🤖 machine learning

Latent Lie-Poisson Neural Networks (LLPNNs): Discovering the motion of Lie-Poisson systems through observable data and latent dynamics

यह शोध पत्र लेटेंट ली-पॉइसन न्यूरल नेटवर्क्स (LLPNNs) को प्रस्तुत करता है, जो एक संरचना-संरक्षण ढांचा है जो हैमिल्टोनियन डिकोडर्स, नोएथर इनवेरियंट्स और ली-ग्रुप अपडेट जैसे ज्यामितीय अवयवों का लाभ उठाकर सीधे अवलोकन योग्य डेटा से ली-पॉइसन गतिकी को सीखता है ताकि उन अपभ्रष्ट प्रणालियों के लिए भी सटीक दीर्घकालिक भविष्यवाणियां की जा सकें जहाँ लेटेंट चर अवलोकनीय नहीं होते हैं।

मूल लेखक: Vakhtang Putkaradze

प्रकाशित 2026-08-03

📖 9 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Vakhtang Putkaradze

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 कंप्यूटर को यह सिखाने की कोशिश कर रहे हैं कि एक घूमते हुए लट्टू (spinning top), एक तैरते हुए रोबोट, या ड्रोन्स के एक बेड़े (fleet) के भविष्य की गति की भविष्यवाणी कैसे की जाए। आपके पास उनकी गति का एक वीडियो है, जो उनकी स्थिति और गति को दर्शाता है, लेकिन आपके पास उनके भीतर के "अदृश्य गियर" (invisible gears)—उन छिपी हुई ताकतों और संवेगों (moments) तक सीधी पहुँच नहीं है जो वास्तव में उनकी गति को संचालित करते हैं। यह फिजिक्स-इन्फॉर्म्ड मशीन लर्निंग (physics-informed machine learning) की चुनौती है: एआई को केवल चीजों को घटित होते देखकर प्रकृति के नियमों को समझना सिखाना।

आमतौर पर, जब हम गति की भविष्यवाणी करने की कोशिश करते हैं, तो हम दृश्य चीजों (वह कहाँ है और उसकी गति कितनी है) को देखते हैं और अगले कदम का अनुमान लगाते हैं। लेकिन कई जटिल प्रणालियों के लिए, जैसे कि अंतरिक्ष में घूमता हुआ एक कठोर पिंड (rigid body) या तरल पदार्थ में चलता हुआ एक वाहन, केवल दृश्य गति पूरी कहानी बताने के लिए पर्याप्त नहीं होती है। वास्तविक "इंजन" उस प्रणाली का एक छिपे हुए स्थान में रहता है जिसे संवेग (momentum) कहा जाता है। संवेग को एक रबर बैंड के अदृश्य तनाव की तरह समझें; आप स्वयं तनाव को नहीं देख सकते, केवल उसके कारण होने वाली गति को देख सकते हैं। यदि आप केवल गति को देखकर भविष्य की भविष्यवाणी करने की कोशिश करते हैं, तो आप उस छिपे हुए तनाव को मिस कर सकते हैं, और आपकी भविष्यवाणी अंततः निरर्थक हो जाएगी।

इसके अलावा, कुछ प्रणालियाँ "डीजेनरेट" (degenerate) होती हैं, जिसका अर्थ है कि नियम थोड़े टूटे हुए या अधूरे हैं। इन मामलों में, दृश्य गति का अपना कोई नियम भी नहीं होता; वह पूरी तरह से उस छिपे हुए तनाव पर निर्भर होती है। बिना छिपे हुए तनाव को जाने भविष्य की भविष्यवाणी करना शतरंज के खेल में अगली चाल का अनुमान लगाने जैसा है, जब आप केवल बोर्ड पर मोहरों को देख सकते हैं लेकिन उनके चलने के नियमों को नहीं। यह शोध पत्र ठीक इसी समस्या पर काम करता है: एक कंप्यूटर को यह कैसे सिखाया जाए कि दृश्य नृत्य को देखकर छिपे हुए नियमों और अदृस्थ बलों को कैसे सीखा जाए।

