Dimensionally consistent surrogate modelling through dimensional analysis and harmonic expansions
यह शोध पत्र बकमिंग -समूहों (Buckingham -groups) को ट्रंकेटेड हार्मोनिक एक्सपेंशन के साथ संयोजित करके आयामी रूप से सुसंगत सरोगेट मॉडल (surrogate models) के निर्माण के लिए एक डेटा-संचालित विधि प्रस्तुत करता है, जो अनियंत्रित बेसलाइन की तुलना में विभिन्न भौतिक प्रणालियों में बेहतर कंडीशनिंग, मजबूती और नमूना 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, प्रकृति के नियम इस बात की परवाह नहीं करते कि हम उन्हें वर्णित करने के लिए किस भाषा का उपयोग करते हैं। चाहे एक वैज्ञानिक दूरी को मीटर या मील में मापे, या अवधि को सेकंड या घंटों में, उन मात्राओं के बीच अंतर्निहित संबंध अपरिवर्तित रहता है। 'विमीय समरूपता' (dimensional homogeneity) के रूप में ज्ञात यह सिद्धांत, किसी भी ऐसे समीकरण के लिए एक सख्त नियम पुस्तिका के रूप में कार्य करता है जो वास्तविकता का वर्णन करने का दावा करता है। यदि कोई सूत्र केवल इसलिए अपना उत्तर बदल देता है क्योंकि माप की इकाइयों को बदल दिया गया था, तो वह भौतिकी का सच्चा नियम नहीं हो सकता। दशकों से, शोधकर्ताओं ने जटिल समस्याओं को सरल बनाने के लिए इस नियम का उपयोग किया है, जिससे अनावश्यक चरों (variables) को हटाकर उन मूल, इकाई-रहित संयोजनों को खोजा जा सके जो यह निर्धारित करते हैं कि सिस्टम कैसे व्यवहार करते हैं। हालाँकि, जैसे-जैसे वैज्ञानिक डेटा से सीधे इन नियमों की खोज करने के लिए कृत्रिम बुद्धिमत्ता (AI) की ओर बढ़ रहे हैं, एक चुनौती उभर कर आई है। मानक मशीन लर्निंग मॉडल अक्सर इन भौतिक नियमों के प्रति अंधे होते हैं; वे एक ऐसा पैटर्न पा सकते हैं जो डेटा के लिए बिल्कुल सटीक हो, लेकिन जैसे ही इकाइयाँ बदलती हैं, वह विफल हो जाता है, जिससे उसकी खोज भौतिक रूप से अर्थहीन हो जाती है।
यूनीवर्सिडाड यूरोपिया डी वेलेंसिया के शोधकर्ताओं ने कंप्यूटर को सीखने की प्रक्रिया के बिल्कुल प्रारंभ से ही इन भौतिक नियमों का सम्मान करना सिखाने का एक नया तरीका विकसित किया है। मॉडल को चरों के बीच संबंध का अनुमान लगाने देने और इस उम्मीद में छोड़ने के बजाय कि वह अंततः सही इकाइयों तक पहुँच जाएगा, उन्होंने भौतिक निरंतरता के नियमों को मॉडल की संरचना में ही सीधे शामिल कर दिया। शास्त्रीय भौतिकी तकनीकों को आधुनिक डेटा विश्लेषण के साथ जोड़कर, उन्होंने एक ऐसी विधि बनाई जो कंप्यूटर को केवल उन चरों के संयोजन का उपयोग करके भविष्यवाणियां करने के लिए मजबूर करती है जो भौतिक रूप से तर्कसंगत हों। यह दृष्टिकोण सुनिश्चित करता है कि परिणामी सूत्र केवल उन संख्याओं का गणितीय चमत्कार नहीं हैं जो डेटा के एक विशिष्ट सेट पर काम करते हैं, बल्कि वे मजबूत, सार्वभौमिक अभिव्यक्ति हैं जो इस बात पर सत्य रहते हैं कि डेटा को कैसे मापा गया है।
शोधकर्ताओं ने इस पद्धति का परीक्षण भौतिकी की कई क्लासिक समस्याओं पर किया, जिसमें एक साधारण पेंडुलम का झूलना से लेकर एक आदर्श ब्लैक बॉडी द्वारा उत्सर्जित विकिरण तक शामिल है। पेंडुलम के मामले में, उसके झूलने की अवधि धागे की लंबाई और गुरुत्वाकर्षण की शक्ति पर निर्भर करती है, लेकिन भार के द्रव्यमान (mass) पर नहीं। एक मानक कंप्यूटर मॉडल, शोर युक्त (noisy) डेटा दिए जाने पर, यह समझने में संघर्ष कर सकता है कि द्रव्यमान अप्रासंगिक है या उसे लंबाई और समय के बीच सही संबंध का अनुमान लगाने के लिए हजारों डेटा बिंदुओं की आवश्यकता हो सकती है। हालाँकि, नई विधि इस ज्ञान के साथ शुरू होती है कि द्रव्यमान अंतिम सूत्र में नहीं होना चाहिए। यह तुरंत लंबाई और गुरुत्वाकर्षण के सही संयोजन पर ध्यान केंद्रित करती है, जिससे इसे बहुत कम डेटा बिंदुओं के साथ, और यहाँ तक कि तब भी जब माप काफी शोर युक्त हों, सटीक भौतिक नियम को खोजने में मदद मिलती है। कंप्यूटर अनिवार्य रूप से संबंध के आकार को बहुत तेज़ी से सीख लेता है क्योंकि वह असंभव या भौतिक रूप से निरर्थक विकल्पों को खोजने में समय बर्बाद नहीं करता है।
