Learning Deterministic and Stochastic Forced Hamiltonian Systems
यह शोध पत्र एक ज्यामितीय ढांचे और संरचना-संरक्षण वाले न्यूरल नेटवर्क के एक नए वर्ग, जिसे जनरलाइज्ड फोर्स्ड हैमिल्टोनियन न्यूरल नेटवर्क (GFHNNs) कहा जाता है, को प्रस्तुत करता है, जो नियत (deterministic) और स्टोकेस्टिक (stochastic) दोनों प्रकार के फोर्स्ड हैमिल्टोनियन सिस्टम्स को सीखने के लिए है, जो गैर-ज्यामितीय विकल्पों की तुलना में बेहतर दीर्घकालिक स्थिरता, सटीकता और डेटा दक्षता प्रदर्शित करता है।
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
भौतिक दुनिया में, कई प्रणालियाँ एक छिपी हुई लय का पालन करती हैं, नियमों का एक समूह जो यह नियंत्रित करता है कि ऊर्जा कैसे चलती और बदलती है। एक झूलते हुए पेंडुलम या तारे की परिक्रमा करते ग्रह के बारे में सोचें; ये उन प्रणालियों के उदाहरण हैं जिन्हें वैज्ञानिक हैमिल्टोनियन सिस्टम (Hamiltonian systems) कहते हैं। सदियों से, गणितज्ञों ने जाना है कि इन प्रणालियों की एक विशेष ज्यामितीय संरचना होती है, एक प्रकार की आंतरिक वास्तुकला जो उन्हें लंबे समय तक स्थिर रखती है। हालाँकि, वास्तविक दुनिया शायद ही कभी पूर्ण होती है। घर्षण चीजों को धीमा कर देता है, और बाहरी धक्के या खिंचाव लगातार हस्तक्षेप करते हैं। जब ये बाहरी बल किसी प्रणाली पर कार्य करते हैं, तो आदर्श दुनिया के सुंदर नियम टूट जाते हैं, और प्रणाली अपने परिवेश के साथ ऊर्जा का आदान-प्रदान करती है। ऐसी प्रणाली भविष्य में कैसे व्यवहार करेगी, इसका पूर्वानुमान लगाना कठिन है क्योंकि मानक गणितीय उपकरण अक्सर सच्चाई से भटक जाते हैं, और जैसे-जैसे सिमुलेशन अधिक समय तक चलता है, उनकी सटीकता कम होती जाती है।
द दशकों से, वैज्ञानिकों ने इन समस्याओं को हल करने के लिए कृत्रिम बुद्धिमत्ता (AI) का उपयोग करने का प्रयास किया है। उन्होंने कंप्यूटर प्रोग्रामों को गति का वर्णन करने वाले समीकरणों को सीखने के लिए प्रशिक्षित किया है, इस उम्मीद में कि मशीनें किसी प्रणाली की भविष्य की स्थिति की भविष्यवाणी कर सकेंगी। हालाँकि ये विधियाँ थोड़े समय के लिए अच्छी तरह से काम करती हैं, लेकिन लंबी अवधि में अक्सर विफल हो जाती हैं। कंप्यूटर तत्काल चरणों को सीख लेता है लेकिन उस अंतर्निर्निहित ज्यामिति को भूल जाता है जो प्रणाली को स्थिर रखती है। परिणामस्वरूप, अनुमानित पथ एक क्षण के लिए सही लग सकता है, लेकिन घंटों या दिनों में, यह पथ से बुरी तरह भटक जाता है, उन भौतिक नियमों का उल्लंघन करता है जिनका उसे पालन करना चाहिए। यह रोबोटिक्स जैसे क्षेत्रों के लिए एक महत्वपूर्ण बाधा है, जहाँ एक रोबोटिक हाथ को वर्षों तक सटीकता से चलना होता है, या प्लाज्मा भौतिकी में, जहाँ वैज्ञानिक फ्यूजन रिएक्टरों में अत्यधिक गर्म गैस के व्यवहार का मॉडल बनाते हैं।
