🧬 जीव विज्ञान

Physics-Informed Neural Networks for Incommensurate Fractional Volterra-Lotka Systems: Forward Solutions, Memory Asymmetry, and Inverse Parameter Recovery

यह शोध पत्र इनकमेंसुरेट (incommensurate) फ्रैक्शनल लोटका-वोल्टेरा प्रणालियों को हल करने के लिए प्रजाति-विशिष्ट L1-स्कीम स्टेंसिल्स के साथ एक भौतिकी-सूचित तंत्रिका नेटवर्क (physics-informed neural network) ढांचे को प्रस्तुत करता है, जो यह प्रदर्शित करता है कि मेमोरी एसिमेट्री (memory asymmetry) पारिस्थितिक भूमिका संक्रमण को प्रेरित कर सकती है और शोर वाले डेटा से सभी सिस्टम मापदंडों की सटीक संयुक्त रिकवरी को सक्षम बनाती है।

मूल लेखक: Humaira Zulfiqar

प्रकाशित 2026-09-30

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Humaira Zulfiqar

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

दशकों से, पारिस्थितिकीविदों ने जंगली जीवन में दो प्रजातियों के बीच होने वाली अंतःक्रियाओं को समझने के लिए एक शास्त्रीय गणितीय मॉडल पर भरोसा किया है। यह मॉडल, जिसे लोटका-वोल्टेरा सिस्टम के रूप में जाना जाता है, इस बात पर नज़र रखता है कि आबादी कैसे बढ़ती है, घटती है और प्रतिस्पर्धा, शिकार या आपसी लाभ के माध्यम से एक-दूसरे को कैसे प्रभावित करती है। ये समीकरण इतने सरल हैं कि इन्हें एक नैपकिन पर भी लिखा जा सकता है, फिर भी वे प्रकृति के आवश्यक नाटक को पकड़ लेते हैं: शिकारियों और शिकार का उदय और पतन, या प्रतिद्वंद्वियों के बीच संसाधनों के लिए संघर्ष। हालाँकि, ये पारंपरिक समीकरण यह मान लेते हैं कि शामिल प्रत्येक जीव के लिए समय एक ही तरह से बहता है। वे अतीत को एक एकल, समान स्मृति के रूप में देखते हैं जो सभी प्रजातियों को समान रूप से प्रभावित करती है। वास्तव में, एक लंबी आयु वाले हाथी और एक अल्पायु कीट का इतिहास या समय का अनुभव एक जैसा नहीं होता है। एक हाथी की आबादी दशकों पहले के सूखे की यादों से आकार ले सकती है, जबकि एक कीट की संख्या केवल पिछले कुछ हफ्तों की स्थितियों के प्रति प्रतिक्रिया दे सकती है। जीवों के "याद रखने" के तरीके में यह अंतर पारिस्थितिक पहेली का एक महत्वपूर्ण हिस्सा है जिसे मानक मॉडलों ने लंबे समय से अनदेखा किया है।

शोधकर्ता हुमैरा जुल्फिकार द्वारा किया गया एक नया अध्ययन इस चूक को दूर करने के लिए क्लासिक मॉडल का एक अधिक लचीला संस्करण बनाकर इस पर प्रहार करता है। दोनों प्रजातियों को अतीत की एक ही स्मृति साझा करने के लिए मजबूर करने के बजाय, यह अध्ययन प्रत्येक प्रजाति को अपनी अनूठी 'याद रखने की दर' रखने की अनुमति देता है। शोधकर्ता ने एक आधुनिक कम्प्यूटेशनल टूल का उपयोग किया जिसे 'फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क' कहा जाता है, जो अनिवार्य रूप से एक कंप्यूटर प्रोग्राम है जिसे केवल संख्याओं की गणना करने के बजाय भौतिकी के नियमों को सीखकर जटिल समीकरणों को हल करने के लिए प्रशिक्षित किया गया है। इस कार्यक्रम को यह सिखाकर कि प्रत्येक प्रजाति अपने इतिहास को याद रखने के विशिष्ट और भिन्न तरीकों का सम्मान करे, अध्ययन ने ऐसे व्यवहारों को उजागर किया जो पहले अदृश्य थे। निष्कर्ष बताते हैं कि जब दो प्रजातियों की यादें बहुत अलग होती हैं, तो उनका संबंध आश्चर्यजनक तरीकों से बदल सकता है। जानवरों का एक जोड़ा जो एक-दूसरे की मदद कर रहा होना चाहिए, स्मृति के अंतर की सही स्थिति में, ऐसा व्यवहार कर सकता है जैसे एक दूसरे को नुकसान पहुँचा रहा हो। यह खोज इस विचार को चुनौती देती है कि हम केवल अंतःक्रिया के प्रकार के आधार पर पारिस्थितिक परिणामों की भविष्यवाणी हमेशा कर सकते हैं, यह दर्शाती है कि कोई प्रजाति अतीत को कितनी तेज़ी से भूलती या याद रखती है, यह स्वयं अंतःक्रिया जितनी ही महत्वपूर्ण है।

