A user's guide to PINNs in geometric analysis: lessons from the asymptotic Plateau problem
यह शोधपत्र हाइपरबोलिक स्पेस में मिनिमल सर्फेसेस (minimal surfaces) पर एक अध्ययन के पद्धतिगत साथी (methodological companion) के रूप में कार्य करता है, जो यह विवरण देता है कि कैसे ज्यामितीय बाधाओं को सीधे न्यूरल नेटवर्क आर्किटेक्चर में एनकोड करने और सेकंड-ऑर्डर जेट्स (second-order jets) एवं ग्राफ संकलन (graph compilation) के माध्यम से PDE अवशेष मूल्यांकन को अनुकूलित करने से प्रशिक्षण लागत को चालीस से पचास गुना कम किया जा सकता है, जिससे ज्यामितीय विश्लेषण में कुशल फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क अनुप्रयोगों को सक्षम बनाया जा सके।
मूल पेपर CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/) के तहत सार्वजनिक डोमेन को समर्पित 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
गांठों का आकार और कंप्यूटर को सिखाने की कला
कल्पना कीजिए कि आप एक कुशल मूर्तिकार हैं, लेकिन मिट्टी के बजाय, आप अदृश्य, खिंचने वाली साबुन की झिल्लियों (soap films) के साथ काम कर रहे हैं। गणित की दुनिया में, "प्लेटो समस्या" (Plateau problem) नामक एक प्रसिद्ध पहेली है। यह एक सरल प्रश्न पूछती है: यदि आप एक तार के लूप को, जो एक गांठ (knot) के आकार का है, साबुन के पानी में डुबोते हैं, तो साबुन की झिल्ली कैसा आकार लेगी? आमतौर पर, प्रकृति समझदार होती है; वह कम से कम ऊर्जा का उपयोग करना चाहती है, इसलिए झिल्ली एक "न्यूनतम सतह" (minimal surface) में स्थिर हो जाती है—सबसे चिकना, सपाट आकार जो तार को पकड़े रखते हुए भी बन सके।
अब, इस विचार को चरम सीमा तक ले जाने की कल्पना करें। बाथटब में तार के बजाय, एक ऐसी अजीब, घुमावदार ब्रह्मांड में तैरती गांठ की कल्पना करें जिसे "हाइपरबोलिक स्पेस" (hyperbolic space) कहा जाता है, जहाँ ज्यामिति के नियम विकृत होते हैं। इस ब्रह्मांड में, गांठ केवल कमरे के बीच में एक लूप नहीं है; यह दुनिया के किनारे पर बना एक आकार है, जो अनंत दूरी पर है। प्रश्न यह बन जाता है: क्या हम एक आदर्श, न्यूनतम साबुन की झिल्ली पा सकते हैं जो इस ब्रह्मांड के केंद्र से फैलकर उस दूर स्थित गांठ से मिल सके? गणितज्ञ लंबे समय से जानते हैं कि ऐसी झिल्ली का अस्तित्व है, लेकिन वास्तव में उसका सटीक आकार खोजना एक ऐसे भूलभुलैया को हल करने जैसा है जिसकी दीवारें लगातार बदलती रहती हैं। यहीं पर यह शोध पत्र आता है, जो इस भारी काम को करने के लिए एक विशेष प्रकार की कृत्रिम बुद्धिमत्ता (AI) का उपयोग करता है।
शोध पत्र: AI को ज्यामिति का जीनियस बनाना