छिपी हुई गति के लिए गुप्त डिकोडर रिंग

इस शोध पत्र के लेखक, वख्तंग पुतकारज़े (Vakhtang Putkaradze) ने एक नए प्रकार के एआई का आविष्कार किया है जिसे लेटेंट ली-पोइसन न्यूरल नेटवर्क्स (Latent Lie-Poisson Neural Networks - LLPNNs) कहा जाता है। इसे एक "गुप्त डिकोडर रिंग" के रूप में सोचें जो एक कंप्यूटर को उन अदृश्य, छिपी हुई ताकतों को समझने में सक्षम बनाता है जो एक प्रणाली को चला रही हैं, भले ही वह केवल दृश्य परिणामों को देख पा रहा हो।

गति की भविष्यवाणी करने वाले अधिकांश एआई मॉडल एक ऐसे छात्र की तरह कार्य करते हैं जो केवल उत्तर कुंजी (answer key) को रट लेता है। वे देखते हैं कि कोई वस्तु अभी कहाँ है और एक सेकंड पहले कहाँ थी, फिर अनुमान लगाते हैं कि वह आगे कहाँ होगी। यह सरल चीजों के लिए ठीक काम करता है, लेकिन घूमते हुए उपग्रहों या पानी के नीचे चलने वाले वाहनों जैसी जटिल प्रणालियों के लिए, ये मॉडल अंततः भ्रमित हो जाते हैं। वे "संरक्षण नियमों" (conservation laws) को भूल जाते हैं—प्रकृति के वे मौलिक नियम जिन्हें वह कभी नहीं तोड़ती, जैसे कि एक घूमते हुए लट्टू को तब तक अपना कुल घुमाव बनाए रखना चाहिए जब तक कि उसे कुछ धक्का न दिया जाए। क्योंकि वे इन नियमों को भूल जाते हैं, उनकी भविष्यवाणियाँ धीरे-धीरे वास्तविकता से भटक जाती हैं, जैसे कि एक ऐसा नक्शा जो हर दिन थोड़ा गलत होता जाता है जब तक कि आप शहर के बजाय समुद्र में न पहुँच जाएँ।

समस्या तब और भी जटिल हो जाती है जब प्रणाली "डीजेनरेट" होती है। इन मामलों में, दृश्य गति (जैसे कि एक कार कितनी तेजी से आगे बढ़ रही है) स्थिर या निश्चित होती है, लेकिन छिपा हुआ संवेग (वह अदृश्य बल जो उसे मोड़ रहा है) तेजी से बदल रहा होता है। यह एक कार को एक सीधी सड़क पर बिल्कुल स्थिर 60 मील प्रति घंटे की गति से चलते हुए देखने जैसा है। एक सामान्य पर्यवेक्षक के लिए, कार उबाऊ और अपरिवर्तित लगती है। लेकिन यदि वह कार वास्तव में एक विशाल, अदृश्य हिंडोले (merry-go-round) पर चल रही है, तो छिपा हुआ संवेग तेजी से घूम रहा होता है भले ही गति समान दिख रही हो। मानक एआई मॉडल यहाँ फंस जाते हैं क्योंकि वे हिंडोले को देख नहीं पाते; वे केवल स्थिर गति को देखते हैं। वे गति के लिए एक नियम बनाने की कोशिश करते हैं, लेकिन ऐसा कोई नियम मौजूद नहीं है क्योंकि गति केवल छिपे हुए घुमाव की एक छाया मात्र है।

