🔢 mathematics

Physics-Informed Kolmogorov-Arnold Networks for multi-material elasticity problems in electronic packaging

यह शोध पत्र एक फिजिक्स-इन्फॉर्म्ड कोलमोगोरोव-आर्नोल्ड नेटवर्क फ्रेमवर्क प्रस्तावित करता है जो इलेक्ट्रॉनिक पैकेजिंग में मल्टी-मटेरियल इलास्टिसिटी समस्याओं को सटीक रूप से और कुशलतापूर्वक हल करने के लिए ट्रेन करने योग्य बी-स्प्लाइन एक्टिवेशन फंक्शन्स का लाभ उठाता है, जिससे एक एकल नेटवर्क का उपयोग करके पारंपरिक तरीकों के लिए आवश्यक जटिल डोमेन डिकंपोजिशन और इंटरफेस बाधाओं की आवश्यकता समाप्त हो जाती है।

मूल लेखक: Yanpeng Gong, Yida He, Yue Mei, Xiaoying Zhuang, Fei Qin, Timon Rabczuk

प्रकाशित 2026-02-06

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yanpeng Gong, Yida He, Yue Mei, Xiaoying Zhuang, Fei Qin, Timon Rabczuk

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

मुख्य तस्वीर: "जिग्सॉ पज़ल" की समस्या को ठीक करना

कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि एक जटिल इलेक्ट्रॉनिक पैकेज (जैसे आपके फोन के अंदर की चिप) कैसे मुड़ेगा या खिंचेगा जब आप उस पर दबाव डालेंगे। ये पैकेज अलग-अलग सामग्रियों को आपस में जोड़कर बनाए जाते हैं—जैसे तांबे (copper), सिरेमिक और कांच की परतें।

अतीत में, कंप्यूटर वैज्ञानिक इस समस्या को हल करने के लिए फाइनाइट एलीमेंट मेथड (FEM) नामक विधि का उपयोग करते थे। FEM को एक पहेली को हल करने की तरह समझें जहाँ आप तस्वीर को हजारों छोटे, कठोर वर्गों (एक मेश) में काट देते हैं। यदि सामग्रियां अचानक बदलती हैं (जैसे नरम तांबे से कठोर सिरेमिक में जाना), तो पहेली के टुकड़ों को सीमा (boundary) के साथ बहुत सटीकता से काटना पड़ता, अन्यथा तस्वीर विकृत हो जाती। यह सटीक तो है, लेकिन धीमा है और इसमें टुकड़ों को सही ढंग से काटने के लिए बहुत अधिक मैन्युअल काम की आवश्यकता होती है।

फिर, फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स (PINNs) नामक एक नई विधि आई। एक तस्वीर को वर्गों में काटने के बजाय, PINNs एक "स्मार्ट गेसर" (एक न्यूरल नेटवर्क) का उपयोग करते हैं जो सीधे मुड़ने के आकार को सीखता है। हालाँकि, मानक स्मार्ट गेसर्स (जिन्हें MLPs कहा जाता है) "स्मूथ पेंटर्स" (चिकने चित्रकार) की तरह होते हैं; उन्हें तीखी रेखाएं या अचानक बदलाव बनाने में कठिनाई होती है। जब दो सामग्रियां मिलती हैं, तो तनाव (stress) अक्सर अचानक बढ़ जाता है। एक स्मूथ पेंटर उस रेखा को धुंधला कर देता है, जिससे त्रुटियां होती हैं। इसे ठीक करने के लिए, पिछली विधियों को डोमेन को अलग-अलग क्षेत्रों में काटना पड़ता था और दोनों क्षेत्रों को सीमा पर एक-दूसरे से सहमत होने के लिए मजबूर करना पड़ता था, जो कि दो अलग-अलग चित्रकारों को काम पर रखने और लगातार चिल्लाने जैसा है कि वे जोड़ (seam) पर अपने ब्रश के स्ट्रोक को एक जैसा रखें।

नया समाधान: "शेप-शिफ्टिंग" नेटवर्क

यह पेपर PIKAN (फिजिक्स-इन्फॉर्म्ड कोलोमोगोरोव-आर्नोल्ड नेटवर्क) नामक एक नया टूल पेश करता है।

1. नया कलाकार: KANs
लेखकों ने मानक "स्मूथ पेंटर" न्यूरल नेटवर्क को बदलकर एक कोलोमोगोरोव-आर्नोल्ड नेटवर्क (KAN) का उपयोग किया है।

