🔬 materials science

Transformer-Based Inverse Microrheology for Experimental Mechanics at Ultra-High Strain Rates

यह शोध पत्र बबल डायनेमिक्स ट्रांसफॉर्मर (BDT) को प्रस्तुत करता है, जो एक AI-संवर्धित ढांचा है जो लेजर-प्रेरित कैविटेशन डेटा से सॉफ्ट मैटेरियल्स के अल्ट्रा-हाई स्ट्रेन-रेट विस्कोइलास्टिक गुणों को तेजी से और सटीक रूप से अभिलक्षणित करने के लिए भौतिकी-आधारित सिमुलेशन पर प्रशिक्षित ट्रांसफॉर्मर न्यूरल नेटवर्क का लाभ उठाता है, जो पारंपरिक पुनरावृत्ति व्युत्क्रम फिटिंग विधियों की कम्प्यूटेशनल सीमाओं को दूर करता है।

मूल लेखक: Lehu Bu, Zhaohan Yu, Danila Frolkin, Junyoung Kim, Qihang Shi, Jan N. Fuhg, Shaoting Lin, Jin Yang

प्रकाशित 2026-07-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Lehu Bu, Zhaohan Yu, Danila Frolkin, Junyoung Kim, Qihang Shi, Jan N. Fuhg, Shaoting Lin, Jin Yang

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास जेली से बनी एक विशाल, अदृश्य ट्रैम्पोलिन है, और आप यह जानना चाहते हैं कि यह कितनी उछाल वाली या चिपचिपी है। आमतौर पर, इसे टेस्ट करने के लिए आप इसे एक विशाल, अनाड़ी उंगली से कुरेदेंगे या किसी मशीन से धीरे-धीरे खींचेंगे। लेकिन क्या होगा यदि आपको यह जानना हो कि वह जेली कैसी व्यवहार करती है जब उसे किसी ऐसी चीज़ से टकराया जाता है जो एक गोली की गति से भी तेज़ चलती है? पारंपरिक उपकरण इसकी गति का मुकाबला नहीं कर सकते; वे बहुत धीमे, बहुत दखल देने वाले, या गति के कारण बहुत भ्रमित होने वाले होते हैं।

यहाँ एक नई वैज्ञानिकों की टीम आई है जिन्होंने कुरेदना छोड़ दिया और 'पॉप' करना शुरू किया। वे एक सूक्ष्म बुलबुले को अस्तित्व में लाने के लिए एक सुपर-फास्ट लेजर का उपयोग करते हैं। यह बुलबुला केवल वहाँ बैठा नहीं रहता; यह अविश्वसनीय गति से बाहर की ओर फटता है और फिर अंदर की ओर ढह जाता है—प्रति सेकंड 1,000 गुना से भी अधिक की दर से। इस बुलबुले के हिलने, फैलने और टकराने के तरीके को देखकर, वैज्ञानिक उस सामग्री के रहस्यों को समझ सकते हैं।

पुराना तरीका: धीमा जासूस
लंबे समय तक, वैज्ञानिकों ने इस रहस्य को सुलझाने के लिए इनर्शियल माइक्रोकैविटेशन रियोमेट्री (IMR) नामक एक विधि का उपयोग किया। IMR को एक बहुत ही स्मार्ट, लेकिन अविश्वसनीय रूप से धीमे जासूस के रूप में सोचें। जब बुलबुला फूटता है, तो जासूस को सामग्री के गुणों का अनुमान लगाना पड़ता है, यह देखने के लिए एक जटिल सिमुलेशन चलाना पड़ता है कि क्या उसका अनुमान बुलबुले की गति के साथ मेल खाता है, और फिर से अनुमान लगाना पड़ता है। यह एक रुबिक क्यूब को एक तरफ घुमाने, पूरे क्यूब की जांच करने, दूसरी तरफ घुमाने और फिर से जांच करने जैसा है, और यह प्रक्रिया बार-बार दोहराई जाती है। यह काम करता है, लेकिन इसमें बहुत समय लगता है और इसके लिए गणित करने हेतु एक सुपरकंप्यूटर की आवश्यकता होती है।