यह नया एआई पहेली को कैसे सुलझाता है

LLPNNs इसे यह महसूस करके हल करते हैं कि भले ही हम छिपे हुए संवेग को देख नहीं सकते, लेकिन हम इसे भौतिकी के एक "जादुई चमत्कार" जिसे नोएदर का प्रमेय (Noether's Theorem) कहा जाता है, का उपयोग करके निष्कर्ष निकाल सकते हैं। यह प्रमेय कहता है कि यदि किसी प्रणाली में एक निश्चित समरूपता (symmetry) है (जैसे कि इसे घुमाने पर भी यह समान रहती है), तो एक छिपी हुई मात्रा होती है जो कभी नहीं बदलती।

लेखक की विधि इस प्रकार कार्य करती है:

छिपा हुआ स्थिरांक: एआई यह मान लेता है कि एक छिपा हुआ, अपरिवर्तित "स्थानिक संवेग" वेक्टर (मान लीजिए $p_0$ ) है जो हमेशा एक समान रहता है, भले ही वस्तु घूम रही हो और चल रही हो।
पुनर्गठन (The Reconstruction): वस्तु के दृश्य पथ (उसकी स्थिति और अभिविन्यास) का उपयोग करके, एआई कोएडजॉइंट एक्शन (coadjoint action) नामक एक गणितीय पुल का उपयोग करता है ताकि यह पुनर्गठित किया जा सके कि उस स्थिर $p_0$ को सत्य रखने के लिए छिपे हुए संवेग को हर क्षण क्या होना चाहिए। यह दीवार पर चलते हुए साये को देखने और यह महसूस करने जैसा है कि, "आह, छाया डालने वाली वस्तु इस तरह घूम रही होगी ताकि प्रकाश का स्रोत स्थिर रहे।"
नियम सीखना: एक बार जब एआई छिपे हुए सं mengembangkan (reconstruct) कर लेता है, तो वह उन वास्तविक नियमों (Hamiltonian) को सीखता है जो उस संवेग के परिवर्तन को नियंत्रित करते हैं। यह दो अलग-अलग "दृष्टिकोणों" का उपयोग करता है:
- डिकोडर दृष्टिकोण: यह एक ऐसा फलन (function) सीखता है जो छिपे हुए संवेग को दृश्य गति में अनुवादित करता है।
- एनकोडर दृष्टिकोण: यह एक ऐसा फलन सीखता है जो दृश्य गति को वापस छिपे हुए संवेग में अनुवादित करता है (लेकिन केवल प्रणाली के उन हिस्सों के लिए जो बदलने के लिए अनुमत हैं)।

उन्होंने क्या पाया

लेखक ने इस नए एआई का परीक्षण तीन बहुत अलग, चुनौतीपूर्ण परिदृश्यों पर किया:

एक घूमता हुआ कठोर पिंड (A Spinning Rigid Body): 3D गोले (SO(3)) पर एक घूमते हुए लट्टू का एक सामान्यीकृत संस्करण।
एक पानी के नीचे का वाहन (An Underwater Vehicle): एक जटिल रोबोट जो पानी में घूम रहा है, जो घूर्णन (rotation) और स्थानान्तरण (translation) दोनों से निपट रहा है (SE(3))।
ड्रोन्स का एक झुंड (A Swarm of Drones): 2D प्लेन पर कई स्वायत्त वाहन, जहाँ कुछ गति के नियम "डीजेनरेट" हैं (आगे की गति निश्चित है, लेकिन मुड़ना छिपे हुए बलों द्वारा नियंत्रित होता है)।

इन तीनों मामलों में, LLPNNs छिपे हुए डायनेमिक्स को सीखने और बेहतरीन दीर्घकालिक सटीकता के साथ भविष्य की भविष्यवाणी करने में सक्षम रहे।

