "फ्लक्स" (बच निकलने वाली गैस की मात्रा) की भविष्यवाणी करना सीख रहा था।

मॉडल को "फिजिक्स-इन्फॉर्म्ड" बनाने के लिए, टीम ने केवल कंप्यूटर को अनुमान लगाने के लिए नहीं छोड़ा। उन्होंने DayCent मॉडल पर आधारित समीकरणों का एक सेट लिखा—जो नाइट्रोजन कैसे मिट्टी के माध्यम से घूमता है, इसके लिए एक प्रसिद्ध वैज्ञानिक नियम पुस्तिका है। उन्होंने कंप्यूटर को बताया: "आपका अनुमान वास्तविक मापों के करीब होना चाहिए, लेकिन इसे उन भौतिकी समीकरणों के भी करीब रहना चाहिए जो बताते हैं कि क्या होना चाहिए।" यदि कंप्यूटर का अनुमान भौतिकी से बहुत अलग था, तो उसे दंडित किया जाता था।

बड़ी खोज: एक ट्रेड-ऑफ (समझौता)
परिणामों ने सटीकता और सुरक्षा के बीच एक दिलचस्प ट्रेड-ऑफ को उजागर किया, जो एक सी-सॉ (seesaw) की तरह है।

जब मॉडल क्षेत्र को जानता था (In-Distribution): जब कंप्यूटर का परीक्षण उन्हीं फार्मों के डेटा पर किया गया जिनका उसने पहले अध्ययन किया था, तो भौतिकी के नियमों ने वास्तव में बाधा डाली। "शुद्ध" डेटा-संचालित मॉडल (बिना भौतिकी दंड के) स्टार प्लेयर था, जिसने 0.411 का स्कोर (R²) प्राप्त किया। इसके विपरीत, अनकैलिब्रेटेड भौतिकी-केवल मॉडल (Cycles) पूरी तरह से विफल रहा जिसका स्कोर 0.01 था। जब शोधकर्ताओं ने डेटा-संचालित मॉडल में भौतिकी दंड जोड़ा, तो स्कोर वास्तव में गिर गया। ऐसा लगता है कि परिचित मिट्टी के लिए, कच्चा डेटा भौतिकी समीकरणों की तुलना में एक बेहतर शिक्षक था।
जब मॉडल अज्ञात का सामना करता था (Out-of-Distribution): असली जादू तब हुआ जब शोधकर्ताओं ने मॉडल का परीक्षण एक पूरी तरह से नए फार्म (साइट 4) पर किया जिसे उसने पहले कभी नहीं देखा था। यह एक ऐसे छात्र से पूछने जैसा है जिसने केवल न्यूयॉर्क के मौसम का अध्ययन किया है कि अलास्का में बर्फबारी की भविष्यवाणी करे।
- शुद्ध डेटा-संचालित मॉडल यहाँ काफी संघर्ष करता है, जिसने -71.672 का औसत R² प्राप्त किया (एक नकारात्मक स्कोर जो दर्शाता है कि इसका प्रदर्शन केवल औसत का अनुमान लगाने से भी खराब था)।
- हालाँकि, जब शोधकर्ताओं ने "फिजिक्स पेनल्टी" (विशेष रूप से λ = 0.7 तक) को बढ़ाया, तो मॉडल का प्रदर्शन नाटकीय रूप से सुधर गया। हालांकि स्कोर अभी भी नकारात्मक (-12.597) था, लेकिन यह बेसलाइन की तुलना में एक बड़ा सुधार था, जो दर्शाता कि भौतिकी बाधाओं ने मॉडल को अपरिचित मिट्टी पर बेतुकी भविष्यवाणियां करने से बचने में मदद की।

इसका क्या अर्थ है
शोध पत्र सुझाव देता है कि भौतिकी के नियम एक सुरक्षा जाल (safety net) के रूप में कार्य करते हैं। जब मॉडल एक अजीब, अपरिचित मिट्टी का सामना करता है, तो केवल डेटा भ्रमित हो जाता है और बेतुके, असंभव अनुमान लगाता है। भौतिकी के नियम, भले ही वे पूर्ण न हों, मॉडल को "जैव-भू-रासायनिक रूप से तर्कसंगत" व्यवहार के दायरे में रहने के लिए मजबूर करते हैं। यह मॉडल को स्थिर करता है ताकि वह पटरी से न उतरे।

