FPINN: A proper orthogonal decomposition-assisted fourier-gradient physics-informed neural network for navier-stokes equations and flow reconstruction

कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि एक चट्टान के चारों ओर नदी कैसे बहती है, या एक गगनचुंबी इमारत के चारों around हवा कैसे घूमती है। दशकों से, वैज्ञानिकों ने "नेवियर-स्टोक्स समीकरणों" (Navier-Stokes equations) को हल करने के लिए शक्तिशाली कंप्यूटरों का उपयोग किया है, जो गणित के उन जटिल नियमों का एक समूह है जो पानी और हवा जैसे तरल पदार्थों की गति का वर्णन करते हैं। इन समीकरणों को तरल गति के लिए अंतिम नियम पुस्तिका (rulebook) के रूप में समझें। हालाँकि, इन्हें हल करना समुद्र तट पर आती हुई लहरों के बीच रेत के हर एक कण को गिनने की कोशिश करने जैसा है; यह अविश्वसनीय रूप से धीमा, महंगा और भारी मात्रा में कंप्यूटर शक्ति की मांग करने वाला काम है।

यहाँ एक नया, अधिक आकर्षक उपकरण आता है जिसे 'फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क' (Physics-Informed Neural Networks) या PINNs कहा जाता है। यदि पारंपरिक कंप्यूटर हर एक संख्या की जाँच करने वाले एक सूक्ष्म मुनीम (accountant) की तरह हैं, तो PINNs एक बहुत ही बुद्धिमान छात्र की तरह हैं जो खेल के नियमों को इतनी अच्छी तरह से सीख लेता है कि वह हर एक कदम की जाँच किए बिना ही उत्तर का अनुमान लगा सकता है। लेकिन इस बुद्धिमान छात्र को भी कठिनाई होती है। उन्हें कभी-कभी "स्पेक्ट्रल बायस" (spectral bias) का सामना करना पड़ता है, जो एक फैंसी तरीका है यह कहने का कि वे बड़ी, धीमी लहरों को देखने में तो माहिर हैं लेकिन प्रवाह के छोटे, तेज़ झोंकों और तीखे मोड़ों को पहचानने में बहुत खराब हैं। वे कभी-कभी "द्रव्यमान का रिसाव" (leak mass) भी करते हैं, जिसका अर्थ है कि वे भविष्यवाणी कर सकते हैं कि पानी कहीं से अचानक प्रकट हो गया या गायब हो गया, जो भौतिकी के नियमों का उल्लंघन करता है।

यह शोध पत्र एक नए, अपग्रेड किए गए छात्र 'FPINN' का परिचय देता है। यह एक "फूरियर-ग्रेडिएंट फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क" (Fourier-gradient Physics-Informed Neural Network) है, जिसे एक विशेष चश्मे और एक स्मृति सहायता (memory aid) दी गई है। चश्मा "फूरियर फीचर्स" (Fourier features) है, जो उस छात्र को उन छोटे, तेज़ झोंकों को स्पष्ट रूप से देखने में मदद करता है। स्मृति सहायता "प्रॉपर ऑर्थोगोनल डिकंपोजिशन" (Proper Orthogonal Decomposition - POD) है, एक ऐसी तकनीक जो छात्र को प्रवाह के उबाऊ, दोहराव वाले हिस्सों को अनदेखा करने और केवल सबसे महत्वपूर्ण ऊर्जा पैटर्न पर ध्यान केंद्रित करने में मदद करती है। शोधकर्ताओं ने इस नई पद्धति का परीक्षण कुछ क्लासिक तरल पहेलियों पर किया, जैसे कि एक घूमते हुए सिलेंडर के पास बहता पानी और एक हिलते हुए ढक्कन वाली डिब्बे में घूमती हवा। उन्होंने पाया कि FPINN इन प्रवाहों की भविष्यवाणी करने में बहुत बेहतर है, विशेष रूप से जब पानी तेज़ और अराजक (chaotic) गति से चल रहा हो, जिससे भौतिकी के नियम सटीक रहते हैं और भविष्यवाणियाँ सटीक होती हैं।

समस्या: "धुंधले चश्मे" और "लीकी बकेट"