यह शोध पत्र अनिवार्य रूप से उन गणितज्ञों के लिए एक "उपयोगकर्ता मार्गदर्शिका" है जो इन जटिल ज्यामितीय समस्याओं को हल करने के लिए फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINNs) नामक एक विशिष्ट प्रकार के AI का उपयोग करना चाहते हैं। लेखक, टैनक्रेडी शेट्टिनी गेरार्डिनी और मार्को उसुला ने केवल उत्तर का अनुमान लगाने के लिए AI का उपयोग नहीं किया; उन्होंने एक अत्यंत स्मार्ट, उच्च कुशल प्रणाली बनाई जिसने गांठों के आकार और HOMFLY बहुपद (HOMFLY polynomial) नामक एक जटिल बीजगणितीय सूत्र के बीच एक गहरे संबंध के लिए संख्यात्मक साक्ष्य (numerical evidence) प्रदान किया।
HOMFLY बहुपद को हर गांठ के भीतर छिपे एक गुप्त कोड के रूप में समझें। यदि आप एक गांठ को एक निश्चित तरीके से घुमाते हैं, तो कोड बदल जाता है। लेखक यह देखना चाहते थे कि उनके AI द्वारा निर्मित साबुन की झिल्लियों के आपस में टकराने (self-intersections) की संख्या इस गुप्त कोड के अंकों से मेल खाती है या नहीं। उन्होंने कई अलग-अलग गांठों पर इसका परीक्षण किया, साधारण लूप से लेकर जटिल "फिगर-एट" (figure-eight) आकारों तक, और पाया कि AI के परिणाम हर बार कोड से पूरी तरह मेल खाते थे। यह गणितज्ञ जोएल फाइन के एक अनुमान (conjecture) के लिए मजबूत संख्यात्मक साक्ष्य देता है, जो बताता है कि इन अनंत साबुन की झिल्लियों की ज्यामिति गांठों के बीजगणित से गहराई से जुड़ी हुई है।
उन्होंने AI को कैसे काम करने के योग्य बनाया (दो बड़े रहस्य)
पत्र स्वीकार करता है कि यदि आप इस समस्या पर केवल एक मानक AI थोप देते हैं, तो यह संभवतः विफल हो जाएगा या सीखने में बहुत समय लेगा। लेखक ने खोजा कि एक सफल AI और एक बेकार AI के बीच का अंतर उन दो चतुर युक्तियों में निहित है जिनका उपयोग उन्होंने ब्रह्मांड के नियमों को AI के मस्तिष्क में "हार्ड-कोड" करने के लिए किया था।
1. AI को नियम सीखने के लिए न कहें; उन्हें पहले से ही शामिल कर दें
आमतौर पर, जब आप एक AI को प्रशिक्षित करते हैं, तो आप उसे एक लक्ष्य देते हैं (जैसे "ऊर्जा को कम करना") और नियम तोड़ने पर दंड देते हैं (जैसे "यदि आप गांठ को नहीं छूते हैं, तो दंड जोड़ें")। लेखक ने महसूस किया कि यह दृष्टिकोण बहुत अव्यवस्थित है। इसके बजाय, उन्होंने AI को इस तरह बनाया कि उसके लिए नियमों को तोड़ना भौतिक रूप से असंभव हो।
कल्पना कीजिए कि आप एक रोबोट को वृत्त (circle) बनाना सिखा रहे हैं। एक सामान्य दृष्टिकोण यह होगा कि आप कहें, "एक रेखा खींचें, और यदि यह गोल नहीं है, तो मैं आपको कम ग्रेड दूँगा।" AI एक वर्ग बना सकता है, कम ग्रेड प्राप्त कर सकता है, और फिर से प्रयास कर सकता है, लेकिन वह शायद कभी भी इसे पूर्ण नहीं कर पाएगा। लेखक का दृष्टिकोण अलग था: उन्होंने रोबोट का हाथ इस तरह बनाया कि वह केवल एक वृत्त में ही चल सके। रोबोट चाहे कितनी भी कोशिश करे, वह केवल एक वृत्त ही बना सकता है। शोध पत्र में, उन्होंने AI की संरचना को इस तरह डिजाइन किया कि वह हमेशा अनंत पर गांठ को छूता है और हमेशा ब्रह्मांड के किनारे पर सही व्यवहार करता है। इसका अर्थ था कि AI को बुनियादी बातें सीखने में समय बर्बाद करने की आवश्यकता नहीं थी; उसे केवल बीच के जटिल विवरणों को समझना था। इसने विभिन्न दंडों के बीच "संतुलन बनाने" की आवश्यकता को हटा दिया और प्रशिक्षण को बहुत अधिक विश्वसनीय बना दिया।