सीमाएँ
लेखक सावधानीपूर्वक नोट करते हैं कि यह कोई जादुई समाधान नहीं है। मॉडल अभी भी नए साइट के साथ काफी संघर्ष करता है, और उनके द्वारा उपयोग किए गए भौतिकी समीकरण निश्चित स्थिरांकों (जैसे कि कितनी नाइट्रोजन गैस में बदलती है इसके लिए एक विशिष्ट संख्या) पर निर्भर करते हैं जो हर एक फार्म के लिए सटीक नहीं हो सकते हैं। वे यह भी बताते हैं कि उनके मॉडल को मुख्य रूप से एक अन्य कंप्यूटर प्रोग्राम (Cycles) द्वारा सिम्युलेट किए गए डेटा पर प्रशिक्षित किया गया था, न कि केवल कच्चे मापों पर, जिसका अर्थ है कि मॉडल उतना ही अच्छा है जितना कि वह अंतर्निहित सिमुलेशन।

निष्कर्ष
अंततः, यह शोध पत्र सुझाव देता है कि नाइट्रस ऑक्साइड की भविष्यवाणी करने के लिए, हमें डेटा और भौतिकी के बीच चयन नहीं करना चाहिए। इसके बजाय, हमें भौतिकी को एक गार्डरेल (सुरक्षा घेरे) के रूप में उपयोग करना चाहिए। जब डेटा प्रचुर मात्रा में हो और स्थितियाँ परिचित हों, तो डेटा को नेतृत्व करने दें। लेकिन जब मॉडल अज्ञात में कदम रखता है, तो भौतिकी के नियम उसे बेतुकी भविष्यवाणियां करने से रोकने के लिए आवश्यक हैं, जो स्थानीय सटीकता के थोड़े से नुकसान के बदले वैश्विक विश्वसनीयता का एक बड़ा लाभ देता है।

तकनीकी सारांश: नाइट्रस ऑक्साइड फ्लक्स के पूर्वानुमान के लिए भौतिकी-सूचित तंत्रिका नेटवर्क (Physics-Informed Neural Networks)

समस्या विवरण
नाइट्रस ऑक्साइड ( $N_2O$ ) 21वीं सदी का प्रमुख ओजोन-क्षयकारी पदार्थ है और मानवजनित ग्रीनहाउस गैसों में तीसरा सबसे बड़ा योगदानकर्ता है, जिसमें 70% से अधिक उत्सर्जन कृषि प्रक्रियाओं से आता है। कृषि $N_2O$ फ्लक्स का सटीक परिमाण निर्धारण जलवायु शमन के लिए महत्वपूर्ण है, फिर भी स्टैटिक चैंबरों के माध्यम से प्रत्यक्ष मापन निम्न वायुमंडलीय सांद्रता, स्थानिक विषमता और उत्सर्जन की सामयिक प्रकृति ("हॉट स्पॉट्स" और "हॉट मोमेंट्स") के कारण चुनौतीपूर्ण है। मौजूदा भविष्य कहनेवाला दृष्टिकोण महत्वपूर्ण सीमाओं का सामना करते हैं: प्रक्रिया-आधारित मॉडल (जैसे, DayCent, Cycles) अक्सर व्यापक साइट-विशिष्ट अंशांकन के बिना जटिल जैव-भू-रासायनिक गतिकी को पकड़ने में संघर्ष करते हैं और उच्च-फ्लक्स घटनाओं के दौरान उत्सर्जन को कम करके आंकते हैं। इसके विपरीत, शास्त्रीय मशीन लर्निंग मॉडल, हालांकि आशाजनक हैं, अक्सर अपने प्रशिक्षण डोमेन से परे सामान्यीकरण करने में विफल रहते हैं और अनदेखी मिट्टी की स्थितियों पर जैव-भू-रासायनिक रूप से तर्कसंगत भविष्यवाणियां सुनिश्चित करने के लिए यांत्रिक आधार की कमी रखते हैं।

कार्यप्रणाली
यह शोध पत्र एक भौतिकी-सूचित तंत्रिका नेटवर्क (PINN) प्रस्तावित करता है जो डेटा-संचालित भविष्यवाणी को DayCent परिवार के प्रक्रिया-आधारित मॉडलों के यांत्रिक समीकरणों से प्राप्त जैव-भू-रासायनिक बाधाओं के साथ एकीकृत करता है।