लंबे समय से, वैज्ञानिक तरल प्रवाह (fluid flow) का अनुकरण करने के लिए पारंपरिक तरीकों पर भरोसा करते आए हैं। ये तरीके एक नदी के ऊपर छोटे-छोटे बक्सों का एक विशाल ग्रिड बनाने और हर एक बॉक्स में पानी की गति की गणना करने जैसे हैं। हालांकि सटीक, लेकिन इसमें बहुत समय लगता है और सुपरकंप्यूटरों की आवश्यकता होती है। हाल के वर्षों में, एक नया दृष्टिकोण आया जिसे फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINNs) कहा जाता है। ग्रिड के बजाय, PINNs एक न्यूरल नेटवर्क—जो कृत्रिम बुद्धिमत्ता (AI) का एक प्रकार है—का उपयोग करते हैं ताकि प्रवाह को सीखा जा सके। यह नदी को समझने के लिए रोबोट को सिखाने जैसा है कि उसे हर एक बूंद को गिनने के लिए मजबूर करने के बजाय उसे भौतिकी के नियम दिखाए जाएं।

हालाँकि, मानक PINNs में दो बड़ी खामियां हैं। पहली, वे "स्पेक्ट्रल बायस" (spectral bias) से ग्रस्त होते हैं। कल्पना कीजिए कि आप एक तूफान का चित्र बनाने की कोशिश कर रहे हैं। एक मानक PINN बड़े, काले बादलों को तो पूरी तरह से बना सकता है लेकिन वह बारिश की छोटी, तेज़ बूंदों और बिजली की चमक के तीखे किनारों को मिस कर सकता है। इसे उच्च-आवृत्ति (high-frequency) वाले विवरणों के साथ संघर्ष होता है। दूसरा, वे कभी-कभी द्रव्यमान संरक्षण (conservation of mass) के नियम का उल्लंघन करते हैं। एक वास्तविक नदी में, पानी बस गायब नहीं होता या प्रकट नहीं होता; यह एक स्थान से दूसरे स्थान पर बहता है। मानक PINNs कभी-कभी "लीक" करते हैं, यानी वे भविष्यवाणी करते हैं कि पानी एक जगह गायब हो गया और दूसरी जगह प्रकट हो गया, जो कि भौतिक रूप से असंभव है।

समाधान: विशेषज्ञों की एक टीम

इस शोध पत्र के लेखक, कियानचेंग टैन और उनकी टीम ने एक बेहतर संस्करण बनाने का निर्णय लिया। उन्होंने एक ढांचा बनाया जिसे वे FPINN (Fourier-gradient Physics-Informed Neural Network) कहते हैं, लेकिन वे वहीं नहीं रुके। उन्होंने इसे एक शक्तिशाली सहायक दिया जिसे POD (Proper Orthogonal Decomposition) कहा जाता है।

तरल प्रवाह को एक अराजक डांस पार्टी की तरह समझें। हजारों लोग (तरल कण) जटिल पैटर्न में घूम रहे हैं।

• POD एक डांस इंस्ट्रक्टर की तरह है जो पार्टी को देखता है और कहता है, "हर एक व्यक्ति के व्यक्तिगत घुमावों को भूल जाओ। आइए हम केवल उन तीन मुख्य मूव्स पर ध्यान केंद्रित करें जो सभी लोग कर रहे हैं।" यह शोर को हटा देता है और केवल "प्रमुख ऊर्जा मोड" (dominant energy modes)—यानी गति के सबसे महत्वपूर्ण पैटर्न को रखता है। यह समस्या को AI के लिए हल करने में बहुत सरल बना देता है।
• फूरियर फीचर मैपिंग (Fourier Feature Mapping) AI को "हाई-डेफिनिशन चश्मा" देने जैसा है। मानक AI अक्सर दुनिया को कम रेजोल्यूशन में देखता है, जिससे बारीक विवरण छूट जाते हैं। एक विशेष गणितीय फिल्टर (फूरियर फीचर्स) के माध्यम से डेटा फीड करके, यह अचानक उन छोटे, तेज़ झोंकों और तीखे ग्रेडिएंट्स को देख सकता है जिन्हें वह पहले मिस कर देता था।
• ग्रेडिएंट पेनल्टीज़ (Gradient Penalties) एक सख्त रेफरी की तरह कार्य करती हैं। यदि AI भविष्यवाणी करने लगता है कि पानी लीक हो रहा है या हवा से प्रकट हो रहा है, तो रेफरी सीटी बजाता है और AI को अपनी गलती सुधारने के लिए मजबूर करता है, यह सुनिश्चित करता है कि भौतिकी के नियमों का कभी उल्लंघन न हो।