2. हर बार पहिये का पुन: आविष्कार न करें
दूसरा तरीका गति के बारे में था। AI को प्रशिक्षित करने के लिए, कंप्यूटर को हर बिंदु पर यह गणना करनी पड़ती है कि आकार कैसे बदलता है, जिसमें "डेरिवेटिव्स" (derivatives) नामक जटिल गणित शामिल है। इसे करने का मानक तरीका हर बार टेस्ट लेने पर छात्र से गणित का सूत्र फिर से व्युत्पन्न (derive) करने के लिए कहने जैसा है। यह सटीक तो है, लेकिन अविश्वसनीय रूप से धीमा है।
लेखक ने महसूस किया कि वे "फॉरवर्ड प्रोपेगेशन ऑफ सेकंड-ऑर्डर जेट्स" (forward propagation of second-order jets) नामक तकनीक का उपयोग करके इसे बहुत तेज़ी से कर सकते हैं। सरल शब्दों में, कंप्यूटर को हर बार आकार के ढलान (slope) और वक्रता (curvature) की गणना शून्य से करने के लिए कहने के बजाय, उन्होंने कंप्यूटर को सिखाया कि जैसे-जैसे आकार नेटवर्क के माध्यम से आगे बढ़ता है, वह अपने साथ "ढलान" और "वक्रता" को एक बैकपैक की तरह ले जाए। उन्होंने एक "कंपाइलर" भी बनाया जो पूरे निर्देशों के सेट को लेता है और उन्हें एक एकल, सुपर-फास्ट मशीन कोड प्रोग्राम में बदल देता है, बजाय इसके कि हर बार निर्देशों को फिर से बनाया जाए।
परिणाम? इन दो परिवर्तनों ने प्रशिक्षण प्रक्रिया को 40 से 50 गुना तेज़ बना दिया। एक सामान्य लैपटॉप पर, एक कार्य जिसे पूरा होने में कई दिन लगते या जिसके लिए एक विशाल सुपरकंप्यूटर की आवश्यकता होती, वह लगभग 40 मिनट में पूरा हो गया। इन युक्तियों के बिना, लेखक का कहना है कि उनका दर्जनों गांठों का पूरा अध्ययन एक क्लस्टर की मांग करता, या साधारण कंप्यूटरों पर किया ही नहीं जा सकता था।
भविष्य के लिए इसका क्या अर्थ है
यह शोध पत्र यह दावा नहीं करता कि इसने ब्रह्मांड की हर गांठ की समस्या को हल कर दिया है, लेकिन इसने एक शक्तिशाली नया उपकरण प्रदान किया है। यह दिखाकर कि वे AI को ऐसे परिणाम देने के लिए प्रेरित कर सकते हैं जो गहरे गणितीय सिद्धांतों से मेल खाते हैं, उन्होंने अन्य गणितज्ञों के लिए समान तरीकों का उपयोग करने का द्वार खोल दिया है। वे सुझाव देते हैं कि इन कुशल तकनीकों के साथ, हम जल्द ही कंप्यूटरों का उपयोग ज्यामिति में जटिल आकारों के अस्तित्व को सिद्ध करने में मदद के लिए कर पाएंगे, जिससे संख्यात्मक प्रयोग ठोस गणितीय प्रमाणों में बदल जाएंगे।
संक्षेप में, लेखक ने केवल कंप्यूटर में साबुन की झिल्लियाँ बनाने का तरीका नहीं खोजा; उन्होंने कंप्यूटर को खेल के नियमों को इतनी अच्छी तरह समझने का तरीका सिखाया कि वह इसे इतनी तेज़ी से और पूर्णता से खेल सके कि वह ज्यामिति की कुछ सबसे पुरानी पहेलियों को हल करने में हमारी मदद कर सके।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।