उपमा: कल्पना करें कि एक मानक न्यूरल नेटवर्क एक कठोर रूलर (पैमाना) है; यह बिंदुओं को सीधी रेखाओं या चिकने वक्रों से जोड़कर एक रेखा खींचने की कोशिश करता है। एक KAN छोटे, समायोज्य खंडों (जिन्हें B-splines कहा जाता है) से बना एक लचीला, आकार बदलने वाला (shape-shifting) रूलर है।
यह क्यों महत्वपूर्ण है: क्योंकि ये खंड स्थानीय रूप से अपना आकार बदल सकते हैं, KAN स्वाभाविक रूप से एक तीखा कोना या रेखा में अचानक उछाल बना सकता है, बिना यह बताए कि उसे ड्राइंग को कहाँ रोकना और शुरू करना है। यह विभिन्न सामग्रियों के मिलने वाली "खुरदरी किनारों" को बिना समस्या को अलग-अलग टुकड़ों में काटे, स्वचालित रूप से संभाल लेता है।

2. रणनीति: डीप एनर्जी मेथड (DEM)
पेपर इस नेटवर्क को सिखाने का एक विशिष्ट तरीका उपयोग करता है जिसे डीप एनर्जी मेथड (DEM) कहा जाता है।

उपमा: कल्पना कीजिए कि आप एक धुंधली घाटी (समाधान) के सबसे निचले बिंदु को खोजने की कोशिश कर रहे हैं। हर बिंदु के लिए एक जटिल समीकरण को हल करने के बजाय, नेटवर्क सिस्टम की कुल "ऊर्जा" को कम करने की कोशिश करता है।
लाभ: लेखकों ने पाया कि नेटवर्क को किनारों के नियमों (जैसे बीम के बाएं हिस्से को स्थिर रखना) का स्वतः पालन करने के लिए बनाने से, उन्हें प्रशिक्षण के लिए अतिरिक्त "पेनल्टी" नियमों को जोड़ने की आवश्यकता नहीं पड़ी। यह एक ऐसी स्लाइड बनाने जैसा है जो स्वाभाविक रूप से जमीन पर समाप्त होती है, बजाय इसके कि हवा में एक स्लाइड बनाई जाए और उम्मीद की जाए कि बच्चे गिरेंगे नहीं।

उन्होंने क्या परीक्षण किया

शोधकर्ताओं ने इस नए "शेप-शिफ्टिंग" नेटवर्क का कई परिदृश्यों पर परीक्षण किया:

बेंडिंग बीम्स (मुड़ने वाली बीम): उन्होंने दो या तीन अलग-अलग सामग्रियों से बनी बीम का अनुकरण किया जिनमें सीधी, लहरदार और सीढ़ीनुमा इंटरफेस थे।
प्लेट्स में छेद: उन्होंने दो अलग-अलग सामग्रियों से बनी एक प्लेट का परीक्षण किया जिसके बीच में एक छेद था।
वास्तविक दुनिया के इलेक्ट्रॉनिक्स: उन्होंने इसे एक DBC सबस्ट्रेट (पावर इलेक्ट्रॉनिक्स में उपयोग किया जाने वाला तांबे की परतों के बीच सैंडविच किया गया सिरेमिक) और एक TGV संरचना (उन्नत पैकेजिंग में उपयोग किए जाने वाले तांबे के स्तंभों वाला कांच) पर लागू किया।

परिणाम: सुचारू, तेज़ और अधिक सटीक

जब उन्होंने PIKAN की पुराने तरीकों (जैसे "दो-पेंटर" दृष्टिकोण) के साथ तुलना की:

सटीकता: PIKAN ने बहुत अधिक सटीकता के साथ भविष्यवाणी की कि सामग्रियां कैसे मुड़ेंगी और तनाव कहाँ सबसे अधिक होगा। यह सामग्रियों के बीच की तीखी सीमाओं से भ्रमित नहीं हुआ।
सरलता: उन्हें पूरे समस्या को हल करने के लिए केवल एक ही सिंगल नेटवर्क की आवश्यकता थी, चाहे उसके अंदर कितनी भी सामग्रियां हों। पुरानी विधियों को कई नेटवर्क और जटिल नियमों की आवश्यकता थी ताकि वे एक-दूसरे से बात कर सकें।
दक्षता: समान या बेहतर परिणाम प्राप्त करने के लिए नए तरीके को पुराने तरीकों की तुलना में कम "पैरामीटर्स" (नेटवर्क की आंतरिक सेटिंग्स) की आवश्यकता थी।

निष्कर्ष (The Bottom Line)

यह पेपर दिखाता है कि एक नए प्रकार के न्यूरल नेटवर्क (KAN) का उपयोग करके जो तीखे बदलावों को संभालने में स्वाभाविक रूप से सक्षम है, और एक ऊर्जा-आधारित सीखने की रणनीति के साथ मिलकर, हम जटिल, बहु-सामग्री इलेक्ट्रॉनिक पैकेज का बहुत आसानी से और सटीकता से अनुकरण कर सकते हैं। यह जटिल "डोमेन डिकंपोजिशन" (समस्या को टुकड़ों में काटने) की आवश्यकता को हटा देता है और कंप्यूटर को सामग्री की सीमाओं के भौतिकी (physics) को अपने आप समझने देता है।