इस कार्य का मूल उस गणितीय सीमा को संबोधित करना है जिसने शोधकर्ताओं को कुछ समय से उलझा रखा था। "स्मृति" जोड़ने के पिछले प्रयास तभी अच्छी तरह काम करते थे जब दोनों प्रजातियों को समान स्मृति दर मान ली जाती थी। जब दरें भिन्न होती थीं, तो मानक गणितीय उपकरण विफल हो जाते थे क्योंकि समीकरण अब एक सुव्यवस्थित, अनुमानित पैटर्न का पालन नहीं करते थे। जुल्फिकार ने एक अलग दृष्टिकोण अपनाते हुए एक न्यूरल नेटवर्क का उपयोग किया जो इन अव्यवस्थित, असमान स्थितियों को संभाल सकता था। नेटवर्क को दो अलग-अलग "मेमोरी" सेटिंग्स के साथ डिज़ाइन किया गया था, एक प्रत्येक प्रजाति के लिए, जिससे कंप्यूटर यह सिम्युलेट कर सका कि आबादी कैसे विकसित होती है जब एक प्रजाति दूसरी की तुलना में अतीत में अधिक पीछे देखती है। शोधकर्ताओं ने पहले इस नए तरीके का परीक्षण समान-स्मृति वाले सरल मामले के ज्ञात समाधानों के विरुद्ध किया ताकि इसकी सटीकता सुनिश्चित की जा सके। कंप्यूटर के अनुमान स्थापित गणितीय बेंचमार्क से औसतन तीन-हजारवें हिस्से से भी कम की त्रुटि के साथ मेल खाते थे, जिससे यह सिद्ध हुआ कि यह विधि विश्वसनीय है।

एक बार विधि सत्यापित हो जाने के बाद, अध्ययन ने इस बात की खोज की कि क्या होता है जब दो प्रजातियों की स्मृति दर अलग होती है। सिमुलेशन ने शुद्ध प्रतिस्पर्धा से लेकर सहजीविता (mutualism) तक के सभी छह शास्त्रीय पारिस्थितिक संबंधों को कवर किया। हर मामले में, असमान स्मृति दरों ने जनसंख्या वक्रों (population curves) के विवरण को बदल दिया। उदाहरण के लिए, एक प्रतिस्पर्धा परिदृश्य में, जिस प्रजाति की स्मृति लंबी थी (वह जो अतीत की स्थितियों को लंबे समय तक याद रखती है), दबाव का सामना करने पर वह अधिक धीरे-धीरे कम होती थी। यह ऐसा था मानो वह प्रजाति अधिक जिद्दी थी, जो एक बेहतर अतीत के लाभों को लंबे समय तक थामे रखती है। शिकारी-शिकार परिदृश्यों में, जनसंख्या के उतार-चढ़ाव का आकार एक साझा कारक के बजाय प्रत्येक जानवर की विशिष्ट स्मृति दर पर निर्भर करता था। इन परिणामों ने दिखाया कि किसी प्रजाति की "स्मृति" केवल एक पृष्ठभूमि का विवरण नहीं है; यह उनकी उत्तरजीविता की लय और तीव्रता को सक्रिय रूप से आकार देती है।

