Missing Physics Discovery through Fully Differentiable Finite Element-Based Machine Learning
यह शोध पत्र FEML को प्रस्तुत करता है, जो एक पूर्णतः विभेदनीय (fully differentiable) परिमित तत्व-आधारित मशीन लर्निंग ढांचा है जो प्रशिक्षण में PDE सॉल्वर को समाहित करके लुप्त भौतिकी के लिए विन्यास-स्वतंत्र (configuration-independent) संविधानिक नियमों की खोज करता है, जिससे ज्यामिति और सीमा स्थितियों के बीच ज़ीरो-शॉट ट्रांसफर सक्षम होता है और सिंथेटिक एवं वास्तविक दुनिया के डेटा दोनों से व्याख्या योग्य भौतिक मॉडलों को पुनः प्राप्त किया जा सकता है।
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 आप एक आदर्श केक बनाने की कोशिश कर रहे हैं, लेकिन आपके पास केवल आधी रेसिपी है। आप जानते हैं कि ओवन कैसे काम करता है (गर्मी, टाइमर, पैन का आकार), और आप उन सामग्रियों को भी जानते हैं जो आपके पास हैं। लेकिन गुप्त सामग्री—जिस तरह से आटा चीनी के साथ प्रतिक्रिया करता है ताकि केक बिल्कुल सही तरीके से फूल सके—एक रहस्य है। भौतिकी और इंजीनियरिंग की दुनिया में, वैज्ञानिक हर दिन ठीक इसी समस्या का सामना करते हैं। उनके पास शक्तिशाली गणितीय नियम हैं जिन्हें "पार्शियल डिफरेंशियल इक्वेशन्स" (PDEs) कहा जाता है, जो यह बताते हैं कि चीजें कैसे चलती हैं, गर्म होती हैं या मुड़ती हैं। ये नियम ओवन के निर्देशों की तरह हैं। हालांकि, वे विशिष्ट "नियम" जो यह बताते हैं कि ओवन के अंदर कोई सामग्री कैसे व्यवहार करती है—जैसे कि धातु का एक टुकड़ा कैसे खिंचता है या गर्मी एक चट्टान के माध्यम से कैसे चलती है—अक्सर गायब होते हैं या लिखने में बहुत जटिल होते हैं। इन गायब नियमों के बिना, वैज्ञानिक यह भविष्यवाणी नहीं कर सकते कि एक पुल भार सह पाएगा या यान अंतरिक्ष में पुनः प्रवेश (re-entry) के दौरान जीवित बचेगा या नहीं।
यहीं पर FEML (फाइनाइट एलीमेंट-बेस्ड मशीन लर्निंग) नामक एक नया दृष्टिकोण आता है, जो एक सुपर-स्मार्ट जासूस की तरह काम करता है जो केक को चखे बिना ही गायब रेसिपी के रहस्य को सुलझा सकता है। केवल परिणाम का अनुमान लगाने के बजाय, FEML एक कठोर भौतिकी सिम्युलेटर को एक सीखने वाले कंप्यूटर प्रोग्राम के साथ जोड़ता है। यह अज्ञात भौतिक नियम को एक "ब्लैक बॉक्स" के रूप में मानता है जिसे यह पूरे सिस्टम की प्रतिक्रिया को देखकर समझने की कोशिश करता है। यदि सिस्टम एक पुल है, तो FEML देखता है कि वजन के नीचे पुल कैसे झुकता है और पीछे की ओर काम करके उस छिपे हुए नियम को खोज निकालता है जो स्टील को खिंचने के बारे में बताता है। इस पद्धति की सुंदरता यह है कि यह केवल एक विशिष्ट पुल के लिए नहीं सीखता; यह स्वयं उस नियम को सीखता है। एक बार जब यह समझ जाता है कि स्टील कैसे व्यवहार करता है, तो उस नियम को पूरी तरह से अलग आकार, आकार या सामग्री पर लागू किया जा सकता है, भले ही कंप्यूटर ने उस विशिष्ट सेटअप को पहले कभी न देखा हो। यह एक भाषा के व्याकरण को इतनी अच्छी तरह सीखने जैसा है कि आप तुरंत एक नए वाक्य को समझ सकें जिसे आपने पहले कभी नहीं सुना, बजाय इसके कि आप केवल वाक्यांशों की एक सूची याद करें।