"जादू" का संरक्षण: सबसे प्रभावशाली परिणाम यह है कि एआई ने "कैसिमिर इनवैरिएंट्स" (Casimir invariants - छिपे हुए संरक्षित मात्राओं) को मशीन परिशुद्धता (machine precision) तक संरक्षित किया। इसका मतलब है कि एआई ने केवल सही नंबरों का अनुमान नहीं लगाया; इसने गणितीय रूप से गारंटी दी कि ब्रह्मांड के छिपे हुए नियमों को कभी नहीं तोड़ा गया।
प्रतिस्पर्धा को हराना: अन्य लोकप्रिय एआई विधियों जैसे न्यूरल ODEs और DeepONets (जो केवल दृश्य डेटा को देखते हैं) के साथ तुलना करने पर, LLPNNs लंबे समय तक ट्रैक पर रहे। अन्य विधियाँ सरल प्रणालियों के लिए ठीक काम करती थीं लेकिन "डीजेनरेट" प्रणालियों (जैसे ड्रोन झुंड) के मामले में बुरी तरह विफल रहीं। उन मामलों में, अन्य एआई मॉडल तेजी से भटक गए, असंभव पथों की भविष्यवाणी करने लगे क्योंकि वे छिपी हुई ताकतों को नहीं देख पा रहे थे।
मजबूती (Robustness): यह विधि शोर (noisy data) के साथ भी अच्छी तरह काम करती है (वास्तविक दुनिया की सेंसर त्रुटियों का अनुकरण करते हुए)।

सीमाएं और भविष्य

शोध पत्र सावधानीपूर्वक यह नोट करता है कि यह विधि हर चीज़ के लिए जादू की छड़ी नहीं है। यह पहले से ज्ञात सिमेट्री ग्रुप (symmetry group) पर निर्भर करती है। आपको एआई को बताना होगा, "यह एक घूमता हुआ लट्टू है," या "यह एक समतल तल पर ड्रोन है।" यदि कोई प्रणाली अपनी स्वयं की समरूपता को तोड़ती है (जैसे कि एक ड्रोन जो उन घूर्णन नियमों को तोड़ने वाले लक्ष्य को खोजने की कोशिश कर रहा है), तो यह विधि संघर्ष कर सकती है। साथ ही, यह विधि विशेष रूप से उन प्रणालियों के लिए डिज़ाइन की गई है जो ली-पोइसन डायनेमिक्स (Lie-Poisson dynamics) का पालन करती हैं; इसे बिना उस विशिष्ट ज्यामितिक संरचना वाले किसी भी यादृच्छिक भौतिक तंत्र पर सीधे लागू नहीं किया जा सकता है।

हालाँकि, जिन प्रणालियों को यह कवर करता है, उनके लिए परिणाम एक महत्वपूर्ण प्रगति हैं। लेखक दिखाते हैं कि न्यूरल नेटवर्क में भौतिकी की गहरी ज्यामितीय संरचना को सीधे शामिल करके, हम ऐसा एआई बना सकते हैं जो केवल डेटा को याद नहीं करता, बल्कि ब्रह्मांड के अदृश्य गियर को वास्तव में समझता है। उन्होंने इसे कठोर पिंडों, पानी के नीचे के वाहनों और ड्रोन झुंडों के सिमुलेशन के साथ प्रदर्शित किया, यह सिद्ध करते हुए कि भले ही दृश्य डेटा अधूरा हो या नियम डीजेनरेट हों, छिपे हुए सत्य को उच्च परिशुद्धता के साथ प्राप्त और भविष्यवाणी किया जा सकता है।

संक्षेप में, यह शोध पत्र हमें कंप्यूटर को अदृश्य को देखने का एक नया तरीका देता है, जिससे यह सुनिश्चित होता है कि उनके भविष्य के अनुमान भौतिकी के अटूट नियमों का सम्मान करते हैं।

तकनीकी सारांश: लेटेंट ली-पॉइसन न्यूरल नेटवर्क (LLPNNs)

