Unstable-Singularity-Detector: 100 साल पुराने fluid dynamics के कठिन सवाल को चुनौती (DeepMind पेपर का पूरी तरह पुनर्निर्मित open source)

 (github.com/Flamehaven)
4 पॉइंट द्वारा flamehaven01 2025-10-05 | अभी कोई टिप्पणी नहीं है. | WhatsApp पर शेयर करें

TL;DR

DeepMind के “fluid singularity detection” पेपर (2024) में कोई code नहीं था।

इसलिए सिर्फ पेपर देखकर इसे शुरू से अंत तक पूरी तरह reproduce किया गया।

अब 7 सेकंड में PDF report बनाने वाली वास्तव में काम करने वाली pipeline सार्वजनिक कर दी गई है।

💥 समस्या: AI research की पुरानी बीमारी

DeepMind (2024)

“Discovering new solutions to century-old problems in fluid dynamics”

📄 arXiv:2509.14185

सारांश

  • 100 साल से ज़्यादा पुराना सवाल: क्या fluid सीमित समय में blow up कर सकता है?
  • Physics-Informed Neural Network(PINN) से singularity detection
  • ultra-high-precision computation (10⁻¹³), जटिल multi-stage training

समस्याएँ

  • ❌ code public नहीं
  • ❌ reproduction method अस्पष्ट
  • ❌ सिर्फ equations से चलाना असंभव

नतीजतन, दुनिया भर के शोधकर्ताओं के पास “पढ़ो और छोड़ दो” के अलावा कोई विकल्प नहीं था।

✅ समाधान: स्वतंत्र open reproduction project

🚀 Unstable Singularity Detector

DeepMind से असंबंधित, पूरी तरह स्वतंत्र open source implementation

सार्वजनिक पेपर में दिए गए equations और methodology के आधार पर

fluid dynamics singularity verification को शुरू से अंत तक reproduce किया गया।

💡 दर्शन: यह project क्यों महत्वपूर्ण है

पेपर प्रकाशित → code नहीं → reproduce नहीं हो सकता → research रुक जाती है

इस project का संदेश:

“सिर्फ पेपर वाली science को executable tools में बदलें।”

open science का मूल reproducibility है।

code के बिना पेपर आधी-अधूरी science है।

🎓 इसे कौन इस्तेमाल करेगा?

  • 🧠 fluid dynamics researchers — पेपर verification और विस्तार
  • 🔬 PINN / SciML developers — high-precision optimization reference
  • 🎓 graduate students / students — पेपर implementation अभ्यास
  • 🤖 AI researchers — “code-less papers” समस्या को समझने के लिए
  • 🧑‍🏫 educators — PINN classes के practical material के रूप में

🚀 5 मिनट में शुरू करें

git clone https://github.com/Flamehaven/unstable-singularity-detector.git  
cd unstable-singularity-detector  
pip install -r requirements.txt  
python examples/e2e_full_ipm.py

परिणाम:

  • real-time convergence log output
  • results/ipm_full_demo/ipm_full_report.pdf तैयार होता है
  • 3-page PDF report (convergence curve + training history + metrics)

🎯 यह सच में काम करता है, उसके सबूत

v1.3.2 — Complete E2E Pipelines (“Show Me It Works” Release)

1️⃣ IPM (Incompressible Porous Media)

python examples/e2e_full_ipm.py --grid-size 16  
# 7.3 सेकंड बाद → PDF report + JSON metrics अपने आप बनते हैं  
प्रारंभिक शर्त: sin(πx)sin(πy)sin(πz)
  • प्रारंभिक शर्त: sin(πx)sin(πy)sin(πz)
  • Lambda funnel: 1 iteration में convergence
  • residual: 1e-3 → 1e-7 (1000x improvement)
  • output: 3-page PDF report (convergence curve + metrics)

2️⃣ 2D Boussinesq (temperature convection)

python examples/e2e_boussinesq_2d.py --grid-size 64
  • energy conservation verification (5e-8 residual)
  • PDF auto-report generation

3️⃣ 1D Heat Equation (analytic solution verification)

pytest tests_e2e/test_heat_equation_1d.py -v  
# 7/7 tests PASSED
  • analytic solution: u = exp(-π²t)sin(πx)
  • numerical solution error: < 0.04
  • PDE residual: < 0.05

🔍 पेपर के मुकाबले verification table

कंपोनेंट पेपर संदर्भ verification method परिणाम स्थिति
Lambda prediction formula Fig 2e direct numerical comparison <1% error ✅
Funnel Inference Sec 3.2 convergence test 1–2 iterations convergence ✅
Multi-stage training Sec 3.3 residual tracking 10⁻⁷ achieved ✅
Gauss–Newton Eq 7–8 precision benchmark 10⁻¹³ ✅
boundary conditions Sec 2.3 Dirichlet BC error < 10⁻¹⁰ ✅
self-similar transform Fig 3 coordinate transform implementation complete ✅

✅ verification completion rate: 100% (पेपर में सार्वजनिक किए गए सभी formulas)

🛠️ तकनीकी highlights

मुख्य innovation

  1. precision-target-based training

    # Stage 1: Adam warmup → 1e-6  
# Stage 2: Fourier features → 1e-9  
# Stage 3: Gauss–Newton → 1e-12

  2. memory efficiency

    • Rank-1 Hessian approximation → O(P²) → O(P)
    • 1000x memory savings

  3. EMA Smoothing

    H_t = β * H_{t-1} + (1 - β) * (JᵀJ)_t

  4. automatic verification system

    • 111/113 tests passed (2 GPU skip)
    • GitHub Actions CI/CD पूरी तरह integrated

📊 वास्तविक उपयोग उदाहरण

from unstable_singularity_detector import UnstableSingularityDetector  
  
detector = UnstableSingularityDetector(equation_type="ipm")  
lambda_0 = detector.predict_next_unstable_lambda(current_order=0)  
  
print(f"Predicted: {lambda_0:.10f}")  
# Output: 1.0285722760 (पेपर मान से error 0.000%)

🧩 पूरी pipeline (10-line summary)

from examples.e2e_full_ipm import FullIPMPipeline  
from pathlib import Path  
  
pipeline = FullIPMPipeline(output_dir=Path("results/my_experiment"), grid_size=32)  
pipeline.run()  
# 7 सेकंड बाद PDF और JSON report बनती है

📈 project status (v1.3.2)

आइटम संख्या
code 15,000+ lines
tests 111/113 passing (98.2%)
docs 2,500+ lines
commits 150+
license MIT
Python 3.8+
मुख्य dependencies PyTorch, NumPy, SciPy

🔐 पारदर्शिता और सीमाएँ

स्पष्ट स्वतंत्रता

  • DeepMind से असंबंधित व्यक्तिगत research project
  • सिर्फ सार्वजनिक पेपर equations का उपयोग
  • MIT license
  • सभी सीमाएँ सार्वजनिक

वर्तमान सीमाएँ

  • conservation law violation: IPM 128% (network capacity limitation)
  • Lambda error: Boussinesq 42% (empirical correction planned)
  • precision: demo-focused (production के लिए नहीं)

💬 feedback का स्वागत है

आइए मिलकर “सिर्फ पेपर है, code नहीं” वाली दुनिया को बदलें।

Made with 🔬 by independent researchers, for open science

संबंधित पढ़ाई

अभी कोई टिप्पणी नहीं है.

अभी कोई टिप्पणी नहीं है.