जर्मनी और नीदरलैंड के शोधकर्ताओं की एक टीम ने कंप्यूटर को इन जटिल प्रणालियों को सिखाने का एक नया तरीका विकसित किया है, जो शुरुआत से ही छिपी हुई ज्यामिति का सम्मान करता है। नेटवर्क से गति के नियमों का अनुमान लगाने के लिए कहने के बजाय, उन्होंने नेटवर्क को उन नियमों से ही बनाया है। उन्होंने एक नए प्रकार के आर्टिफिशियल इंटेलिजेंस आर्किटेक्चर का निर्माण किया जिसे 'जनरलाइज्ड फोर्स्ड हैमिल्टोनियन न्यूरल नेटवर्क' (Generalized Forced Hamiltonian Neural Networks) कहा जाता है। ये नेटवर्क केवल परीक्षण और त्रुटि (trial and error) से सीखने वाले ब्लैक बॉक्स नहीं हैं; इन्हें उन छोटे, प्रमाणित गणितीय चरणों को जोड़कर बनाया गया है जो ज्ञात रूप से प्रणाली की संरचना को सुरक्षित रखते हैं। शोधकर्ताओं ने गणितीय रूप से सिद्ध किया है कि यह दृष्टिकोण किसी भी ऐसी प्रणाली के व्यवहार को अत्यधिक सटीकता के साथ सन्निकट (approximate) कर सकता है, बशर्ते कि नेटवर्क पर्याप्त बड़ा हो।
टीम ने अपने नए ज्यामितिक नेटवर्क का पारंपरिक, गैर-ज्यामितीय न्यूरल नेटवर्क के विरुद्ध कई चुनौतीपूर्ण उदाहरणों का उपयोग करके परीक्षण किया। उन्होंने एक सरल डैम्प्ड हार्मोनिक ऑसिलेटर (damped harmonic oscillator) के साथ शुरुआत की, जो घर्षण वाले स्प्रिंग की नकल करता है। इन परीक्षणों में, नए ज्यामितिक नेटवर्क ने पारंपरिक नेटवर्क की तुलना में बहुत कम डेटा बिंदुओं के साथ गति को सीखा। अधिक महत्वपूर्ण बात यह है कि जब शोधकर्ताओं ने नेटवर्क से भविष्य में प्रणाली के व्यवहार की भविष्यवाणी करने के लिए कहा, तो पारंपरिक नेटवर्क विफल हो गए। उनके अनुमान अनियंत्रित होकर बिखर गए, जिससे सही ऊर्जा संतुलन खो गया। हालाँकि, नए ज्यामितिक नेटवर्क ट्रैक पर रहे, और हजारों टाइम स्टेप्स के सिमुलेशन के बाद भी सही भौतिक गुणों को बनाए रखा। अंतर स्पष्ट था: पारंपरिक नेटवर्क को सटीकता के करीब आने के लिए भारी मात्रा में प्रशिक्षण डेटा की आवश्यकता थी, जबकि नए नेटवर्क ने बहुत कम जानकारी के साथ वह उपलब्धि हासिल की।
शोधकर्ता केवल सरल, पूर्वानुमेय प्रणालियों तक ही सीमित नहीं रहे। उन्होंने अपने तरीके को उन प्रणालियों तक विस्तारित किया जो समय के साथ बदलती हैं और उन प्रणालियों तक भी जो रैंडम शोर (random noise) से प्रभावित होती हैं, जैसे कि आणविक गतिशीलता (molecular dynamics) में पाए जाने वाले अप्रत्याशित झटके। रैंडम उतार-चढ़ाव को मापदंडों के एक सेट के रूप में मानकर, जो नेटवर्क द्वारा सीखे जा सकते हैं, उन्होंने दिखाया कि उनका ज्यामितिक ढांचा इन अराजक परिदृश्यों के लिए भी उतना ही प्रभावी है। एक स्टोकेस्टिक ऑसिलेटर (stochastic oscillator) के परीक्षण में, जहाँ प्रणाली रैंडम बलों से प्रभावित होती है, नए नेटवर्क ने फिर से मानक दृष्टिकोण से बेहतर प्रदर्शन किया। इसने प्रणाली के सूक्ष्म, दीर्घकालिक व्यवहार को बहुत अधिक सटीकता से पकड़ा, जबकि पारंपरिक नेटवर्क संघर्ष करता रहा और ऐसे त्रुटियाँ उत्पन्न करता रहा जो समय के साथ तेजी से बढ़ती गईं।