1. समस्या विवरण

यह शोध पत्र हैमिल्टोनियन प्रणालियों (Hamiltonian systems) के डेटा-संचालित मॉडलिंग में एक मौलिक चुनौती को संबोधित करता है: ली-पॉइसन प्रणालियों की गतिशीलता (dynamics) को सीखना, जब केवल अवलोकनीय डेटा (कॉन्फ़िगरेशन $g(t)$ और वेग $\xi(t)$ ) उपलब्ध हों, जबकि संचालित होने वाली गतिशीलता लेटेंट मोमेंटम वेरिएबल्स ( $\mu$ ) में विकसित होती है जो अवलोकनीय नहीं हैं।

यह समस्या दो संदर्भों में विशेष रूप से गंभीर है:

सममिति न्यूनीकरण (Symmetry Reduction): कई यांत्रिक प्रणालियाँ (रिजिड बॉडी, तरल पदार्थ, पानी के नीचे चलने वाले वाहन) ली-पॉइसन प्रणालियों में सममिति न्यूनीकरण को स्वीकार करती हैं जहाँ अवस्था स्थान (state space) ली बीजगणित ( $\mathfrak{g}^*$ ) का द्वैत (dual) होता है, लेकिन डेटा कॉन्फ़िगरेशन/वेग स्थान ( $G$ और $\mathfrak{g}$ ) में एकत्र किया जाता है।
इष्टतम नियंत्रण में डिजेनरेट हैमिल्टोनियन (Degenerate Hamiltonians in Optimal Control): इष्टतम नियंत्रण समस्याओं (जैसे, परस्पर क्रिया करने वाले वाहन) में, न्यूनीकृत (reduced) हैमिल्टोनियन अक्सर डिजेनरेट (कुछ मोमेंटम घटकों में रैखिक) होता है। यह विसंगति (degeneracy) अवलोकनीय वेरिएबल्स में एक संगत लैग्रेंजियन फॉर्मूलेशन के अस्तित्व को रोकती है। फलस्वरूप, अवलोकनीय वेरिएबल्स एक बंद स्वायत्त गतिशील प्रणाली (closed autonomous dynamical system) नहीं बनाते हैं; अवलोकनीय वेगों का विकास $\dot{\xi} = f(\xi)$ के रूप में व्यक्त नहीं किया जा सकता क्योंकि विभिन्न लेटेंट मोमेंटम अवस्थाएं समान अवलोकनीय वेग उत्पन्न कर सकती हैं लेकिन उनके समय के डेरिवेटिव भिन्न हो सकते हैं।

मौजूदा संरचना-संरक्षण विधियाँ (जैसे, हैमिल्टोनियन न्यूरल नेटवर्क, सिम्प्लेक्टिक RNN) आमतौर पर पूर्ण फेज स्पेस या गैर-डिजेनरेट लेजेंड्रे ट्रांसफॉर्म की उपलब्धता मानती हैं, जो उन्हें इन विशिष्ट मामलों के लिए अनुपयुक्त या गलत बनाती हैं।

2. कार्यप्रणाली: लेटेंट ली-पॉइसन न्यूरल नेटवर्क (LLPNNs)

लेखक LLPNNs का प्रस्ताव करते हैं, जो एक ऐसा ढांचा है जो सीधे अवलोकनीय डेटा से ली-पॉइसन गतिशीलता को सीखता है और छिपे हुए मोमेंटम प्रक्षेपवक्रों (trajectories) का पुनर्निर्माण करता है। यह विधि तीन ज्यामितीय घटकों पर निर्भर करती है:

