Adaptive planning for risk-aware predictive digital twins

कल्पना कीजिए कि आप किसी वास्तविक दुनिया की मशीन, जैसे कि एक ड्रोन या पुल का एक आदर्श, जीवित मानचित्र बनाने की कोशिश कर रहे हैं। इस "मानचित्र" को डिजिटल ट्विन (Digital Twin) कहा जाता है। यह केवल एक स्थिर चित्र नहीं है; यह एक आभासी प्रतिलिपि है जो सांस लेती है, सीखती है और वास्तविक समय में खुद को अपडेट करती है क्योंकि भौतिक वस्तु सेंसर से डेटा एकत्र करती है। इसे एक वीडियो गेम के पात्र के रूप में सोचें जो वास्तव में एक वास्तविक रोबोट से जुड़ा हुआ है, जो रोबोट द्वारा अनुभव किए जाने वाले हर झटके और कंपन को महसूस करता है। लेकिन यहाँ पेचीदा बात यह है: वास्तविक दुनिया अव्यवस्थित है। चीजें टूट जाती हैं, मौसम बदलता है, और कभी-कभी, ऐसी दुर्लभ, डरावनी दुर्घटनाएं होती हैं जिन्हें किसी ने भी नहीं देखा था। यदि आपका डिजिटल मानचित्र इन दुर्लभ, खतरनाक घटनाओं को ध्यान में नहीं रखता है, तो यह रोबोट को कुछ ऐसा करने के लिए कह सकता है जो सुरक्षित दिखने में तो है, लेकिन वास्तव में दुर्घटना का कारण बन सकता है। यहीं पर जोखिम-जागरूक योजना (risk-aware planning) काम आती है। यह केवल इस आधार पर निर्णय लेने की कला नहीं है कि क्या होने की सबसे अधिक संभावना है, बल्कि इस आधार पर भी है कि क्या भयानक रूप से गलत हो सकता है, भले ही उनकी संभावना बहुत कम हो। वैज्ञानिक लगातार इन डिजिटल ट्विन्स को सतर्क, स्मार्ट और अप्रत्याशित के लिए तैयार होने का तरीका सिखाने के तरीके खोज रहे हैं, ताकि यह सुनिश्चित किया जा सके कि जब वास्तविक मशीन उड़ान भरे, तो वह न केवल अच्छी तरह से काम करे—बल्कि सबसे खराब परिस्थितियों में भी जीवित रहे।

यह शोध पत्र इन डिजिटल ट्विन्स को स्मार्ट और सुरक्षित बनाने का एक चतुर नया तरीका पेश करता है, विशेष रूप से मानव रहित हवाई वाहनों (UAVs), या ड्रोनों के लिए। लेखक, मार्को टेज़ेल और टेक्सास विश्वविद्यालय, ऑस्टिन की उनकी टीम, एक गणितीय ढांचा प्रस्तावित करते हैं जो ड्रोन के लिए एक "सतर्क कोच" की तरह कार्य करता है। यह मान लेने के बजाय कि ड्रोन को ठीक-ठीक पता है कि उसे नुकसान होने की कितनी संभावना है, यह ढांचा इन संभावनाओं को एक रहस्य के रूप में मानता है जिसे चरण-दर-चरण हल किया जाता है। वे एक उपकरण का उपयोग करते हैं जिसे डायनेमिक बेयसियन नेटवर्क (Dynamic Bayesian Network) कहा जाता है, जिसे आप "क्या-होगा-अगर" (what-if) परिदृश्यों का एक विशाल, आपस में जुड़ा हुआ जाल मान सकते हैं। जैसे-जैसे ड्रोन उड़ता है और इसके सेंसर शोर वाले डेटा (जैसे कि एक हिलता हुआ वीडियो फीड) को एकत्र करते हैं, डिजिटल ट्विन ड्रोन के स्वास्थ्य के बारे में अपने विश्वास को अपडेट करता है।