इस अध्ययन के पीछे के शोधकर्ताओं, अडो फारसी, नासिम बुज़ियानी और डेविड ए. हम ने, "लापता भौतिकी" की समस्या से निपटने के लिए इस ढांचे को पेश किया है। उन्होंने एक उच्च-स्तरीय भौतिकी सॉल्वर (जो संरचनाओं और गर्मी के व्यवहार की गणना करता है) को सीधे एक मशीन लर्निंग मॉडल के साथ जोड़ने वाला एक सिस्टम बनाया। मुख्य नवाचार यह है कि पूरा सिस्टम "डिफरेंशिएबल" (differentiable) है, जिसका अर्थ है कि कंप्यूटर सटीक रूप से गणना कर सकता है कि छिपे हुए नियम में एक सूक्ष्म परिवर्तन अंतिम परिणाम को कैसे प्रभावित करता है, जिससे यह वास्तविक दुनिया के मापों के मार्गदर्शन में परीक्षण और त्रुटि (trial and error) के माध्यम से नियम सीख सकता है।
अपने प्रयोगों में, उन्होंने खोज की प्रक्रिया को कठिनाई के बढ़ते स्तरों वाले एक वीडियो गेम की तरह माना। सबसे पहले, उन्होंने एक सरल परिदृश्य को सुलझाया: एक ऐसी सामग्री जो दबने पर नरम हो जाती है (जैसे फोम)। उन्होंने सिस्टम को एक साधारण स्क्वीज़ टेस्ट (दबाव परीक्षण) से प्राप्त डेटा दिया जहाँ उन्हें पता था कि कितना बल लगाया गया और उसके परिणामस्वरूप कितनी हलचल हुई। सिस्टम ने सफलतापूर्वक उस छिपे हुए नियम को सीख लिया जो सामग्री की कठोरता (stiffness) में बदलाव को दर्शाता है, भले ही उसने आंतरिक तनाव (internal stress) को सीधे कभी नहीं मापा। इसके बाद, वे एक कठिन स्तर पर गए: एक ऐसी सामग्री जो प्लास्टिक की तरह व्यवहार करती है, जो एक निश्चित बिंदु के बाद स्थायी रूप से मुड़ जाती है। यहाँ, उन्होंने एक "प्रोग्रेसिव डिस्कवरी" (क्रमिक खोज) रणनीति का उपयोग किया। उन्होंने उस नियम को लिया जिसे उन्होंने पहले इलास्टिक भाग के लिए सीखा था और उसे "फ्रीज" कर दिया, यानी उसे लॉक कर दिया। फिर, उन्होंने सिस्टम से केवल नए भाग को समझने के लिए कहा: कि कैसे सामग्री खिंचने पर सख्त होती है। समस्या को चरणों में तोड़कर, सिस्टम ने उच्च सटीकता के साथ एक जटिल प्लास्टिक-हार्डनिंग लॉ (hardening law) को सीखा।