नया तरीका: AI स्पीडस्टर
लेखकों ने, जिनका नेतृत्व टेक्सास विश्वविद्यालय एट ऑस्टिन और मिशिगन स्टेट यूनिवर्सिटी के शोधकर्ताओं द्वारा किया गया है, एक नया टूल बनाया है जिसे बबल डायनेमिक्स ट्रांसफॉर्मर (BDT) कहा जाता है। यदि पुराना तरीका एक धीमा जासूस है, तो BDT एक मनोवैज्ञानिक 'स्पीडस्टर' (तेज़ रफ्तार वाला) है।

अनुमान लगाने और जांचने के बजाय, BDT एक विशेष प्रकार का आर्टिफिशियल इंटेलिजेंस (AI) है जिसे "क्या होगा अगर" वाले परिदृश्यों के एक विशाल पुस्तकालय पर प्रशिक्षित किया गया है। टीम ने AI को लाखों कंप्यूटर सिमुलेशन खिलाए जहाँ उन्हें सटीक उत्तर पता था: "यदि सामग्री इतनी सख्त और इतनी चिपचिपी है, तो बुलबुला ऐसा दिखेगा।" AI ने बुलबुले के नृत्य के पैटर्न को पहचानना सीख लिया।

अब, जब वे AI को वास्तविक जेल (gel) में बुलबुले के फूटने का वास्तविक वीडियो दिखाते हैं, तो वह अनुमान नहीं लगाता। वह तुरंत पैटर्न को पहचान लेता है और कहता है, "आह, मैंने यह नृत्य पहले देखा है! इस सामग्री की कठोरता 4.83 kPa और श्यानता (viscosity) 0.055 Pa·s है।" वह यह काम एक सेकंड से भी कम समय में करता है—उनके द्वारा टेस्ट किए गए हाइड्रोजेल के लिए लगभग 0.6 सेकंड। यह पुराने जासूस के तरीके से हजारों गुना तेज़ है।

टेस्ट ड्राइव
यह देखने के लिए कि उनका मनोवैज्ञानिक स्पीडस्टर वास्तव में कितना अच्छा था, उन्होंने दो प्रकार की सामग्रियों पर इसका परीक्षण किया:

डबल-नेटवर्क हाइड्रोजेल: ये दो अलग-अलग पॉलिमर के मिश्रण से बने मजबूत, खिंचावदार 'गमी बेयर्स' की तरह हैं। उन्होंने एल्जिनेट (अल्गिन) नामक एक विशिष्ट सामग्री (0% से 2.0% तक) की विभिन्न मात्राओं के साथ जेलों का परीक्षण किया।
गाढ़े तरल पदार्थ: उन्होंने पॉलीइथाइलीन ग्लाइकॉल (PEG) 8000 समाधानों का उपयोग किया, जो गाढ़े शहद की तरह होते हैं, जिनकी सांद्रता 10% से 50% तक थी।

परिणाम प्रभावशाली थे। कम एल्जिनेट सामग्री (1.0% तक) वाले जेलों के लिए, AI के अनुमान धीमे जासूस के परिणामों के लगभग समान थे, जो कठोरता के लिए 0.9981 के "फिट" स्कोर के साथ मेल खाते थे। यह ऐसा था जैसे AI और जासूस दोनों एक ही क्रिस्टल बॉल को देख रहे हों। गाढ़े तरल पदार्थों के लिए, AI ने भी श्यानता को सटीक रूप से पकड़ा, पुराने तरीके के साथ 0.9836 के स्कोर के साथ मेल खाया।

चुनौती: AI का एक अंधा मोड़ (Blind Spot)
हालाँकि, यह पेपर इस बारे में बहुत ईमानदार है कि AI कहाँ लड़खड़ा सकता है। AI को नियमों के एक विशिष्ट सेट (एक गणितीय मॉडल जिसे नियो-हुकियन केल्विन-वोइगट मॉडल कहा जाता है) पर प्रशिक्षित किया गया था। यह एक छात्र को केवल एक विशिष्ट प्रकार के समीकरण का उपयोग करके गणित के सवाल हल करना सिखाने जैसा है।