सबसे चौंकाने वाली खोज तब सामने आई जब शोधकर्ताओं ने उस परिदृश्य को देखा जहाँ दो प्रजातियाँ सैद्धांतिक रूप से एक-दूसरे की मदद कर रही थीं। मानक मॉडल में, यदि दोनों प्रजातियाँ एक-दूसरे की उपस्थिति से लाभान्वित होती हैं, तो वे हमेशा एक साथ बढ़ेंगी। हालाँकि, इस नए मॉडल में, जब एक प्रजाति की स्मृति बहुत कम थी और दूसरी की बहुत लंबी थी, तो परिणाम नाटकीय रूप से बदल गया। कम स्मृति वाली प्रजाति तेजी से बढ़ी, जबकि लंबी स्मृति वाली प्रजाति दब गई और उसमें गिरावट आई। केवल अंतिम आंकड़ों को देखने वाले पर्यवेक्षक के लिए, ऐसा प्रतीत होगा कि एक प्रजाति दूसरी को नुकसान पहुँचा रही है, भले ही अंतर्निहित नियम कहते हों कि वे एक-दूसरे की मदद कर रहे हैं। शोधकर्ता इसे "मेमोरी-इंड्यूस्ड रोल ट्रांजिशन" (स्मृति-प्रेरित भूमिका परिवर्तन) कहते हैं। यह सुझाव देता है कि वास्तविक दुनिया में, जो एक हानिकारक संबंध जैसा दिखता है, वह वास्तव में एक सहायक संबंध हो सकता है जो दो प्रजातियों द्वारा समय के अनुभव करने के अलग-अलग तरीकों से विकृत हो गया है। यह घटना तब नहीं होती जब दोनों प्रजातियों की स्मृति दर समान होती है, जो यह रेखांकित करती है कि उनके आंतरिक क्लॉक (घड़ी) का अंतर ही मुख्य चालक है।

समय में आगे बढ़ने का सिमुलेशन करने के अलावा, अध्ययन ने यह भी परीक्षण किया कि क्या यह नया मॉडल रहस्यों को सुलझाने के लिए पीछे की ओर (backward) काम कर सकता है। शोधकर्ताओं ने शोर (noise) के साथ डेटा का एक सेट बनाया, जो एक फील्ड वैज्ञानिक द्वारा जंगली जीवन में एकत्र किए गए डेटा का अनुकरण करता है। फिर उन्होंने कंप्यूटर से उन छिपे हुए नियमों को खोजने के लिए कहा जो उस डेटा को बनाते हैं, जिसमें विकास दर, अंतःक्रिया की शक्ति और दोनों प्रजातियों के लिए विशिष्ट स्मृति दर शामिल थी। न्यूरल नेटवर्क ने केवल तीस डेटा बिंदुओं से सभी आठ छिपे हुए मूल्यों को 3.5 प्रतिशत से कम की त्रुटि मार्जिन के साथ सफलतापूर्वक प्राप्त कर लिया। यह एक महत्वपूर्ण उपलब्धि है क्योंकि यह दर्शाता है कि सीमित और अपूर्ण डेटा के साथ भी, विभिन्न प्रजातियों की विशिष्ट स्मृति विशेषताओं को उजागर करना संभव है। यह भविष्य के अध्ययनों के लिए द्वार खोलता है ताकि वास्तविक दुनिया के जनसंख्या डेटा का विश्लेषण किया जा सके और यह निर्धारित किया जा सके कि क्या प्रजातियाँ अलग-अलग समय पैमाने पर काम कर रही हैं, जो यह समझा सकता है कि क्यों कुछ पारिस्थितिक अंतःक्रियाएं सरल मॉडलों द्वारा अनुमानित तुलना में भिन्न दिखती हैं।

अध्ययन इस निष्कर्ष पर पहुँचता है कि परस्पर क्रिया करने वाली सभी प्रजातियों के लिए एक ही साझा स्मृति मानने का अनुमान एक सरलीकरण है जो महत्वपूर्ण जैविक वास्तविकताओं को छोड़ देता है। अलग-अलग स्मृति दरों की अनुमति देकर, यह मॉडल पारिस्थितिक गतिशीलता की एक समृद्ध, अधिक जटिल दुनिया को प्रकट करता है। निष्कर्ष मौजूदा मॉडलों को उलटते नहीं हैं बल्कि उन्हें विस्तारित करते हैं, यह दिखाते हुए कि जनसंख्या का इतिहास हर जीव के लिए अलग तरह से मायने रखता है। शोध सुझाव देता है कि जब पारिस्थितिकीविद प्रकृति में अजीब या अप्रत्याशित पैटर्न देखते हैं, जैसे कि एक सहजीवी संबंध जो संघर्ष जैसा दिखता है, तो उन्हें यह विचार करना चाहिए कि क्या दोनों प्रजातियों के पास अपने अतीत को याद रखने के अलग-अलग तरीके हैं। यह कार्य इन प्रश्नों की खोज करने के लिए एक नया गणितीय उपकरण प्रदान करता है, जो केवल इस विचार से आगे बढ़कर कि समय सभी के लिए समान है, और यह स्वीकार करता है कि वन्य जीवन में, अतीत हर प्रजाति के लिए एक अलग कहानी है।

