Neptuna: संपीड्य बहु-चरणीय प्रवाहों में विच्छेदों के साथ ML आर्किटेक्चर की तुलना

6 नवम्बर 202614 बार देखा गया

पेश है Neptuna — बबल कोलैप्स और शॉक वेव्स के प्रभाव में बूंदों के विखंडन से जुड़ी समस्याओं के लिए 3 TB गणनाओं वाला एक बड़ा बेंचमार्क, जिसमें कन्वोल्यूशनल, स्पेक्ट्रल, ट्रांसफॉर्मर और प्रीट्रेंड PDE मॉडल्स का परीक्षण किया जाता है। निष्कर्ष: कोई सार्वभौमिक विजेता नहीं है, जबकि संयुक्त लॉस फ़ंक्शन और SoftAdapt इंटरफ़ेस सीमाओं को बेहतर ढंग से बनाए रखने और स्पेक्ट्रम को अधिक सटीक रूप से दोहराने में मदद करते हैं।

Neptuna: संपीड्य बहु-चरणीय प्रवाहों में विच्छेदों के साथ ML आर्किटेक्चर की तुलना

बेंचमार्क का उद्देश्य

Neptuna, आघात-प्रेरित संपीड्य बहु-चरणीय प्रवाहों के लिए पहला बड़े पैमाने का बेंचमार्क है। इसे आघात तरंगों और पदार्थों के अंतरापृष्ठों वाले डेटा पर ML मॉडल की तुलना करने के लिए बनाया गया है। बेंचमार्क किसी एक आर्किटेक्चर का नहीं, बल्कि आर्किटेक्चर, हानि फलन और मेट्रिक्स के संयोजन का मूल्यांकन करता है।

मूल्यांकन घटकविकल्प
आर्किटेक्चरकन्वोल्यूशनल, स्पेक्ट्रल, ट्रांसफॉर्मर, PDE फाउंडेशन मॉडल
हानि फलनMSE, संयुक्त फलन, SoftAdapt, GradNorm
मेट्रिक्सबिंदु-आधारित, स्पेक्ट्रल, विशेषता-उन्मुख, संरचनात्मक, भौतिकी-सचेत

निष्कर्ष: बेंचमार्क पुनरुत्पाद्य तुलना के लिए एक साझा मंच प्रदान करता है। व्यावहारिक मानदंड: समान डेटा और मेट्रिक्स पर मॉडलों की तुलना के लिए इसका उपयोग करें।

डेटा और भौतिकी

बेंचमार्क में 3 TB उच्च-सटीकता वाला 2D और 3D डेटा शामिल है। यह डेटा आघात तरंग से प्रेरित बुलबुलों के पतन और बूंदों के विखंडन का वर्णन करता है। इन प्रवाहों में आघात तरंगें और पदार्थों के अंतरापृष्ठ होते हैं।

प्रबल गैर-रैखिक अंतःक्रियाओं से अंतरापृष्ठों का जटिल विरूपण, मिश्रण और बहु-पैमाने की गतिशीलता उत्पन्न होती है। विश्वसनीय सरोगेट मॉडल बनाना तीन कारकों के कारण कठिन है:

  • संपीड्यता;
  • तीव्र असंततताएँ;
  • बहु-चरणीय प्रभाव।

ये कारक एक साथ मौजूद होते हैं।

निष्कर्ष: डेटा असंततताओं और अंतरापृष्ठों पर मॉडलों की जाँच करता है। व्यावहारिक मानदंड: जाँच में असंततताओं और अंतरापृष्ठों वाले परिदृश्य शामिल करें।

तुलना किए गए आर्किटेक्चर

बेंचमार्क में कन्वोल्यूशनल, स्पेक्ट्रल और ट्रांसफॉर्मर-आधारित मॉडलों का मूल्यांकन किया गया। मूल्यांकन में पूर्व-प्रशिक्षित PDE फाउंडेशन मॉडल भी शामिल थे। बेंचमार्क संपीड्य बहु-चरणीय प्रवाहों में इन मॉडल परिवारों की असंततताओं के साथ जाँच करता है।