इनका मुख्य नवाचार यह है कि वे अज्ञात को कैसे संभालते हैं। आमतौर पर, इंजीनियर शायद यह अनुमान लगाते हैं कि पंख टूटने की कितनी संभावना है और उसी अनुमान पर टिके रहते हैं। लेकिन यह शोध पत्र उस संभावना को एक रैंडम वेरिएबल (random variable) के रूप में मानने का सुझाव देता है—एक ऐसा नंबर जो हिल सकता है और बदल सकता है। वे सर्वोत्तम कार्यों को हल करने के लिए पैरामेट्रिक मार्कोव डिसीजन प्रोसेस (Parametric Markov Decision Process) नामक विधि का उपयोग करते हैं। इसे एक शतरंज खिलाड़ी के रूप में सोचें जो न केवल एक चाल आगे की योजना बनाता है, बल्कि बोर्ड की हर संभावित स्थिति के लिए सबसे अच्छी रणनीति की गणना करता है, जबकि एक मोहरे को खोने के "जोखिम" पर कड़ी नज़र रखता है। अतिरिक्त सुरक्षा के लिए, वे केवल विफलता की औसत संभावना को नहीं देखते; वे एक जोखिम माप का उपयोग करते हैं जिसे CVaR (कंडीशनल वैल्यू एट रिस्क) कहा जाता है। यदि आप कंचों (marbles) के एक थैले की कल्पना करें जहाँ अधिकांश नीले (सुरक्षित) हैं और कुछ लाल (खतरनाक) हैं, तो एक साधारण औसत लाल वाले को अनदेखा कर सकता है। CVaR, हालांकि, विशेष रूप से सबसे खराब स्थिति वाले थैले पर ध्यान केंद्रित करता है, यह सुनिश्चित करता है कि ड्रोन लाल वाले कोों से बचे, भले ही वे दुर्लभ हों।

टीम ने अपने विचार का परीक्षण दो सिम्युलेटेड परिदृश्यों में किया: एक शहर के ग्रिड में पैकेज डिलीवर करता हुआ ड्रोन और आकाश में दूसरे विमान से बचता हुआ ड्रोन। इन सिमुलेशन में, ड्रोन को "सौम्य" युद्धाभ्यास (धीमा लेकिन सुरक्षित) और "आक्रामक" युद्धाभ्यास (तेज लेकिन जोखिम भरा) के बीच चयन करना था। परिणाम उत्साहजनक थे। उनके सिमुलेशन में, जोखिम-विमुख दृष्टिकोण, जिसने CVaH विधि का उपयोग किया, ने मानक दृष्टिकोण की तुलना में कुल अपेक्षित लागत को लगभग 22% कम करने में मदद की। यह कमी वास्तविक समय में सीखने से आई: जैसे-जैसे वह उड़ा, उसने यह समझने के लिए अपने ज्ञान को अपडेट किया कि उसके पंखों को नुकसान पहुंचने की कितनी संभावना है, जिससे उसे बिल्कुल सही क्षणों पर सतर्क से आक्रामक (या इसके विपरीत) में बदलने की अनुमति मिली। उन्होंने यह भी दिखाया कि सिस्टम भविष्य के स्वास्थ्य की भविष्यवाणी कर सकता है, अपने विशिष्ट परीक्षण सेटअप में 75.4% की सटीकता के साथ संरचनात्मक क्षति का अनुमान लगा सकता है।

यह ध्यान देना महत्वपूर्ण है कि ये निष्कर्ष कंप्यूटर सिमुलेशन से आए हैं, अभी तक किसी वास्तविक ड्रोन से नहीं जो वास्तविक आकाश में उड़ रहा हो। लेखक स्पष्ट रूप से कहते हैं कि जबकि उनका तरीका इन डिजिटल परीक्षणों में अच्छा काम करता है, वास्तविक दुनिया की चुनौती हर एक क्षण में सर्वश्रेष्ठ रणनीति की पुनर्गणना करने के लिए आवश्यक कंप्यूटिंग पावर की है। वे तर्क देते हैं कि उनका ढांचा डिजिटल ट्विन्स को दुर्लभ, विनाशकारी घटनाओं के खिलाफ अधिक मजबूत बनाने के लिए एक ठोस आधार प्रदान करता है, लेकिन इसे वास्तविक ड्रोन पर लगाने का अंतिम चरण इस बात पर निर्भर करता है कि उनके पास पर्याप्त तेज़ ऑनबोर्ड कंप्यूटर हैं या नहीं। संभाव्यता, जोखिम प्रबंधन और वास्तविक समय के सीखने को मिलाकर, यह कार्य उन डिजिटल ट्विन्स की ओर एक मार्ग सुझाता है जो न केवल भविष्य की भविष्यवाणी करते हैं, बल्कि सक्रिय रूप से उसके सबसे बुरे हिस्सों से रक्षा भी करते हैं।