असली जादू तब हुआ जब उन्होंने परीक्षण किया कि क्या उनके सीखे हुए नियम यात्रा कर सकते हैं। उन्होंने खोजे गए दोनों नियमों (इलास्टिक सॉफ्टनिंग और प्लास्टिक हार्डनिंग) को लेकर उन्हें एक एकल "फाउंडेशन मॉडल" में मिला दिया। फिर, उन्होंने इस मॉडल को एक पूरी तरह से नए, तीन-आयामी (3D) सिमुलेशन में डाल दिया, जिसमें एक धातु की छड़ थी जिसमें एक अजीब कीहोल (keyhole) के आकार का स्लॉट था और उसे घुमाया जा रहा था। यह एक पूरी तरह से अलग आकार था और तनाव का एक अलग प्रकार था जिस पर मॉडल को प्रशिक्षित किया गया था। उल्लेखनीय रूप से, मॉडल ने बिना किसी पुन: प्रशिक्षण (retraining) के, लगभग पूर्ण सटीकता के साथ छड़ के व्यवहार की भविष्यवाणी की। यह "जीरो-शॉट" ट्रांसफर साबित करता है कि सिस्टम ने वास्तव में भौतिकी को सीखा, न कि केवल एक विशिष्ट आकार के लिए कोई ट्रिक।
यह दिखाने के लिए कि यह केवल सिमुलेशन में ही नहीं, बल्कि वास्तविक दुनिया में भी काम करता है, उन्होंने एक टाइटेनियम मिश्र धातु (titanium alloy) के बेंचमार्क परीक्षण से प्राप्त वास्तविक प्रयोगात्मक डेटा पर FEML को लागू किया। इस परीक्षण में, सामग्री को तब तक शेयर्ड (sheared) किया गया जब तक कि वह टूट नहीं गई, एक ऐसी प्रक्रिया जिसमें प्लास्टिक हार्डनिंग और "डक्टाइल डैमेज" (सामग्री का कमजोर होना जैसे कि दरारें आना) दोनों शामिल थे। सिस्टम ने वास्तविक प्रयोग के शोर भरे, अस्त-व्यस्त डेटा से सीधे हार्डनिंग नियम और डैमेज नियम दोनों को सीखा। इसने परीक्षण के पूरे वक्र (curve) को सफलतापूर्वक पुनरुत्पादित किया, जिसमें वह पेचीदा हिस्सा भी शामिल था जहाँ सामग्री टूटने से ठीक पहले नरम होने लगती है, और वास्तविक नमूनों की स्वाभाविक भिन्नता के भीतर सटीक परिणाम दिए।
अंत में, टीम ने दिखाया कि वे अपने प्रशिक्षित जटिल न्यूरल नेटवर्क को "सिंबोलिक रिग्रेशन" नामक तकनीक का उपयोग करके वापस एक सरल, मानव-पठनीय गणितीय सूत्र में अनुवादित कर सकते हैं। एक हीट ट्रांसफर (ऊष्मा स्थानांतरण) प्रयोग में, सिस्टम ने सीखा कि तापमान के साथ तापीय चालकता (thermal conductivity) कैसे बदलती है। जब उन्होंने कंप्यूटर से एक सरल समीकरण खोजने के लिए कहा, तो इसने एक पावर-लॉ फॉर्मूला खोज निकाला जो वास्तविक भौतिक नियम के लगभग समान था, भले ही कंप्यूटर को यह नहीं बताया गया था कि फॉर्मूला कैसा दिखना चाहिए।
संक्षेप में, यह शोध पत्र प्रकृति के छिपे हुए नियमों को खोजने का एक शक्तिशाली नया तरीका प्रदर्शित करता है। मशीन लर्निंग को सीधे भौतिकी सिमुलेशन के भीतर समाहित करके, शोधकर्ताओं ने एक ऐसा उपकरण बनाया जो अप्रत्यक्ष मापों से भौतिक संबंधों को सीख सकता है, उन नियमों को नई स्थितियों में लागू कर सकता है, और उन्हें स्पष्ट गणितीय सूत्रों के रूप में भी व्यक्त कर सकता है। यह एक ऐसे भविष्य का सुझाव देता है जहाँ हम जटिल सामग्रियों और प्रणालियों के रहस्यों को उजागर कर सकते हैं, जिससे कंप्यूटर को डेटा से सीधे खेल के नियम सीखने की अनुमति मिलती है, जो हमारे ज्ञात और हमें निर्माण करने के लिए आवश्यक ज्ञान के बीच के अंतर को पाटता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।