तुलना में सरोगेट मॉडल बनाने के अलग-अलग तरीकों को शामिल किया गया है। यह किसी एक परिवार तक सीमित नहीं है। आर्किटेक्चर का मूल्यांकन समान डेटा और मेट्रिक्स पर किया जाता है।

निष्कर्ष: आर्किटेक्चर का चयन कार्य के अनुसार करें, न कि उसके परिवार के नाम के आधार पर। व्यावहारिक मानदंड: आर्किटेक्चर की जाँच उसी डेटासेट पर करें जहाँ उसका उपयोग होना है।

हानि फलन

बेंचमार्क में मानक प्रशिक्षण के लिए MSE का उपयोग किया जाता है। इसके अतिरिक्त, संयुक्त हानि फलनों की भी जाँच की गई। ये MSE को Sobolev, अंतरापृष्ठ-जागरूक और संरचना-जागरूक घटकों के साथ जोड़ते हैं।

हानियों का अनुकूली संतुलन करने के लिए SoftAdapt और GradNorm का उपयोग किया गया। बेंचमार्क में दोनों विकल्प शामिल हैं।

विकल्पसंरचना
MSEआधारभूत हानि फलन
संयुक्त फलनMSE + Sobolev + अंतरापृष्ठ-जागरूक + संरचना-जागरूक
SoftAdaptहानियों का अनुकूली संतुलन
GradNormहानियों का अनुकूली संतुलन

निष्कर्ष: हानि फलन का चयन लक्ष्य मेट्रिक पर निर्भर करता है। व्यावहारिक मानदंड: अनुकूली संतुलन की जाँच के लिए SoftAdapt और GradNorm शामिल करें।

मूल्यांकन मेट्रिक्स

मूल्यांकन में मेट्रिक्स के पाँच समूह शामिल हैं:

  • बिंदु-आधारित;
  • स्पेक्ट्रल;
  • विशेषता-उन्मुख;
  • संरचनात्मक;
  • भौतिकी-सचेत।

मेट्रिक्स का सेट बहुआयामी है। निष्कर्ष: किसी मॉडल का मूल्यांकन केवल एक मेट्रिक से नहीं किया जा सकता। व्यावहारिक मानदंड: पहले से तय करें कि कार्य के लिए मेट्रिक्स का कौन-सा समूह महत्वपूर्ण है।

तुलना के परिणाम

कोई भी मॉडल सभी डेटासेट और सभी मेट्रिक्स पर सर्वश्रेष्ठ नहीं रहा। यह परिणाम अलग-अलग आर्किटेक्चर और कॉन्फ़िगरेशन पर लागू होता है। संयुक्त हानि फलन अंतरापृष्ठों को सुरक्षित रखने और स्पेक्ट्रल सटीकता में उल्लेखनीय सुधार करते हैं।

MSE पर ही प्रशिक्षण की तुलना में SoftAdapt लगभग बिना किसी अतिरिक्त गणनात्मक लागत के सबसे निरंतर सुधार देता है। मूल्यांकन में GradNorm भी शामिल था। सभी मापदंडों पर कोई एक विजेता नहीं है।

किसकी तुलना की गईनिष्कर्ष
आर्किटेक्चरकोई भी सभी डेटासेट और मेट्रिक्स पर सर्वश्रेष्ठ नहीं
संयुक्त हानि फलनअंतरापृष्ठों के संरक्षण और स्पेक्ट्रल सटीकता में सुधार
SoftAdaptलगभग बिना अतिरिक्त लागत के सबसे निरंतर सुधार

निष्कर्ष: चयन डेटासेट और मेट्रिक पर निर्भर करता है। व्यावहारिक मानदंड: महत्वपूर्ण मेट्रिक तय करें, फिर लक्ष्य डेटासेट पर हानि फलन और आर्किटेक्चर की जाँच करें।

स्थिति और उपलब्धता

Neptuna का शोधपत्र NeurIPS-2026 (Evaluations and Datasets Track) में स्वीकार किया गया है। शोधपत्र 24 जुलाई 2026 (v1) को जमा किया गया; नवीनतम संशोधन 18 अक्टूबर 2026 (v3) का है। arXiv:2607.22280.