मॉडल आर्किटेक्चर: लेखक एक तीन-परत वाला मल्टी-लेयर पर्सेप्ट्रॉन (MLP) लागू करते हैं जिसमें 10 इनपुट विशेषताएं, 64 और 32 हिडन यूनिट्स और एक सिंगल आउटपुट है। नेटवर्क ReLU एक्टिवेशन, ड्रॉपआउट (p=0.3), और Adam ऑप्टिमाइज़र का उपयोग करता है।
फिजिक्स लॉस फॉर्मूलेशन: कुल लॉस फंक्शन $L = L_{data} + \lambda L_{physics}$ $L = L_{d a t a} + λ L_{p h y s i cs}$ द्वारा परिभाषित है।
- $L_{data}$ मापित $N_2O$ फ्लक्स और मॉडल भविष्यवाणियों के बीच मीन स्क्वेर्ड एरर (MSE) है।
- $L_{physics}$ मॉडल भविष्यवाणियों और DayCent-व्युत्पन्न समीकरणों के सेट द्वारा अनुमानित मानों के बीच MSE है। ये समीकरण नाइट्रीकरण (nitrification) और विनाइट्रीकरण (denitrification) से होने वाले $N_2O$ फ्लक्स को मॉडल करते हैं, जिसमें मिट्टी का तापमान, जल-भरे छिद्र स्थान (WFPS), pH, और नाइट्रोजन खनिजकरण दर जैसे कारक शामिल हैं। फिजिक्स रेसिडुअल ( $\tilde{\phi}_{N2O}$ ) को निश्चित जैव-भू-रासायनिक स्थिरांकों (जैसे, $K_1=0.20$ , $K_2=0.02$ ) और यूनिट रूपांतरणों का उपयोग करके गणना किया जाता है।
डेटासेट: मॉडल को चार भौगोलिक रूप से भिन्न अमेरिकी कृषि स्थलों (आयोवा और मिशिगन) से 8,271 दैनिक अवलोकनों पर प्रशिक्षित और मूल्यांकित किया गया था। एक प्रमुख पद्धतिगत विकल्प के रूप में इनपुट वेरिएबल्स (जैसे, $NO_3$ , $NH_4$ , मिट्टी की नमी) के लिए पूरी तरह से Cycles-सिम्युलेटेड डेटा का उपयोग किया गया, न कि मापित और सिम्युलेटेड डेटा का मिश्रण। यह सुनिश्चित करता है कि इनपुट वेक्टर्स संयुक्त रूप से साकार होने वाली मृदा अवस्थाओं का प्रतिनिधित्व करते हैं, जिससे भौतिक निरंतरता बनी रहती है जो फिजिक्स रेसिडुअल को सार्थक बनाने के लिए आवश्यक है।
मूल्यांकन रणनीति: प्रदर्शन का मूल्यांकन दो तकनीकों द्वारा किया गया:
1. होल्डआउट वैलिडेशन: इन-डिस्ट्रीब्यूशन प्रदर्शन का मूल्यांकन करने के लिए डेटा का रैंडम 80/20 स्प्लिट।
2. लीव-वन-साइट-आउट (LOSO) वैलिडेशन: आउट-ऑफ-डिस्ट्रीब्यूशन सामान्यीकरण क्षमता का मूल्यांकन करने के लिए साइट 4 (मिट्टी के pH और बनावट में भिन्न) को टेस्ट सेट के रूप में उपयोग करना।

प्रमुख परिणाम

प्रक्रिया-आधारित बेसलाइन्स बनाम प्रदर्शन: PINN ने अनकैलिब्रेटेड Cycles सिमुलेशन को काफी बेहतर प्रदर्शन किया। होल्डआउट वैलिडेशन में, बेसलाइन MLP ( $\lambda=0$ ) ने 0.411 का माध्य $R^2$ प्राप्त किया, जबकि Cycles का माध्य $R^2$ 0.01 था। यहाँ तक कि सबसे खराब प्रदर्शन करने वाला PINN कॉन्फ़िगरेशन ( $\lambda=1$ ) भी Cycles से लगभग एक क्रम (order of magnitude) बेहतर था।
इन-डिस्ट्रीब्यूशन डेटा पर भौतिक बाधाओं का प्रभाव: होल्डआउट वैलिडेशन में, भौतिक बाधाओं के समावेश ने $\lambda$ के बढ़ने के साथ मॉडल के प्रदर्शन को लगातार कम किया। सबसे अच्छा इन-डिस्ट्रीब्यूशन प्रदर्शन $\lambda \approx 0$ पर हुआ, जो यह सुझाव देता है कि परिचित डेटा के लिए, कच्चा डेटा सिग्नल भौतिक समीकरणों की तुलना में एक मजबूत भविष्यवक्ता है।
आउट-ऑफ-डिस्ट्रीब्यूशन डेटा पर भौतिक बाधाओं का प्रभाव: LOSO वैलिडेशन में, यह प्रवृत्ति उलट गई। जबकि सभी मॉडल भौगोलिक रूप से भिन्न टेस्ट साइट के साथ संघर्ष करते रहे (ऋणात्मक $R^2$ मान प्राप्त हुए), भौतिक बाधाओं के समावेश ने प्रदर्शन में सुधार किया और परिवर्तनशीलता को कम किया। सबसे अच्छा LOSO प्रदर्शन $\lambda \approx 0.7$ पर हुआ, जहाँ माध्य $R^2$ -71.672 (बेसलाइन) से सुधरकर -12.597 हो गया। भौतिक बाधाओं ने रैंडम सीड्स के बीच मानक विचलन को भी कम किया, जो अधिक स्थिरता का संकेत देता है।
सामान्यीकरण की सीमाएं: सुधार के बावजूद, क्रॉस-साइट सामान्यीकरण चुनौतीपूर्ण बना रहा, क्योंकि होल्ड-आउट साइट के लिए सभी सीड्स और $\lambda$ मानों के लिए ऋणात्मक $R^2$ देखे गए।