इस सफलता का मूल कारण यह है कि नेटवर्क कैसे बनाए गए हैं। शोधकर्ताओं ने भौतिकी के एक सिद्धांत का उपयोग किया जिसे लैग्रेंज-डेलेम्बर्ट सिद्धांत (Lagrange-d'Alembert principle) कहा जाता है, जो यह बताता है कि बाहरी बल लागू होने पर प्रणालियाँ कैसे चलती हैं। उन्होंने इस सिद्धांत को एक विशिष्ट प्रकार के गणितीय मानचित्र (map) में अनुवादित किया, जो एक चरण-दर-चरण प्रक्रिया है जो प्रणाली को एक क्षण से दूसरे क्षण तक ले जाती है बिना उसकी आंतरिक संरचना को तोड़े। इन मानचित्रों को एक साथ जोड़कर, उन्होंने एक ऐसा न्यूरल नेटवर्क बनाया जो स्वाभाविक रूप से स्थिर है। अन्य विधियों के विपरीत जो एक साथ पूरी प्रणाली के प्रवाह को सीखने की कोशिश करती हैं, यह दृष्टिकोण प्रवाह को छोटे, विश्वसनीय ईंटों से बनाता है। यह सुनिश्चित करता है कि कंप्यूटर कभी भी मौलिक नियमों को नहीं भूलता, भले ही वह एक नई समस्या के विशिष्ट विवरणों को सीख रहा हो।
इस कार्य के निहितार्थ उन सभी के लिए महत्वपूर्ण हैं जो दीर्घकालिक सिमुलेशन पर निर्भर हैं। इंजीनियरिंग और विज्ञान में, यह जानना कि कोई प्रणाली महीनों या वर्षों में कैसे व्यवहार करेगी, अक्सर यह जानने से अधिक महत्वपूर्ण होता है कि अगले कुछ सेकंड में उसकी स्थिति क्या होगी। नया तरीका बिना भारी मात्रा में डेटा एकत्र किए दीर्घकालिक स्थिरता प्राप्त करने का एक तरीका प्रदान करता है, जिसे कुछ प्रयोगों में प्राप्त करना महंगा या असंभव हो सकता है। शोधकर्ताओं ने प्रदर्शित किया कि समस्या की ज्यामिति का सम्मान करके, न्यूरल नेटवर्क एक अधिक कुशल और विश्वसनीय शिक्षार्थी बन जाता है। यह केवल डेटा को याद नहीं करता; यह गति के आकार को समझता है।
यह शोध जटिल भौतिक प्रणालियों के लिए अधिक मजबूत मॉडल के द्वार खोलता है। लेखक सुझाव देते हैं कि उनके ढांचे को रोबोटिक्स में लागू किया जा सकता है, जहाँ सटीक, दीर्घकालिक नियंत्रण आवश्यक है, और कम्प्यूटेशनल प्लाज्मा भौतिकी में, जहाँ आवेशित कणों के व्यवहार का अनुकरण करना गणनात्मक रूप से महंगा होता है। उच्च सटीकता और कम डेटा आवश्यकताओं के साथ इन प्रणालियों को सीखने का एक तरीका प्रदान करके, यह नया आर्किटेक्चर वैज्ञानिकों और इंजीनियरों के लिए एक शक्तिशाली उपकरण के रूप में कार्य कर सकता है। यह विज्ञान में आर्टिफिशियल इंटेलिजेंस के बारे में हमारी सोच में एक बदलाव का प्रतिनिधित्व करता है: शुद्ध डेटा फिटिंग से हटकर ऐसी मशीनें बनाने की ओर जो ब्रह्मांड के मौलिक नियमों पर आधारित हों। यह कार्य सिद्ध करता है कि जब हम कंप्यूटर को प्रकृति की ज्यामिति का सम्मान करना सिखाते हैं, तो वे उस स्पष्टता के साथ भविष्य की भविष्यवाणी करना सीख सकते जो पहले पहुंच से बाहर थी।
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।