प्रशिक्षण: गलतियों से सीखना

इस नए AI को प्रशिक्षित करना केवल उसे डेटा खिलाना नहीं था; यह उसे यह सिखाना था कि कैसे सीखा जाए। शोधकर्ताओं ने SoftAdapt नामक एक चतुर रणनीति का उपयोग किया। कल्पना कीजिए कि आप एक परीक्षा के लिए पढ़ाई कर रहे हैं। आपके पास तीन विषय हैं: गणित, इतिहास और विज्ञान। यदि आप गणित में बहुत खराब ग्रेड प्राप्त कर रहे हैं लेकिन इतिहास में बहुत अच्छे, तो आपके शिक्षक (AI का प्रशिक्षण तंत्र) को गणित पर अधिक समय देने पर ध्यान केंद्रित करना चाहिए।

FPINN सिस्टम में, "लॉस" (loss) इस बात का स्कोर है कि AI कितना गलत है। यदि AI दबाव (pressure) की भविष्यवाणी करने में बड़ी गलती करता है, तो SoftAdapt सिस्टम नोटिस करता है कि "गणित का स्कोर" कम है। यह स्वचालित रूप से दबाव के नियमों के वजन (weight) को बढ़ा देता है, AI को बताता है, "हे, इस हिस्से पर अधिक ध्यान दें!" यह गतिशील संतुलन क्रिया (dynamic balancing act) AI को फंसने या समस्या के कठिन हिस्सों को अनदेखा करने से बचाती है।

उन्होंने लैटिन हाइपरक्यूब सैंपलिंग (Latin Hypercube Sampling) नामक एक सैंपलिंग रणनीति का भी उपयोग किया जिसमें एक ट्विस्ट था। केवल यादृच्छिक (random) बिंदुओं को चुनने के बजाय, उन्होंने यह सुनिश्चित किया कि वे उन बिंदुओं को चुनें जो दीवारों और सीमाओं के ठीक पास हों जहाँ प्रवाह सबसे नाटकीय रूप से बदलता है। यह एक जासूस की तरह है जो जानता है कि सबसे महत्वपूर्ण सुराग आमतौर पर अपराध स्थल के ठीक बगल में मिलते हैं, इसलिए वह उस क्षेत्र की अतिरिक्त सावधानी से जाँच करता है।

परिणाम: शांत तालाबों से लेकर अशांत तूफानों तक

टीम ने अपने नए FPINN का परीक्षण तीन प्रसिद्ध तरल समस्याओं पर किया।

1. कोवासनाय फ्लो (The Calm Test - शांत परीक्षण)
सबसे पहले, उन्होंने एक ज्ञात, सटीक समाधान वाले प्रवाह का परीक्षण किया। उन्होंने विभिन्न गति (रेनॉल्ड्स नंबर 20, 40, और 100) पर सिमुलेशन चलाया। परिणाम प्रभावशाली थे। FPINN मॉडल ने प्रवाह की भविष्यवाणी इतनी कम त्रुटि के साथ की कि वे लगभग अदृश्य थीं (लगभग $10^{-7}$)। जब इसकी तुलना पुराने मानक PINN से की गई, तो नया मॉडल बहुत बेहतर था, विशेष रूप से जब प्रवाह तेज़ हुआ। इसने साबित किया कि "हाई-डेफिनिशन चश्मे" (फूरियर फीचर्स) ने इसे विवरणों को स्पष्ट रूप से देखने में मदद की।

2. सिलेंडर के पास प्रवाह (The Vortex Test - भंवर परीक्षण)
इसके बाद, उन्होंने एक घूमते हुए सिलेंडर के पास बहते पानी का सिमुलेशन किया। यह सिलेंडर के पीछे एक "वेक" (wake) बनाता है, जहाँ पानी जटिल भंवरों (vortices) में घूमता है।