तकनीकी सारांश: असंगत भिन्नात्मक वोल्टेरा-लोटका प्रणालियों के लिए भौतिकी-सूचित तंत्रिका नेटवर्क (Physics-Informed Neural Networks)

समस्या विवरण
शास्त्रीय लोटका-वोल्टेरा मॉडल जनसंख्या गतिशीलता को साधारण अवकल समीकरणों (ODEs) के माध्यम से वर्णित करता है, जबकि भिन्नात्मक विस्तार कैपुटो डेरिवेटिव (Caputo derivatives) के माध्यम से स्मृति प्रभावों (memory effects) को शामिल करते हैं। यु और फेंग [15] के कार्य जैसे भिन्नात्मक लोटका-वोल्टेरा प्रणालियों पर मौजूदा साहित्य, समान (commensurate) धारणा पर निर्भर करता है, जहाँ दोनों प्रजातियाँ एक ही भिन्नात्मक क्रम ( $\alpha_1 = \alpha_2 = \alpha$ ) साझा करती हैं। यह धारणा पारिस्थितिक रूप से अनुचित है, क्योंकि अलग-अलग जीवन इतिहास और आवास निर्भरता वाली प्रजातियाँ संभवतः अलग-अलग दरों पर जनसंख्या स्मृति (population memory) को एनकोड करती हैं।

एक असंगत (incommensurate) प्रणाली, जहाँ प्रजातियाँ $u$ और $v$ अलग-अलग कैपुटो आदेशों ( $\alpha_1 \neq \alpha_2$ ) द्वारा शासित होती हैं, एक महत्वपूर्ण गणितीय चुनौती प्रस्तुत करती है। पिछले अध्ययनों [15] में उपयोग की जाने वाली पावर-सीरीज रिकर्सन विधि के लिए आवश्यक समान $t^\alpha$ संरचना तब विफल हो जाती है जब आदेश भिन्न होते हैं। फलस्वरूप, एक ऐसे कम्प्यूटेशनल दृष्टिकोण की आवश्यकता है जो इन युग्मित प्रणालियों को वैश्विक स्तर पर (संपूर्ण समय अंतराल में) हल करने में सक्षम हो और उन पावर-सीरीज विस्तारों पर निर्भर न हो जो केवल $t=0$ के पास मान्य होते हैं।

कार्यप्रणाली
यह शोध पत्र असंगत भिन्नात्मक अवकल समीकरणों के लिए तैयार किया गया एक फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINN) ढांचा प्रस्तावित करता है।