नोट (सीमाएं): पेपर स्पष्ट रूप से बताता है कि हालांकि यह 2D उदाहरणों (सपाट स्लाइस) के लिए बहुत अच्छा काम करता है, लेकिन इसे पूर्ण 3D वस्तुओं तक विस्तारित करना एक भविष्य की चुनौती है जिसके लिए अधिक शोध की आवश्यकता है। वे यह भी नोट करते हैं कि KANs क्यों इतने अच्छे से काम करते हैं, इसके पीछे के गणितीय सिद्धांत की अभी भी पूरी तरह से खोज की जा रही है।

तकनीकी सारांश: इलेक्ट्रॉनिक पैकेजिंग में बहु-सामग्री प्रत्यास्थता समस्याओं के लिए फिजिक्स-इन्फॉर्म्ड कोलोमोगोरोव-आर्नोल्ड नेटवर्क

समस्या विवरण
इलेक्ट्रॉनिक पैकेजिंग संरचनाओं में विषम सामग्रियां (heterogeneous materials) होती हैं जिनमें विशिष्ट यांत्रिक गुण होते हैं, जो जटिल बहु-सामग्री प्रणालियों का निर्माण करती हैं जो तीक्ष्ण इंटरफेस (sharp interfaces) और सामग्री गुणों की विच्छिन्नता (discontinuities) द्वारा चिह्नित होती हैं। पारंपरिक संख्यात्मक विधियाँ, जैसे कि परिमित तत्व विधि (Finite Element Method - FEM), जटिल ज्यामिति को मॉडल करने के लिए मेश विरूपण (mesh distortion), स्थानीय क्षेत्र रिज़ॉल्यूशन और कम्प्यूटेशनल दक्षता जैसी चुनौतियों का सामना करती हैं। जबकि फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINNs) एक मेश-मुक्त विकल्प प्रदान करते हैं, मल्टी-लेयर पर्सेप्ट्रॉन (MLPs) का उपयोग करने वाले मानक कार्यान्वयन बहु-सामग्री समस्याओं के लिए संघर्ष करते हैं। पारंपरिक PINN दृष्टिकोणों के लिए आमतौर पर डोमेन डिकंपोजिशन (प्रत्येक सामग्री के लिए डोमेन को उप-डोमेन में विभाजित करना) और पेनल्टी टर्म्स के माध्यम से इंटरफेस निरंतरता बाधाओं को पेश करने की आवश्यकता होती है। इसके लिए व्यापक हाइपरपैरामीटर ट्यूनिंग की आवश्यकता होती है और यह अक्सर अभिसरण (convergence) संबंधी समस्याओं का कारण बनता है, विशेष रूप से जटिल इंटरफेस ज्यामिति के लिए। इसके अतिरिक्त, MLPs स्पेक्ट्रल बायस (spectral bias) से ग्रस्त हो सकते हैं, जिससे उनकी उच्च-आवृत्ति विशेषताओं और बहु-सामग्री समाधानों में निहित तीक्ष्ण संक्रमणों को पकड़ने की क्षमता सीमित हो जाती है।

कार्यप्रणाली
यह शोध पत्र एक फिजिक्स-इन्फॉर्म्ड कोलोमोगोरोव-आर्नोल्ड नेटवर्क (PIKAN) ढांचे का प्रस्ताव करता है जो डोमेन डिकंपोजिशन के बिना बहु-सामग्री प्रत्यास्थता समस्याओं को हल करने के लिए डीप एनर्जी मेथड (DEM) के साथ एकीकृत है।