महत्व और दावे
लेखक दावा करते हैं कि जबकि PINN इन-डिस्ट्रीब्यूशन सटीकता के लिए "जादुई प्रदर्शन बूस्टर" नहीं हैं, वे आउट-ऑफ-डिस्ट्रीब्यूशन मजबूती के लिए एक महत्वपूर्ण फॉलबैक मैकेनिज्म के रूप में कार्य करते हैं। उनका तर्क है कि भौतिक बाधाएं स्थानीय सटीकता का त्याग करती हैं ताकि मॉडल को अपरिचित मिट्टी की स्थितियों में जैव-भू-रासायनिक रूप से तर्कसंगत व्यवहार की ओर केंद्रित किया जा सके। यह ट्रेड-ऑफ बताता है कि भले ही भौतिक रेसिडुअल (फिक्स्ड कांस्टेंट्स और सरलीकृत समीकरणों से प्राप्त) अपूर्ण हों, वे बिना किसी बाधा के नए वातावरण में जाने से बेहतर हैं।

यह अध्ययन वर्तमान जैव-भू-रासायनिक मॉडलिंग की एक विशिष्ट सीमा को उजागर करता है: जबकि प्रक्रिया-आधारित मॉडल उत्सर्जन के चालकों (पानी, तापमान, खनिज N) का सटीक प्रतिनिधित्व करते हैं, वे $N_2O$ के रूप में उत्सर्जित नाइट्रोजन के अंश की भविष्यवाणी करने में संघर्ष करते हैं क्योंकि नाइट्रीकरण और विनाइट्रीकरण की प्रक्रियाएं जटिल होती हैं। PINN दृष्टिकोण इस अंतर को पाटने का प्रयास करता है ताकि डेटा का उपयोग जटिल पैटर्न सीखने के लिए किया जा सके जबकि भौतिकी का उपयोग अप्रासंगिक एक्सट्रपलेशन को रोकने के लिए किया जाए।

लेखकों द्वारा स्वीकार की गई सीमाएं
लेखक स्पष्ट रूप से निम्नलिखित पद्धतिगत कमजोरियों को नोट करते हैं:

डेटा उत्पत्ति (Data Provence): सभी इनपुट वेरिएबल्स (pH और मापित $N_2O$ को छोड़कर) Cycles-सिम्युलेटेड थे, जिसका अर्थ है कि PINN की सटीकता स्वयं Cycles मॉडल के पूर्वाग्रहों (biases) द्वारा सीमित है।
कोलोकेशन पॉइंट्स का अभाव: मानक PINN अनुप्रयोगों के विपरीत, डेटासेट के असतत दैनिक टाइमस्टेप ने कोलोकेशन पॉइंट्स के उपयोग को रोका, जिससे केवल देखे गए डेटा बिंदुओं पर ही भौतिक लॉस लागू हुआ।
निश्चित स्थिरांक (Fixed Constants): फिजिक्स रेसिडुअल निश्चित जैव-भू-रासायनिक स्थिरांकों पर निर्भर करता है जो विभिन्न साइटों के लिए भिन्न नहीं होते हैं, जो विषम डेटा पर रेगुलेराइजेशन सिग्नल को सीमित कर सकता है।
मॉडल मिसमैच: समीकरण DayCent से प्राप्त किए गए थे, जबकि इनपुट डेटा Cycles द्वारा उत्पन्न किया गया था, जो दो अलग-अलग प्रक्रिया-आधारित मॉडलों के पूर्वाग्रहों को मिला सकता है।
डेटा असंतुलन: डेटासेट साइट 2 (78.2% डेटा) द्वारा अत्यधिक प्रभावित था, जो समग्र प्रदर्शन मेट्रिक्स को प्रभावित कर सकता है।

लेख निष्कर्ष निकालते हैं कि भविष्य के कार्यों को विभिन्न आर्किटेक्चर (जैसे, PINNs-Formers) और भौतिकी रेसिडुअल हाइपोथेसिस को और अधिक मान्य करने के लिए बड़े, अधिक विविध डेटासेट्स के साथ व्यापक LOSO प्रयोगों का पता लगाना चाहिए।

अदृश्य बादल और डिजिटल क्रिस्टल बॉल

मिट्टी के जासूस की कहानी

इसी तरह के और पेपर