आर्किटेक्चर: एक एकल फुली-कनेक्टेड न्यूरल नेटवर्क $\phi_\theta: \mathbb{R}^+ \to \mathbb{R}^2$ समय $t$ को जनसंख्या अनुमानों $(\hat{u}_\theta(t), \hat{v}_\theta(t))$ में मैप करता है। नेटवर्क चार हिडन लेयर्स (चौड़ाई 20) का उपयोग करता है जिसमें $tanh$ एक्टिवेशन फंक्शन है ताकि स्मूथनेस सुनिश्चित की जा सके, जो भिन्नात्मक डेरिवेटिव स्टेंसिल्स (stencils) के लिए आवश्यक फाइनाइट-डिफरेंस एप्रोक्सिमेशन के लिए महत्वपूर्ण है।
प्रारंभिक स्थितियाँ (Initial Conditions): प्रारंभिक स्थितियों $u(0)=u_0$ और $v(0)=v_0$ को सटीक रूप से लागू करने के लिए, नेटवर्क आउटपुट को इस प्रकार संरचित किया गया है: $\hat{u}_\theta(t) = u_0 + t^{\alpha_1} N_u(t)$ और $\hat{v}_\theta(t) = v_0 + t^{\alpha_2} N_v(t)$ , जहाँ $N_u$ और $N_v$ स्केलर सब-नेटवर्क्स हैं।
लॉस फंक्शन (Loss Function): प्रशिक्षण एक मिश्रित लॉस फंक्शन $L(\theta) = L_{res} + \lambda_1 L_{IC} + \lambda_2 L_{data}$ $L (θ) = L_{r es} + λ_{1} L_{I C} + λ_{2} L_{d a t a}$ को कम करता है।
- रेसिड्यूअल लॉस ( $L_{res}$ ): यह मुख्य नवाचार है। यह भिन्नात्मक ODE रेसिड्यूल्स को सीधे लॉस में समाहित करता है। महत्वपूर्ण रूप से, कैपुटो डेरिवेटिव्स का अनुमान प्रजाति-विशिष्ट L1-स्कीम स्टेंसिल्स का उपयोग करके लगाया जाता है। प्रजाति $u$ के लिए स्टेंसिल $\alpha_1$ का उपयोग करता है, और प्रजाति $v$ के लिए स्टेंसिल $\alpha_2$ का उपयोग करता है। ये स्टेंसिल्स नेटवर्क आउटपुट पर स्वतंत्र रूप से लागू किए जाते हैं, जिससे भिन्नात्मक आदेश अलग (decouple) हो जाते हैं।
- इनवर्स प्रॉब्लम फॉर्मूलेशन: पैरामीटर रिकवरी के लिए, भौतिक मापदंडों (विकास दर $A_i$ , सीमा निर्धारण पैरामीटर $B_i$ , कपलिंग गुणांक $C_i$ , और भिन्नात्मक क्रम $\alpha_i$ ) को नेटवर्क वेट्स के साथ हीم 'ट्रेनेबल स्केलर्स' के रूप में माना जाता है। $A_i$ और $B_i$ पर धनात्मकता बाधाओं को सॉफ्टप्लस रीपैरामिटराइजेशन के माध्यम से लागू किया जाता है, जबकि $\alpha_i$ को सिग्मॉइड ट्रांसफॉर्मेशन के माध्यम से $(0, 1)$ के बीच सीमित किया जाता है।
ऑप्टिमाइज़ेशन: सिस्टम को घटते हुए लर्निंग रेट के साथ 5,000 इपोक (epochs) में एडम ऑप्टिमाइज़र का उपयोग करके प्रशिक्षित किया जाता है।

प्रमुख योगदान

प्रजाति-विशिष्ट PINNs का निर्माण: यह पेपर एक ऐसा PINN आर्किटेक्चर पेश करता है जो एक ही नेटवर्क लॉस फंक्शन के भीतर प्रत्येक प्रजाति के लिए स्वतंत्र L1-स्कीम स्टेंसिल्स को समाहित करके असंगत भिन्नात्मक आदेशों को संभालता है।
बेंचमार्क्स के विरुद्ध सत्यापन: इसे समान सीमा ( $\alpha_1 = \alpha_2$ ) में सत्यापित किया गया है, जो यह प्रदर्शित करता है कि यह यु और फेंग [15] के पावर-सीरीज बेंचमार्क को $2.3 \times 10^{-3}$ के माध्य पूर्ण त्रुटि (mean absolute error) के साथ पुनरुत्पादित करता है।
मेमोरी-प्रेरित भूमिका परिवर्तन (Memory-Induced Role Transition) की खोज: अध्ययन एक नवीन गतिक घटना की पहचान करता है जहाँ स्मृति विषमता ( $\alpha_1 \neq \alpha_2$ ) पारिस्थितिक अंतःक्रियाओं की गुणात्मक प्रकृति को बदल देती है। विशेष रूप से, एक पैरामीटर सेट जो नाममात्र रूप से पारस्परिकता (mutualism) ( $C_1, C_2 > 0$ ) का प्रतिनिधित्व करता है, एमेंसालिज्म (amensalism) (एक प्रजाति को हानि, दूसरी अप्रभावित) का परिणाम दे सकता है यदि प्रजातियों के भिन्नात्मक क्रम काफी भिन्न हों।
संयुक्त इनवर्स पैरामीटर रिकवरी: ढांचा केवल तीस शोरयुक्त (noisy) जनसंख्या अवलोकनों से सभी आठ अज्ञात सिस्टम मापदंडों (दोनों भिन्नात्मक आदेशों सहित) को सफलतापूर्वक रिकवर करता है, जो 3.5% से कम की सापेक्ष त्रुटि प्राप्त करता है।
सैद्धांतिक निरंतरता: प्रपोजिशन 6.1 समान सीमा में PINN समाधान और पावर-सीरीज समाधान के बीच सैद्धांतिक संबंध स्थापित करता है, यह सिद्ध करता है कि PINN त्रुटि, रेसिड्यूअल टॉलरेंस, L1 डिस्क्रीटाइजेशन त्रुटि और पावर-सीरीज ट्रंकेशन त्रुटि द्वारा सीमित है।

