Neptuna: বিচ্ছিন্নতাসহ সংকোচনযোগ্য বহুফেজ প্রবাহে ML আর্কিটেকচারের তুলনা

6 নভেম্বর 2026১৪ প্রদর্শন

Neptuna উপস্থাপন করা হচ্ছে—বুদ্‌বুদের সংকোচন ও শক ওয়েভের প্রভাবে ফোঁটা ভেঙে যাওয়ার সমস্যার জন্য ৩ টিবি গণনার একটি বৃহৎ বেঞ্চমার্ক, যেখানে কনভল্যুশনাল, স্পেকট্রাল, ট্রান্সফরমার এবং প্রাক্‌-প্রশিক্ষিত PDE মডেল পরীক্ষা করা হয়। উপসংহার: কোনো সার্বজনীন সেরা মডেল নেই, আর যৌগিক লস ফাংশন ও SoftAdapt আন্তঃপৃষ্ঠের সীমানা আরও ভালোভাবে ধরে রাখতে এবং স্পেকট্রাম আরও নির্ভুলভাবে পুনরুৎপাদন করতে সাহায্য করে।

Neptuna: বিচ্ছিন্নতাসহ সংকোচনযোগ্য বহুফেজ প্রবাহে ML আর্কিটেকচারের তুলনা

বেঞ্চমার্কের কাজ

Neptuna হলো শক-চালিত সংকোচনযোগ্য বহুফেজ প্রবাহের জন্য প্রথম বৃহৎ-পরিসরের বেঞ্চমার্ক। শক ওয়েভ এবং পদার্থের ইন্টারফেসযুক্ত ডেটায় ML মডেলগুলোর তুলনা করার জন্য এটি তৈরি করা হয়েছে। বেঞ্চমার্কটি শুধু একটি আর্কিটেকচার নয়, বরং আর্কিটেকচার, লস ফাংশন এবং মেট্রিকের সমন্বয়কে মূল্যায়ন করে।

মূল্যায়নের উপাদানবিকল্প
আর্কিটেকচারকনভলিউশনাল, স্পেকট্রাল, ট্রান্সফরমার, PDE foundation models
লস ফাংশনMSE, কম্পোজিট ফাংশন, SoftAdapt, GradNorm
মেট্রিকপয়েন্টওয়াইজ, স্পেকট্রাল, বৈশিষ্ট্য-ভিত্তিক, কাঠামোগত, পদার্থবিদ্যা-সচেতন

উপসংহার: বেঞ্চমার্কটি পুনরুৎপাদনযোগ্য তুলনার জন্য একটি অভিন্ন প্ল্যাটফর্ম তৈরি করে। ব্যবহারিক মানদণ্ড: একই ডেটা ও মেট্রিকে মডেলগুলোর তুলনা করতে এটি ব্যবহার করুন।

ডেটা ও পদার্থবিদ্যা

বেঞ্চমার্কে 3 TB উচ্চ-নির্ভুলতার 2D ও 3D ডেটা রয়েছে। ডেটায় শক ওয়েভের কারণে বুদ্‌বুদের সংকোচন এবং ফোঁটার ভাঙন বর্ণনা করা হয়েছে। এসব প্রবাহে শক ওয়েভ ও পদার্থের ইন্টারফেস থাকে।

তীব্র অরৈখিক পারস্পরিক ক্রিয়ায় ইন্টারফেসের জটিল বিকৃতি, মিশ্রণ এবং বহু-স্কেল গতিশীলতা তৈরি হয়। নির্ভরযোগ্য সারোগেট মডেল তৈরি করা কঠিন করে তোলে তিনটি বিষয়:

  • সংকোচনযোগ্যতা;
  • তীক্ষ্ণ বিচ্ছিন্নতা;
  • বহুফেজ প্রভাব।

এই বিষয়গুলো একই সঙ্গে উপস্থিত থাকে।

উপসংহার: ডেটা মডেলগুলোকে বিচ্ছিন্নতা ও ইন্টারফেসের ক্ষেত্রে যাচাই করে। ব্যবহারিক মানদণ্ড: যাচাইয়ে বিচ্ছিন্নতা ও ইন্টারফেসযুক্ত পরিস্থিতি অন্তর্ভুক্ত করুন।

তুলনা করা আর্কিটেকচার

বেঞ্চমার্কে কনভলিউশনাল, স্পেকট্রাল এবং ট্রান্সফরমার-ভিত্তিক মডেল মূল্যায়ন করা হয়েছে। মূল্যায়নে প্রাক-প্রশিক্ষিত PDE foundation models-ও অন্তর্ভুক্ত ছিল। বেঞ্চমার্কটি এই পরিবারগুলোর মডেলকে বিচ্ছিন্নতাযুক্ত সংকোচনযোগ্য বহুফেজ প্রবাহে পরীক্ষা করে।