टीम ने अपने तकनीक को गर्म वस्तुओं द्वारा उत्सर्जित जटिल विकिरण पर भी लागू किया, जो प्लैंक के नियम (Planck's law) द्वारा वर्णित एक घटना है। यहाँ, तापमान और विकिरण के बीच का संबंध एक सरल सीधी रेखा नहीं है, बल्कि एक अधिक जटिल वक्र (curve) है। शोधकर्ताओं ने पाया कि समस्या को भौतिक इकाइयों को संभालने वाले एक भाग और वक्र के आकार को सीखने वाले दूसरे भाग में विभाजित करके, मॉडल सीमित डेटा के साथ भी कानून को सटीक रूप से पुनर्गठित कर सकता है। उन्होंने पाया कि वक्र का वर्णन करने के लिए उपयोग किए जाने वाले गणितीय उपकरण का चयन महत्वपूर्ण था। जब डेटा एक ऐसे दायरे को कवर करता था जो दोहराव वाले चक्र (repeating cycle) की तरह व्यवहार करता था, तो तरंगों (waves) के लिए डिज़ाइन किए गए उपकरणों का उपयोग करना सबसे अच्छा रहा। जब डेटा दोहराव वाला नहीं था, तो अन्य गणितीय उपकरण अधिक प्रभावी थे। यह सूक्ष्मता महत्वपूर्ण है क्योंकि यह दर्शाती है कि जबकि भौतिक नियम सार्वभौमिक हैं, शेष विवरणों को प्रस्तुत करने का सबसे अच्छा तरीका डेटा की विशिष्ट प्रकृति पर निर्भर करता है।
सबसे आश्चर्यजनक निष्कर्षों में से एक यह था कि नई विधि मानक, अनियंत्रित मशीन लर्निंग की तुलना में कितनी अधिक कुशल थी। पेंडुलम प्रयोगों में, नया दृष्टिकोण केवल पाँच अलग-अलग मापों के साथ सिस्टम के व्यवहार की सटीक भविष्यवाणी कर सका। इसके विपरीत, एक मानक मॉडल जिसे भौतिक नियम नहीं बताए गए थे, उसे सही संबंध का अनुमान लगाना शुरू करने से पहले कम से कम साठ मापों को देखने की आवश्यकता थी, और तब भी, इसकी भविष्यवाणियां कम विश्वसनीय थीं। यह सुझाव देता है कि सीखने की प्रक्रिया में भौतिक ज्ञान को शामिल करना न केवल मॉडलों को अधिक सटीक बनाने का एक तरीका है, बल्कि उन्हें अत्यधिक कुशल बनाने का भी एक तरीका है। यह वैज्ञानिकों को छोटे, शोर युक्त डेटासेट से सीखने की अनुमति देता है जो अन्यथा विश्लेषण करने के लिए बहुत कठिन होते।
शोधकर्ताओं ने यह भी प्रदर्शित किया कि उनकी विधि ऐसे परिणाम देती है जिन्हें समझना मनुष्यों के लिए आसान है। आधुनिक कृत्रिम बुद्धिमत्ता प्रणालियों के विपरीत, जो अपनी तर्क प्रक्रिया को जटिल गणनाओं की परतों के भीतर छिपाकर एक "ब्लैक बॉक्स" की तरह कार्य करती हैं, यह दृष्टिकोण स्पष्ट सूत्र प्रदान करता है। अंतिम आउटपुट एक स्पष्ट समीकरण है जिसे एक भौतिक विज्ञानी पढ़ सकता है, जांच सकता है और तुरंत उपयोग कर सकता है। यह पारदर्शिता वैज्ञानिक खोज के लिए अत्यंत महत्वपूर्ण है, क्योंकि यह शोधकर्ताओं को यह सत्यापित करने की अनुमति देती है कि मॉडल ने केवल डेटा को याद नहीं किया है, बल्कि वास्तव में अंतर्निहित तंत्र को खोज लिया है। यह अध्ययन पुष्टि करता है कि भौतिक दुनिया की मौलिक बाधाओं का सम्मान करके, मशीन लर्निंग ब्रह्मांड को समझने के लिए एक अधिक शक्तिशाली और विश्वसनीय साथी बन सकती है, जो कच्चे डेटा को अधिक गति और स्पष्टता के साथ वास्तविक अंतर्दृष्टि में बदल सकती है।
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।