जब वैज्ञानिकों ने उच्च एल्जिनेट सामग्री (1.3% और 2.0%) वाले जेलों पर AI का परीक्षण किया, तो AI थोड़ा भ्रमित होने लगा। इसने भविष्यवाणी की कि उन विशिष्ट नमूनों के लिए कठोरता पुराने तरीके की तुलना में 93.8% और 137.2% अधिक थी। क्यों? क्योंकि उच्च-एल्जिनेट वाले जेल अजीब चीजें करने लगे थे—जैसे गैर-रेखीय (non-linear) तरीके से सख्त होना या यहाँ तक कि थोड़ा फटना—जो AI के प्रशिक्षण नियमों के दायरे में नहीं थे। पेपर सुझाव देता है कि जब सामग्रियां बहुत जटिल हो जाती हैं या टूटने लगती हैं, तो AI की "मनोवैज्ञानिक" शक्तियाँ कमजोर हो जाती हैं क्योंकि उसने अपने प्रशिक्षण पुस्तकालय में उस विशिष्ट प्रकार की अराजकता को नहीं देखा है।

निष्कर्ष
यह पेपर यह दावा नहीं करता कि इसने नरम सामग्रियों के हर रहस्य को सुलझा लिया है। इसके बजाय, यह एक शक्तिशाली नए शॉर्टकट की पेशकश करता है। नरम सामग्रियों की एक विस्तृत श्रृंखला के लिए, चिपचिपे तरल पदार्थों से लेकर खिंचावदार जेलों तक, यह नया AI ढांचा हमें पलक झपकते ही बता सकता है कि वे अत्यधिक गति में कैसे व्यवहार करते हैं। यह एक ऐसी प्रक्रिया को बदल देता है जिसमें घंटों की भारी कंप्यूटिंग लगती थी, अब यह एक सेकंड से भी कम समय का कार्य बन गया है।

शोधकर्ताओं ने अपने "मनोवैज्ञानिक स्पीडस्टर" को उपयोग के लिए एक वेबसाइट पर उपलब्ध भी कराया है, ताकि अन्य वैज्ञानिक भी इसे आजमा सकें। लेकिन वे चेतावनी देते हैं: यदि आपकी सामग्री वास्तव में जंगली और अप्रत्याशित व्यवहार कर रही है जो प्रशिक्षण डेटा में नहीं था, तो AI केवल अनुमान लगा सकता है। यह एक शानदार उपकरण है, लेकिन यह जादू नहीं है—यह केवल बहुत, बहुत अच्छी तरह से प्रशिक्षित गणित है।

तकनीकी सारांश: अल्ट्रा-हाई स्ट्रेन रेट पर प्रयोगात्मक मैकेनिक्स के लिए ट्रांसफॉर्मर-आधारित इनवर्स माइक्रोरियोलॉजी

समस्या विवरण
अल्ट्रा-हाई स्ट्रेन रेट ( $>10^3 \text{ s}^{-1}$ ) के तहत मृदु पदार्थों (soft materials) के रियोलॉजिकल गुणों का लक्षण वर्णन करना लेजर और अल्ट्रासाउंड सर्जरी से लेकर ऊतक यांत्रिकी (tissue mechanics) को समझने तक के अनुप्रयोगों के लिए महत्वपूर्ण है। पारंपरिक रियोलॉजिकल उपकरण (जैसे कि ऑसिलेटरी शीयर प्लेट रियोमेट्री, डायनेमिक मैकेनिकल एनालिसिस) इन चरम स्थितियों में स्थानिक-कालिक (spatiotemporal) रिज़ॉल्यूशन और आक्रामक प्रकृति के कारण सीमित हैं। जबकि इनर्शियल माइक्रोकैविटेशन रियोमेट्री (IMR) लेजर-प्रेरित कैविटेशन के माध्यम से गैर-रेखीय विस्कोइलास्टिक गुणों की जांच करने के लिए एक शक्तिशाली तकनीक के रूप में उभरा है, इसका व्यावहारिक अनुप्रयोग कम्प्यूटेशनल बाधाओं के कारण बाधित है। पारंपरिक IMR इटरेटिव इनवर्स फिटिंग प्रक्रियाओं पर निर्भर करता है ताकि बुलबुले की गतिशीलता को सैद्धांतिक मॉडलों के साथ सुमेलित किया जा सके। यह प्रक्रिया अत्यधिक कम्प्यूटेशनल रूप से महंगी है, जो स्केलेबिलिटी को सीमित करती है और वास्तविक समय या उच्च-थ्रूपुट सामग्री लक्षण वर्णन को रोकती है।