परिणाम

फॉरवर्ड सॉल्यूशंस: सभी छह शास्त्रीय पारिस्थितिक अंतःक्रिया प्रकारों (शुद्ध प्रतिस्पर्धा, शिकारी-शिकार, पारस्परिकता, सहजीवन, एमेंसालिज्म, तटस्थता) के लिए संख्यात्मक प्रयोग किए गए। परिणाम दर्शाते हैं कि जबकि अंतःक्रियाओं का गुणात्मक चरित्र सुरक्षित रहता है, मात्रात्मक व्यवहार (जैसे, दोलन आयाम, क्षय दर) स्वतंत्र रूप से प्रत्येक प्रजाति के भिẪनात्मक क्रम पर निर्भर करता है।
स्मृति विषमता (Memory Asymmetry): शिकारी-शिकार प्रणालियों में संवेदनशीलता विश्लेषण पुष्टि करता है कि प्रत्येक प्रजाति मुख्य रूप से अपने स्वयं के भिन्नात्मक क्रम पर प्रतिक्रिया करती है। असंगत आदेशों के फेज पोर्ट्रेट्स (phase portraits) विशिष्ट ज्यामितीय कक्षाओं को प्रदर्शित करते हैं जिन्हें केवल समान समाधानों को रीस्केल करके प्राप्त नहीं किया जा सकता है।
इनवर्स प्रॉब्लम: 2% गाऊसी शोर (Gaussian noise) के साथ एक पारस्परिकता परिदृश्य में, PINN ने वास्तविक मापदंडों $A_1, A_2, B_1, B_2, C_1, C_2, \alpha_1, \alpha_2$ को 0.38% से 2.00% की सापेक्ष त्रुटि के साथ रिकवर किया। भिन्नात्मक आदेशों को बीजगणितीय मापदंडों की तुलना में कम प्रत्यक्ष रूप से दृश्यमान होने के बावजूद उच्च सटीकता के साथ पहचाना गया।
भूमिका परिवर्तन: "मेमोरी-प्रेरित भूमिका परिवर्तन" को मापा गया। जब $\alpha_2$ को उच्च मान (कम स्मृति, 0.95) पर स्थिर किया जाता है और $\alpha_1$ को कम किया जाता है (लंबी स्मृति), तो प्रजाति $u$ की जनसंख्या धीरे-धीरे दब जाती है, जिससे सकारात्मक कपलिंग गुणांकों के बावजूद एक स्पष्ट एमेंसालिस्टिक गतिशीलता उत्पन्न होती है।

महत्व और दावे
यह शोध पत्र दावा करता है कि यह निम्नलिखित में से पहला कार्य है:

भिन्नात्मक लोटका-वोल्टेरा प्रणाली में असंगत आदेशों का उपचार करना।
ऐसी प्रणालियों के लिए संगत इनवर्स प्रॉब्लम (सभी मापदंडों और आदेशों की संयुक्त पहचान) को हल करना।
मेमोरी-प्रेरित भूमिका परिवर्तन को प्रलेखित करना, जो यह सुझाव देता है कि नाममात्र के सममित प्रणालियों में देखे गए स्पष्ट एमेंसालिज्म के अवलोकन वास्तव में अंतःक्रिया गुणांकों के बजाय पारिस्थितिक स्मृति समयसीमाओं (ecological memory timescales) के अंतर से उत्पन्न हो सकते हैं।

लेखक PINN को पावर-सीरीज जैसे विश्लेषणात्मक तरीकों के विकल्प के रूप में नहीं, बल्कि एक पूरक उपकरण के रूप में प्रस्तुत करते हैं जो पूरे समय अंतराल में वैश्विक वैधता प्रदान करता है और उस असंगत मामले को संभालता है जहाँ सीरीज़ विधियाँ विफल हो जाती हैं। अध्ययन निष्कर्ष निकालता है कि असंगत संरचना एक अधिक पारिस्थितिक रूप से यथार्थवादी मॉडलिंग ढांचा प्रदान करती है, हालांकि युग्मित प्रशिक्षण एल्गोरिदम के लिए कठोर अभिसरण प्रमाण (convergence proofs) और वास्तविक दुनिया के डेटा (जैसे, लिंक्स-हेयर चक्र) पर अनुप्रयोग भविष्य के खुले शोध विषय हैं।

इसी तरह के और पेपर