• कम गति पर (Re = 100): FPINN अविश्वसनीय रूप से सटीक था, जिसने समय के साथ संदर्भ डेटा से लगभग पूरी तरह मेल खाया।
• उच्च गति पर (Re = 3900): यहीं पर चीजें कठिन हो जाती हैं। प्रवाह अशांत और अराजक हो जाता है। शोध पत्र नोट करता है कि जबकि FPINN ने उच्च सटीकता के साथ शुरुआत की, समय बीतने के साथ त्रुटियां बढ़ने लगीं, विशेष रूप से वेक क्षेत्र में जहाँ भंवर सबसे मजबूत होते हैं। उदाहरण के लिए, दबाव के लिए त्रुटि, कुछ सेकंड के बाद एक बहुत बड़ी संख्या ($1.314 \times 10^{0}$) तक बढ़ गई। यह सुझाव देता है कि हालांकि यह मॉडल एक बड़ा सुधार है, अत्यधिक अराजक, उच्च-गति वाले प्रवाह की लंबे समय तक भविष्यवाणी करना अभी भी एक चुनौती है। हालांकि, यह पारंपरिक PINN की तुलना में बेहतर प्रदर्शन करता है।

3. लिड-ड्रिवन कैविटी (The Box Test - बॉक्स परीक्षण)
अंत में, उन्होंने तरल पदार्थ के एक बॉक्स को देखा जहाँ ऊपर का ढक्कन आगे-पीछे फिसलता है, जिससे तरल पदार्थ भी खिंचता है। उन्होंने इसे धीमी गति से लेकर बहुत तेज़ स्लाइड (Re = 5000) तक के वेगों पर परीक्षण किया।

• FPINN ने इन सभी गतियों पर प्रवाह पैटर्न की सफलतापूर्वक भविष्यवाणी की।
• उच्चतम गति (Re = 5000) पर भी, जहाँ प्रवाह बहुत अशांत है, FPINN ने पुराने PINN की तुलना में त्रुटियों को बहुत कम रखा। उदाहरण के लिए, Re = 5000 पर, ऊर्ध्वाधर वेग (vertical velocity) के लिए त्रुटि FPINN के लिए $1.018 \times 10^{-2}$ थी, जबकि पुराने PINN के लिए $1.883 \times 10^{-1}$ थी। यह दर्शाता है कि मॉडल पहले की तुलना में उच्च-गति, जटिल प्रवाह को बहुत बेहतर ढंग से संभाल सकता है।

निष्कर्ष: एक मजबूत कदम आगे

शोध पत्र निष्कर्ष निकालता है कि POD (समस्या को सरल बनाने के लिए) को FPINN (विवरण देखने और भौतिकी का पालन करने के लिए) के साथ जोड़ने से तरल गतिशीलता (fluid dynamics) के लिए एक शक्तिशाली उपकरण तैयार होता है। यह प्रशिक्षित होने में तेज़, अधिक सटीक और भौतिक रूप से सुसंगत है।

हालाँकि, लेखक अपनी सीमाओं के बारे में ईमानदार हैं। हालांकि मॉडल उत्कृष्ट है, लेकिन यह अभी भी पूर्ण नहीं है। सबसे अराजक, उच्च-गति वाले परिदृश्यों (जैसे Re = 3900 पर सिलेंडर वेक) में, छोटी त्रुटियां समय के साथ जमा होती रहती हैं। मॉडल काफी हद तक उस प्रारंभिक डेटा की गुणवत्ता पर निर्भर करता है जिसका उपयोग POD "डांस मूव्स" बनाने के लिए किया जाता है। यदि प्रारंभिक स्नैपशॉट खराब है, तो पूरी भविष्यवाणी प्रभावित होती है।

इन मामूली सीमाओं के बावजूद, FPINN ढांचा एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। यह जटिल तरल प्रवाह को सिम्युलेट करने का एक तरीका प्रदान करता है जिसके लिए विशाल ग्रिड या सुपरकंप्यूटर की आवश्यकता नहीं है, जो इसे बेहतर हवाई जहाज डिजाइन करने से लेकर समुद्री धाराओं को समझने तक, भविष्य के इंजीनियरिंग अनुप्रयोगों के लिए एक आशाजनक उपकरण बनाता है। शोधकर्ता सुझाव देते हैं कि यह दृष्टिकोण उन कुशल, उच्च-गति तरल सिमुलेशन को अनलॉक करने की कुंजी हो सकता है जो पहले कंप्यूट करने में बहुत कठिन थे।