कार्यप्रणाली
लेखक बबल डायनेमिक्स ट्रांसफॉर्मर (BDT) पेश करते हैं, जो एक AI-संवर्धित प्रयोगात्मक मैकेनिक्स फ्रेमवर्क है जिसे इटरेटिव ऑप्टिमाइज़ेशन को दरकिनार करने के लिए डिज़ाइन किया गया है। यह कार्यप्रणाली सीधे इनवर्स कैरेक्टराइजेशन करने के लिए भौतिकी-आधारित सिमुलेशन को ट्रांसफॉर्मर न्यूरल नेटवर्क आर्किटेक्चर के साथ एकीकृत करती है।

प्रयोगात्मक सेटअप: अध्ययन में मृदु पदार्थों (PAAm-अल्जीनेट डबल-नेटवर्क हाइड्रोजेल और PEG 8000 समाधान) के भीतर लेजर-प्रेरित कैविटेशन (LIC) का उपयोग किया गया है। एक पल्स्ड लेजर एक सूक्ष्म बुलबुला (microbubble) उत्पन्न करता है, और इसके रेडियल विस्तार और संकुचन ( $R(t)$ ) को अल्ट्रा-हाई-स्पीड इमेजिंग (1–10 मिलियन fps) का उपयोग करके रिकॉर्ड किया जाता है।
सैद्धांतिक मॉडलिंग: बुलबुले की गतिशीलता एक संशोधित केलर-मिक्सिस (Keller–Miksis) समीकरण द्वारा नियंत्रित होती है, जो आसपास के पदार्थ को एक हाइपर-विस्कोइलास्टिक, असंपीड्य माध्यम के रूप में मानती है। अध्ययन में एक नियो-हुकियन केल्विन-वोइगट (NHKV) कंस्टिट्यूटिव मॉडल का उपयोग किया गया है, जहाँ स्ट्रेस फील्ड को एक शियर मॉड्यूलस ( $G$ ) और एक श्यानता गुणांक ( $\mu$ ) द्वारा परिभाषित किया जाता है।
BDT आर्किटेक्चर: BDT फ्रेमवर्क का मुख्य आधार एक ट्रांसफॉर्मर-आधारित डीप लर्निंग मॉडल है।
- इनपुट: समय-समाधानित बुलबुला त्रिज्या वक्र ( $R(t)$ ), जिसे 100 $\mu$ s अंतराल में 100 डेटा बिंदुओं में विभाजित किया गया है।
- प्रोसेसिंग: मॉडल सेल-अटेंशन मैकेनिज्म का उपयोग करता है ताकि बुलबुले की क्षणिक प्रतिक्रिया (संकुचन, उछाल और डैम्पिंग) में दीर्घकालिक टेम्पोरल डिपेंडेंसी को कैप्चर किया जा सके। यह टोकनाइजेशन, पोजीशनल एनकोडिंग, मल्टी-हेड सेल्फ-अटेंशन और ग्लोबल एवरेज पूलिंग का उपयोग करता है।
- आउटपुट: इटरेटिव सॉल्विंग के बिना सीधे कंस्टिट्यूटिव पैरामीटर्स ( $G$ और $\mu$ ) की भविष्यवाणी।
प्रशिक्षण रणनीति: BDT मॉडल्स (विस्कोइलास्टिसिटी के लिए $G$ और $\mu$ हेतु BDT; केवल विस्कस व्यवहार के लिए BDT-ViscousOnly) को NHKV-आधारित संख्यात्मक सिमुलेशन से उत्पन्न सिंथेटिक डेटासेट पर प्रशिक्षित किया गया था। प्रशिक्षण डेटा में शियर मॉड्यूलस ( $10^3$ – $10^6$ Pa) और श्यानता ( $10^{-4}$ – $10^0$ Pa·s) के लॉगरिदमिक वितरण शामिल थे, जो मृदु पदार्थों के व्यवहार की एक विस्तृत श्रृंखला को कवर करते हैं।