তুলনায় সারোগেট মডেল তৈরির বিভিন্ন পদ্ধতি অন্তর্ভুক্ত রয়েছে। এটি কোনো একক পরিবারে সীমাবদ্ধ নয়। একই ডেটা ও মেট্রিকে আর্কিটেকচারগুলো মূল্যায়ন করা হয়।

উপসংহার: আর্কিটেকচার বেছে নিতে হয় কাজের উপযোগিতা দেখে, পরিবারের নাম দেখে নয়। ব্যবহারিক মানদণ্ড: যে ডেটাসেটে আর্কিটেকচারটি কাজ করবে, সেখানেই তা পরীক্ষা করুন।

লস ফাংশন

বেঞ্চমার্কে প্রচলিত প্রশিক্ষণে MSE ব্যবহার করা হয়। পাশাপাশি কম্পোজিট লস ফাংশনও পরীক্ষা করা হয়েছে। এগুলো MSE-এর সঙ্গে Sobolev-, interface-aware- এবং structure-aware উপাদান যুক্ত করে।

লসের অভিযোজিত ভারসাম্য রক্ষায় SoftAdapt ও GradNorm ব্যবহার করা হয়েছে। বেঞ্চমার্কে উভয় বিকল্পই অন্তর্ভুক্ত রয়েছে।

বিকল্পগঠন
MSEমৌলিক লস ফাংশন
কম্পোজিট ফাংশনMSE + Sobolev + interface-aware + structure-aware
SoftAdaptলসের অভিযোজিত ভারসাম্য
GradNormলসের অভিযোজিত ভারসাম্য

উপসংহার: লস ফাংশন নির্বাচন নির্ভর করে লক্ষ্য মেট্রিকের ওপর। ব্যবহারিক মানদণ্ড: অভিযোজিত ভারসাম্য যাচাই করতে SoftAdapt ও GradNorm অন্তর্ভুক্ত করুন।

মূল্যায়ন মেট্রিক

মূল্যায়নে পাঁচ ধরনের মেট্রিক অন্তর্ভুক্ত রয়েছে:

  • পয়েন্টওয়াইজ;
  • স্পেকট্রাল;
  • বৈশিষ্ট্য-ভিত্তিক;
  • কাঠামোগত;
  • পদার্থবিদ্যা-সচেতন।

মেট্রিকের সেটটি বহুমাত্রিক। উপসংহার: একটি মাত্র মেট্রিকের ভিত্তিতে মডেল বিচার করা যায় না। ব্যবহারিক মানদণ্ড: কাজের জন্য কোন মেট্রিক-গোষ্ঠীটি গুরুত্বপূর্ণ, তা আগে নির্ধারণ করুন।

তুলনার ফলাফল

সব ডেটাসেট ও সব মেট্রিকে কোনো একটি মডেলই সেরা ছিল না। এই ফলাফল বিভিন্ন আর্কিটেকচার ও কনফিগারেশনের ক্ষেত্রে প্রযোজ্য। কম্পোজিট লস ফাংশন ইন্টারফেস সংরক্ষণ ও স্পেকট্রাল নির্ভুলতা উল্লেখযোগ্যভাবে উন্নত করে।

শুধু MSE দিয়ে প্রশিক্ষণের তুলনায় SoftAdapt প্রায় কোনো অতিরিক্ত গণনাগত ব্যয় ছাড়াই সবচেয়ে ধারাবাহিক উন্নতি আনে। GradNorm-ও মূল্যায়নে অন্তর্ভুক্ত ছিল। সব সূচকে একক কোনো বিজয়ী নেই।

কী তুলনা করা হয়েছেউপসংহার
আর্কিটেকচারসব ডেটাসেট ও মেট্রিকে কোনো একটিই সেরা নয়
কম্পোজিট লস ফাংশনইন্টারফেস সংরক্ষণ ও স্পেকট্রাল নির্ভুলতা উন্নত করে
SoftAdaptপ্রায় কোনো অতিরিক্ত ব্যয় ছাড়াই সবচেয়ে ধারাবাহিক উন্নতি

উপসংহার: নির্বাচন নির্ভর করে ডেটাসেট ও মেট্রিকের ওপর। ব্যবহারিক মানদণ্ড: গুরুত্বপূর্ণ মেট্রিক নির্ধারণ করে, তারপর লক্ষ্য ডেটাসেটে লস ফাংশন ও আর্কিটেকচার পরীক্ষা করুন।

অবস্থা ও প্রবেশাধিকার

Neptuna-এর কাজ NeurIPS-2026 (Evaluations and Datasets Track)-এ গৃহীত হয়েছে। প্রবন্ধটি 24 Jul 2026 (v1)-এ জমা দেওয়া হয়েছিল; সর্বশেষ সংস্করণ 18 Oct 2026 (v3)। arXiv:2607.22280।

বেঞ্চমার্কের রিপোজিটরি ও ডেটাসেট this https URL লিংকে পাওয়া যায়। এর মাধ্যমে মূল্যায়ন পুনরুৎপাদন করা এবং বেঞ্চমার্কের ফলাফলের সঙ্গে মডেলগুলোর তুলনা করা যায়।