A. ज्यामितीय आधार

नोएदर का प्रमेय और कोएडजॉइंट पुनर्निर्माण (Noether's Theorem & Coadjoint Reconstruction): ली समूह सममिति $G$ वाली प्रणालियों के लिए, स्थानिक मोमेंटम $p_0 \in \mathfrak{g}^*$ संरक्षित रहता है। लेटेंट बॉडी मोमेंटम $\mu(t)$ को स्थिर स्थानिक मोमेंटम के कोएडजॉइंट एक्शन के माध्यम से जोड़ा जाता है: $\mu(t) = \text{Ad}^*_{g(t)} p_0$ । यह अवलोकनीय कॉन्फ़िगरेशन $g(t)$ और लेटेंट मोमेंटम $\mu(t)$ के बीच एक सटीक सेतु प्रदान करता है।
विसंगति को संभालना (Handling Degeneracy): ढांचा स्पष्ट रूप से सक्रिय वेरिएबल्स (जहाँ हैमिल्टोनियन गैर-रैखिक और प्रतिवर्ती है) और निष्क्रिय वेरिएबल्स (जहाँ वेग स्थिर या शून्य होते हैं) के बीच अंतर करता है। इसके लिए वैश्विक लेजेंड्रे ट्रांसफॉर्म की आवश्यकता नहीं है, जिससे यह तब भी कार्य करने में सक्षम है जब लैग्रेंजियन फॉर्मूलेशन मौजूद न हो।

B. दो शिक्षण दृष्टिकोण

लेखक सिस्टम को सीखने के लिए दो अलग-अलग आर्किटेक्चर प्रस्तुत करते हैं:

हैमिल्टोनियन दृष्टिकोण (डिकोडर):
- लक्ष्य: हैमिल्टोनियन फलन $h(\mu)$ को सीधे सीखना।
- तंत्र: नेटवर्क $h(\mu)$ को निष्क्रिय वेरिएबल्स के लिए रैखिक पदों और सक्रिय वेरिएबल्स के लिए एक न्यूरल नेटवर्क रेसिडुअल के योग के रूप में पैरामीटराइज करता है।
- प्रशिक्षण: प्रत्येक प्रक्षेपवक्र (trajectory) के लिए, नेटवर्क वेट्स के साथ-साथ एक स्थिर स्थानिक मोमेंटम वेक्टर $p_0$ को अनुकूलित किया जाता है। लॉस फंक्शन, अवलोकनीय वेगों और सक्रिय घटकों पर अनुमानित हैमिल्टोनियन के ग्रेडिएंट के बीच के अंतर को कम करता है: $\xi_{pred} = \nabla_\mu h(\text{Ad}^*_g p_0)$ ।
- पुनर्निर्माण: समूह तत्वों और मोमेंटम को चरण-दर-चरण अपडेट करने के लिए सीखे गए $h(\mu)$ और संरक्षित $p_0$ के साथ मैग्नस एक्सपेंशन (Magnus expansion) का उपयोग करता है।
लैग्रेंजियन दृष्टिकोण (एनकोडर / स्यूडो-लैग्रेंजियन):
- लक्ष्य: एक "स्यूडो-लैग्रेंजियन" $\ell(\xi_{act})$ सीखना जो सक्रिय वेगों को सक्रिय मोमेंटम से मैप करता है।
- तंत्र: यह मानता है कि सक्रिय वेग और सक्रिय मोमेंटम के बीच का मानचित्र स्थानीय रूप से प्रतिवर्ती (invertible) है। नेटवर्क $\ell(\xi_{act})$ को इस प्रकार सीखता है कि $\mu_{act} = \nabla_{\xi_{act}} \ell(\xi_{act})$ ।
- प्रशिक्षण: स्थानिक मोमेंटम $p_0$ लॉस फंक्शन में रैखिक रूप से दिखाई देता है (नेटवर्क मूल्यांकन के बाहर), जिससे इसे दिए गए नेटवर्क स्टेट के लिए लीनियर लीस्ट स्क्वायर्स के माध्यम से हल किया जा सकता है। लॉस फंक्शन अनुमानित सक्रिय मोमेंटम और $p_0$ के कोएडजॉइंट प्रोजेक्शन के बीच विसंगति को कम करता है।
- पुनर्निर्माण: अगले वेग चरण को खोजने के लिए एक इम्प्लिसिट समीकरण (रूट-फाइंडिंग के माध्यम से) को हल करता है जो स्यूडो-लैग्रेंजियन से प्राप्त मोमेंटम अपडेट नियम को संतुष्ट करता है।