प्रमुख परिणाम

अनुमान सटीकता (Inference Accuracy): BDT मॉडल्स ने सिंथेटिक टेस्ट सेट्स पर उच्च सटीकता प्रदर्शित की, जिसमें शियर मॉड्यूलस के लिए कोएफिशिएंट ऑफ डिटरमिनेशन ( $R^2$ ) 0.9981 और विस्कोइलास्टिक मॉडल में श्यानता के लिए 0.9912, तथा विस्कस-ओनली मॉडल में श्यानता के लिए 0.9836 प्राप्त हुआ।
प्रयोगात्मक सत्यापन:
- हाइड्रोजेल: PAAm-अल्गिनैट हाइड्रोजेल पर लागू किए जाने पर, BDT-Viscoelasticity मॉडल ने 1.0% तक के एल्जिनेट सांद्रता के लिए पारंपरिक IMR फिट्स के साथ उत्कृष्ट सहमति दिखाई। उच्च सांद्रता (1.3% और 2.0%) के लिए, विसंगतियां बढ़ गईं (G में ~137% तक त्रुटि), जिसका कारण गैर-रेखीय स्टिफनिंग, क्षति, या नेटवर्क पुनर्गठन तंत्र है जिन्हें NHKV प्रशिक्षण मॉडल द्वारा कैप्चर नहीं किया गया था।
- विस्कस लिक्विड्स: BDT-ViscousOnly मॉडल ने PEG 8000/पानी के मिश्रण (10–50 w/v%) के लिए प्रभावी श्यानता को सफलतापूर्वक इन्फर किया, जो प्रयोगात्मक गतिशीलता की प्राथमिक संकुचन और डैम्पिंग विशेषताओं को दोहराता है।
कम्प्यूटेशनल दक्षता: फ्रेमवर्क अनुमान समय (inference time) को नाटकीय रूप से कम करता है। जबकि सिंथेटिक डेटासेट जनरेशन में लगभग दो सप्ताह का समय लगा, प्रशिक्षित मॉडल प्रति सैंपल लगभग 0.6 से 0.7 सेकंड में इन्फरेंस करता है। यह पारंपरिक IMR द्वारा आवश्यक इटरेटिव फिटिंग के बिल्कुल विपरीत है, जो वास्तविक समय के करीब लक्षण वर्णन को सक्षम बनाता है।
रेट-डिपेंडेंट व्यवहार: लो-फ्रीक्वेंसी रियोमीटर डेटा के साथ तुलना ने हाइड्रोजेल में महत्वपूर्ण रेट-डिपेंडेंट स्टिफनिंग की पुष्टि की, जिसमें LIC-इन्फर्ड मॉड्युली, लो-फ्रीक्वेंसी बेंचमार्क्स की तुलना में काफी अधिक थे।

महत्व और दावे
यह शोध दावा करता है कि BDT फ्रेमवर्क चरम लोडिंग स्थितियों के तहत मृदु पदार्थों के तीव्र इनवर्स कैरेक्टराइजेशन के लिए एक नया, डेटा-संचालित और भौतिकी-सूचित मार्ग स्थापित करता है। भौतिकी-आधारित सिमुलेशन के साथ ट्रांसफॉर्मर आर्किटेक्चर को एकीकृत करके, यह कार्य पारंपरिक IMR की स्केलेबिलिटी सीमाओं को संबोधित करता है, जो उच्च-थ्रूपुट सामग्री स्क्रीनिंग और इंटेलिजेंट कंस्टिट्यूटिव मॉडलिंग की ओर एक मार्ग प्रशस्त करता है।

लेखक विनम्रतापूर्वक नोट करते हैं कि वर्तमान फ्रेमवर्क की सटीकता इस बात पर निर्भर है कि लक्षित पदार्थ की प्रतिक्रिया NHKV कंस्टिट्यूटिव धारणाओं के अनुरूप हो, जिनका उपयोग सिंथेटिक प्रशिक्षण डेटा में किया गया था। उन सामग्रियों के लिए जो फ्रैक्चर, प्लास्टिसिटी, या विषम अपव्यय (heterogeneous dissipation) जैसे जटिल व्यवहार प्रदर्शित करती हैं जो प्रशिक्षण सेट में प्रतिनिधित्व नहीं हैं, सटीकता कम हो सकती है। फलस्वरूप, लेखक भविष्य के कार्य के रूप में व्यापक कंस्टिट्यूटिव विवरणों और समृद्ध डिसिपेटिव फिजिक्स को शामिल करने की पहचान करते हैं ताकि सामान्यीकरण (generalizability) में सुधार किया जा सके। पुनरुत्पादकता और सामुदायिक उपयोग को समर्थन देने के लिए इस फ्रेमवर्क को Hugging Face Spaces और GitHub के माध्यम से सार्वजनिक रूप से उपलब्ध कराया गया है।

इसी तरह के और पेपर