बेंचमार्क का रिपॉज़िटरी और डेटासेट this https URL पर उपलब्ध हैं। इससे मूल्यांकन को पुनरुत्पादित करना और बेंचमार्क के परिणामों के साथ मॉडलों की तुलना करना संभव है।

निष्कर्ष: बेंचमार्क व्यावहारिक जाँच के लिए उपलब्ध है। व्यावहारिक मानदंड: पुनरुत्पाद्य तुलना के आधार के रूप में रिपॉज़िटरी का उपयोग करें।

अक्सर पूछे जाने वाले प्रश्न

समान सामग्री

सभी सामग्री
RL सिम्युलेटरों की विफलताओं के निदान में कैनोनिकल बहुपद अपरिवर्तांक: वे वास्तव में कहाँ उपयोगी हैं
समाचार

RL सिम्युलेटरों की विफलताओं के निदान में कैनोनिकल बहुपद अपरिवर्तांक: वे वास्तव में कहाँ उपयोगी हैं

यह अध्ययन जाँचता है कि क्या सीखने योग्य गतिशीलता मॉडल में भौतिक नियमों को शामिल करना उचित है: प्रक्षेप पथों से निकाले गए और ग्रोबनर आधारों के माध्यम से विहित रूप में लाए गए अपरिवर्तक पूर्वानुमानों में मामूली सुधार देते हैं, लेकिन निदान में प्रभावी साबित होते हैं—वे उल्लंघित बाधा का स्थान निर्धारित करने और विशिष्ट गलत पैरामीटर की पहचान करने में सक्षम बनाते हैं।

10 नवम्बर 2026
AURA-Eval: कैसे जाँचें कि LLM एजेंट ने जोखिम को पहचाना और अगला कदम बदल दियाેણ
समाचार

AURA-Eval: कैसे जाँचें कि LLM एजेंट ने जोखिम को पहचाना और अगला कदम बदल दियाેણ

यह फ्रेमवर्क LLM एजेंटों के व्यवहार का आकलन अंतिम निर्णय के आधार पर नहीं, बल्कि अहम बिंदुओं पर जोखिम के प्रति उनकी प्रतिक्रिया के आधार पर करता है: टूल-कॉल की ट्रैजेक्टरी बीच में रोक दी जाती हैं, जिसके बाद मॉडल को अपना तर्क और कार्रवाई जारी रखनी होती है, जबकि LLM जजों का एक पैनल जोखिम की पहचान, कदम की प्रकृति और उसकी सुरक्षा का विश्लेषण करता है। R-Judge की 157 ट्रैजेक्टरी से संकलित 1249 कार्यों में, 20 मॉडलों में सुरक्षित रास्ता न होने पर असुरक्षित कार्रवाइयाँ बढ़ जाती हैं, और निष्पादन से पहले निगरानी हटाने पर शुरुआत में सुरक्षित रहे 52,3% मामले असुरक्षित हो जाते हैं।

10 नवम्बर 2026
चेर्न–साइमन रिज़र्वॉयर की स्मृति: संयोजकता की स्वायत्त गतिशीलता और घनत्व का परिवहन
समाचार

चेर्न–साइमन रिज़र्वॉयर की स्मृति: संयोजकता की स्वायत्त गतिशीलता और घनत्व का परिवहन

यह लेख बताता है कि रिज़र्वॉयर इनपुट संकेतों का इतिहास घनत्व वितरण और ज्यामितीय स्वतंत्रता की डिग्रियों—दोनों में कैसे बनाए रखता है। चार तंत्रों की तुलना से पता चलता है कि धारा एक अलग संयोजकता घटक बनाती है, जो घनत्व की बाद की प्रतिक्रिया को बदलती है, जबकि सभी मापे गए लक्षणों को शामिल करने से पल्स के क्रम को डिकोड करने में थोड़ा सुधार होता है।

10 नवम्बर 2026
Neptuna: संपीड्य बहु-चरणीय प्रवाहों में विच्छेदों के साथ ML आर्किटेक्चर की तुलना