C. प्रशिक्षण रणनीति

वार्म स्टार्ट (Warm Start): लोकल मिनिमा से बचने के लिए, लेखक अपने नेटवर्क्स को एक क्वाड्रेटिक एप्रोक्सिमेशन (क्वाड्रेटिक हैमिल्टोनियन/लैग्र而言ियन) के साथ इनिशियलाइज़ करते हैं और पूर्ण प्रशिक्षण के लिए न्यूरल नेटवर्क वेट्स को अनफ्रीज करने से पहले बाधाओं वाले लीनियर सिस्टम (KKT कंडीशंस) का उपयोग करके मेट्रिक मैट्रिसेस और $p_0$ के लिए समाधान निकालते हैं।
संरचना संरक्षण: पुनर्निर्माण एल्गोरिदम ली-ग्रुप अपडेट (मैग्नस एक्सपेंशन) और कोएडजॉइंट एक्शन का उपयोग करता है, जो यह सुनिश्चित करता है कि कैसिमर इनवेरियंट्स (Casimir invariants) को प्रशिक्षण की गुणवत्ता के बावजूद मशीन-परिशुद्धता तक संरक्षित रखा जाए।

3. मुख्य योगदान

केवल अवलोकनीय से सीखना: वह पहला ढांचा जो बिना लेटेंट मोमेंटम मापन के, सीधे अवलोकनीय कॉन्फ़िगरेशन और वेग डेटा से ली-पॉइसन गतिशीलता को सीखने में सक्षम है।
डिजेनरेट हैमिल्टोनियंस को संभालना: यह विधि नियमित और डिजेनरेट दोनों हैमिल्टोनियन प्रणालियों के लिए कार्य करती है। यह उन इष्टतम नियंत्रण समस्याओं को सफलतापूर्वक संबोधित करती है जहाँ अवलोकनीय वेरिएबल्स के लिए कोई बंद स्वायत्त विकास समीकरण मौजूद नहीं होता, एक ऐसी स्थिति जहाँ मानक न्यूरल ODEs और DeepONets विफल हो जाते हैं।
मशीन-परिशुद्धता संरक्षण: आर्किटेक्चर यह गारंटी देता है कि प्रशिक्षण डेटा या अनुकूलन गुणवत्ता से स्वतंत्र होकर, निर्माण द्वारा कैसिमर इनवेरियंट्स को सटीक रूप से संरक्षित किया जाए।
दोहरी फॉर्मुलेशन: दोनों हैमिल्टोनियन (डिकोडर) और लैग्रेंजियन (एनकोडर) दृष्टिकोण प्रदान करता है, जिससे सक्रिय वेग-मोमेंटम मानचित्र के प्रतिवर्ती होने के आधार पर लचीलापन मिलता है।

4. प्रायोगिक परिणाम

विधि को गैर-क्वाड्रेटिक हैमिल्टोनियन का उपयोग करके तीन बेंचमार्क सिस्टम पर सत्यापित किया गया:

सामान्यीकृत रिजिड बॉडी (SO(3)):
- अवलोकनीय वेगों और लेटेंट मोमेंट्स दोनों के लिए लगभग पूर्ण दीर्घकालिक प्रक्षेपवक्र ट्रैकिंग प्रदर्शित की।
- कैसिमर इनवेरियंट्स ( $\|\mu\|^2$ ) और ऊर्जा को मशीन परिशुद्धता के साथ संरक्षित किया।
- गैर-संरचना-संरक्षण बेसलाइन्स (Neural ODE, DeepONet) से बेहतर प्रदर्शन किया जो तेजी से विचलन (diverge) कर गए।
किरचॉफ का अंडरवॉटर व्हीकल (SE(3)):
- रोटेशनल और ट्रांसलेशनल मोड के युग्मित (coupled) सिस्टम पर परीक्षण किया गया।
- दोनों हैमिल्टोनियन और लैग्रेंजियन LLPNN ने फेज सटीकता बनाए रखी और दो कैसिमर इनवेरियंट्स ( $\|P\|^2$ और $J \cdot P$ ) को संरक्षित किया।
- बेसलाइन्स की तुलना में शोर (noise) के प्रति बेहतर मजबूती दिखाई।
बहु-वाहन इष्टतम नियंत्रण (SE(2) $^N$ ):
- महत्वपूर्ण परीक्षण: एक सिस्टम जिसमें डिजेनरेट हैमिल्टोनियन (ट्रांसलेशनल मोमेंटम में रैखिक, केवल एंगुलर मोमेंटम में गैर-रैखिक) है।
- परिणाम: मानक Neural ODEs और DeepONets तुरंत विफल हो गए क्योंकि अवलोकनीय वेगों के लिए कोई स्वायत्त वेक्टर फील्ड मौजूद नहीं है। LLPNNs ने लेटेंट डायनेमिक्स को सफलतापूर्वक पुनर्गठित किया और दीर्घकालिक प्रक्षेपवक्रों की भविष्यवाणी की।
- इस विशिष्ट डिजेनरेट मामले में लैग्रेंजियन दृष्टिकोण ने एंगुलर वेगों के लिए थोड़ा बेहतर फेज अलाइनमेंट दिखाया, जबकि हैमिल्टोनियन दृष्टिकोण ने सबसे कम समग्र त्रुटि वृद्धि प्राप्त की।
- व्यक्तिगत वाहनों के लिए कैसिमर इनवेरियंट्स को मशीन परिशुद्धता तक संरक्षित किया गया।

5. महत्व और दावे

यह दावा किया गया है कि LLPNNs ऑब्जर्वेबल डेटा और लेटेंट ज्यामितीय संरचनाओं के बीच की खाई को पाटकर ज्योमेट्रिक डीप लर्निंग में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करते हैं।

महत्व: यह ढांचा 'हिडन स्टेट' (hidden state) की समस्या को हल करता है। यह सिद्ध करता है कि भले ही अवलोकनीय वेरिएबल्स एक बंद सिस्टम नहीं बनाते हैं (डिजेनरी के कारण), अंतर्निहित ली-पॉइसन संरचना केवल अवलोकनीय डेटा और ज्ञात सममिति समूह का उपयोग करके पूर्ण गतिशीलता के सटीक पुनर्निर्माण की अनुमति देती है।
मजबूती: यह विधि शोर के प्रति मजबूत है और इसके लिए मध्यम डेटासेट और हल्के न्यूरल नेटवर्क आर्किटेक्चर की आवश्यकता होती है।
सीमाएँ: लेखक नोट करते हैं कि यह विधि मानती है कि सममिति समूह $G$ पूर्व-ज्ञात है। यह वर्तमान में सममिति-भंग करने वाले कॉस्ट फंक्शन्स (जहाँ न्यूनीकरण अधूरा है) या सामान्य पॉइसन मैनिफोल्ड्स को नहीं संभालती है जिनमें विशिष्ट कोएडजॉइंट पुनर्निर्माण सूत्र का अभाव हो।

संक्षेप में, यह शोध पत्र स्थापित करता है कि ली-पॉइसन प्रणालियों (विशेष रूप से नोएदर इनवेरियंट्स और कोएडजॉइंट एक्शन) के ज्यामितीय बाधाओं को सीधे सीखने के आर्किटेक्चर में शामिल करके, एक सटीक, दीर्घकालिक भविष्यवाणी प्राप्त की जा सकती है, जो मानक डेटा-संचालित विधियों के लिए अगम्य (intractable) है।