উপসংহার: বেঞ্চমার্কটি ব্যবহারিক যাচাইয়ের জন্য উপলভ্য। ব্যবহারিক মানদণ্ড: পুনরুৎপাদনযোগ্য তুলনার ভিত্তি হিসেবে রিপোজিটরিটি ব্যবহার করুন।

সাধারণ প্রশ্নোত্তর

বিভিন্ন উপাদান

সব উপাদান
RL সিমুলেটরের ব্যর্থতা নির্ণয়ে ক্যানোনিক্যাল বহুপদী ইনভেরিয়েন্ট: এগুলো আসলে কোথায় কাজে লাগে
সংবাদ

RL সিমুলেটরের ব্যর্থতা নির্ণয়ে ক্যানোনিক্যাল বহুপদী ইনভেরিয়েন্ট: এগুলো আসলে কোথায় কাজে লাগে

এই কাজটি পরীক্ষা করে, প্রশিক্ষণযোগ্য গতিবিদ্যার মডেলগুলোতে পদার্থবিজ্ঞানের সূত্র অন্তর্ভুক্ত করা কতটা যুক্তিযুক্ত: ট্র্যাজেক্টরি থেকে আহরিত এবং গ্রোবনার ভিত্তির মাধ্যমে ক্যানোনিকাল রূপে আনা ইনভারিয়ান্টগুলো পূর্বাভাসে সামান্য উন্নতি আনে, তবে রোগনির্ণয়ে কার্যকর—এগুলো লঙ্ঘিত সীমাবদ্ধতাটি কোথায় ঘটেছে তা নির্দিষ্ট করতে এবং নির্দিষ্ট ভুল প্যারামিটার শনাক্ত করতে সাহায্য করে।

10 নভেম্বর 2026
AURA-Eval: কীভাবে যাচাই করবেন যে LLM এজেন্ট ঝুঁকি শনাক্ত করেছে এবং পরবর্তী পদক্ষেপ পরিবর্তন করেছে
সংবাদ

AURA-Eval: কীভাবে যাচাই করবেন যে LLM এজেন্ট ঝুঁকি শনাক্ত করেছে এবং পরবর্তী পদক্ষেপ পরিবর্তন করেছে

এই ফ্রেমওয়ার্ক LLM এজেন্টদের আচরণকে চূড়ান্ত রায় দিয়ে নয়, বরং গুরুত্বপূর্ণ মুহূর্তে ঝুঁকির প্রতিক্রিয়া দিয়ে মূল্যায়ন করে: টুল কলের ধারা মাঝপথে থামিয়ে দেওয়া হয়, এরপর মডেলকে তার যুক্তি ও কাজ চালিয়ে যেতে হয়; আর LLM বিচারকদের একটি প্যানেল ঝুঁকি শনাক্তকরণ, পদক্ষেপের ধরন ও নিরাপত্তা বিশ্লেষণ করে। R-Judge-এর 157টি ট্র্যাজেক্টরি থেকে সংগৃহীত 1249টি কাজে, 20টি মডেলের নিরাপদ পথ না থাকলে অনিরাপদ পদক্ষেপ নেওয়ার প্রবণতা বেড়ে যায়; আর কাজ সম্পন্ন হওয়ার আগে তদারকি তুলে নিলে শুরুতে নিরাপদ থাকা ঘটনাগুলোর 52,3% অনিরাপদ হয়ে ওঠে।

10 নভেম্বর 2026
চের্ন–সাইমনস রিজার্ভারের স্মৃতি: সংযোগের স্বায়ত্তশাসিত গতিবিদ্যা এবং ঘনত্ব পরিবহন
সংবাদ

চের্ন–সাইমনস রিজার্ভারের স্মৃতি: সংযোগের স্বায়ত্তশাসিত গতিবিদ্যা এবং ঘনত্ব পরিবহন

এই নিবন্ধে আলোচনা করা হয়েছে, কীভাবে একটি রিজার্ভয়ার ইনপুট সিগন্যালের ইতিহাস একই সঙ্গে ঘনত্বের বণ্টন এবং জ্যামিতিক স্বাধীনতার মাত্রায় সংরক্ষণ করে। চারটি প্রক্রিয়ার তুলনা দেখায় যে কারেন্ট একটি স্বতন্ত্র সংযুক্তি উপাদান তৈরি করে, যা ঘনত্বের পরবর্তী প্রতিক্রিয়া পরিবর্তন করে; আর পরিমাপ করা সব বৈশিষ্ট্য বিবেচনায় নিলে ইমপালসের ক্রম ডিকোড করার ক্ষেত্রে সামান্য উন্নতি হয়।

10 নভেম্বর 2026
Neptuna: বিচ্ছিন্নতাসহ সংকোচনযোগ্য বহুফেজ প্রবাহে ML আর্কিটেকচারের তুলনা