डीप एनर्जी मेथड (DEM): नियंत्रित आंशिक अंतर समीकरणों (PDEs) के स्ट्रॉन्ग फॉर्म को हल करने के बजाय, यह विधि कुल संभावित ऊर्जा फलन (total potential energy functional) को कम करती है। लॉस फंक्शन का निर्माण आंतरिक स्ट्रेन ऊर्जा और बाहरी क्षमता ऊर्जा के बीच के अंतर के रूप में किया जाता है। यह वेरिएशनल दृष्टिकोण डेरिवेटिव के आवश्यक क्रम को कम करता है और आमतौर पर प्रत्यास्थता समस्याओं के लिए उच्च सटीकता और दक्षता प्रदान करता है।
एडमिसिबल डिस्प्लेसमेंट फील्ड्स (Admissible Displacement Fields): आवश्यक बाउंडरी कंडीशंस को पेनल्टी टर्म्स के बिना सख्ती से संतुष्ट करने के लिए, डिस्प्लेसमेंट फील्ड को $u_{pred}(x) = P(x) + D(x) \odot F(x; \theta)$ के रूप में निर्मित किया गया है, जहाँ $P(x)$ बाउंड्री वैल्यूज को संतुष्ट करता है, $D(x)$ बाउंड्री के लिए एक डिस्टेंस फंक्शन है, और $F(x; \theta)$ न्यूरल नेटवर्क आउटपुट है। यह सुनिश्चित करता है कि बाउंड्री कंडीशंस निर्माण द्वारा ही पूरी हो जाएं।
कोलोमोगोरोव-आर्नोल्ड नेटवर्क (KANs): मुख्य नवाचार पारंपरिक MLPs को KANs से बदलना है। MLPs के विपरीत, जो नोड्स पर फिक्स्ड एक्टिवेशन फंक्शन्स और एडजेस पर लर्न करने योग्य वेट्स का उपयोग करते हैं, KANs एडजेस पर लर्न करने योग्य यूनिवेरिएट एक्टिवेशन फंक्शन्स (B-splines के रूप में पैरामीटराइज्ड) रखते हैं।
- विच्छिन्नता को संभालना: B-spline बेसिस फंक्शन्स में लोकल सपोर्ट और पीसवाइज विशेषताएं होती हैं। यह एक एकल KAN को अलग-अलग सामग्रियों के लिए अलग नेटवर्क या स्पष्ट इंटरफेस निरंतरता बाधाओं की आवश्यकता के बिना, सामग्री इंटरफेस के पार स्ट्रेस और स्ट्रेन ग्रेडिएंट्स में विच्छिन्नता को स्वाभाविक रूप से अनुमानित करने की अनुमति देता है।
- आर्किटेक्चर: नेटवर्क में ट्रेन करने योग्य B-spline गुणांक (coefficients), स्केलिंग फैक्टर्स और वैकल्पिक लीनियर वेट्स का उपयोग किया जाता है। इनपुट को B-spline डेफिनेशन डोमेन में फिट होने के लिए नॉर्मलाइज किया जाता है, और स्थिरता बनाए रखने के लिए इंटरमीडिएट लेयर आउटपुट्स को $\tanh$ फंक्शन का उपयोग करके प्रतिबंधित किया जाता है।
संख्यात्मक एकीकरण (Numerical Integration): अध्ययन लॉस फंक्शन में एनर्जी इंटीग्रल्स को अनुमानित करने के लिए विभिन्न संख्यात्मक एकीकरण स्कीम्स (ट्रायंगुलर, सिम्पसन, ट्रैपेज़ॉइडल, मोंटे कार्लो और डेलाने) का मूल्यांकन करता है। यह दिखाया गया है कि एकीकरण स्कीम का चुनाव समाधान की सटीकता को महत्वपूर्ण रूप से प्रभावित करता है, विशेष रूप से उच्च स्ट्रेस ग्रेडिएंट वाले क्षेत्रों में।

प्रमुख योगदान

बहु-सामग्रियों के लिए PIKAN फ्रेमवर्क: एक PIKAN कार्यप्रणाली का विकास जो KANs को डीप एनर्जी मेथड के साथ एकीकृत करता है, जो B-splines की अंतर्निहित पीसवाइज प्रकृति का लाभ उठाकर सामग्री की विच्छिन्नता को स्वाभाविक रूप से समायोजित करता है।
डोमेन डिकंपोजिशन का उन्मूलन: यह प्रदर्शन कि एक एकल KAN पूरे बहु-सामग्री डोमेन में डिस्प्लेसमेंट फील्ड्स को अनुमानित कर सकता है, जिससे उप-डोमेन विभाजन और संबंधित इंटरफेस निरंतरता पेनल्टी टर्म्स और हाइपरपैरामीटर ट्यूनिंग की आवश्यकता समाप्त हो जाती है।
व्यापक सत्यापन: स्ट्रेट, वेवी और स्टेप्ड इंटरफेस वाले कैंटिलीवर बीम, एक केंद्रीय होल वाली हेटेरोजेनियस प्लेट, और इलेक्ट्रॉनिक पैकेजिंग संरचनाओं (DBC सबस्ट्रेट्स और TGV-Cu संरचनाएं) पर व्यापक संख्यात्मक प्रयोग।
व्यवस्थित विश्लेषण: एकीकरण स्कीम्स और हाइपरपैरामीटर्स की संवेदनशीलता का विस्तृत अन्वेषण, जो पुनरुत्पादकता के लिए कार्यान्वयन विवरण और सोर्स कोड प्रदान करता है।

परिणाम

सटीकता और मजबूती: PIKA ने सभी परीक्षण किए गए बहु-सामग्री कॉन्फ़िगरेशन में FEM संदर्भ समाधानों के साथ उत्कृष्ट सहमति प्रदर्शित की। इसने सामग्री के इलास्टिक मॉडुलस में अत्यधिक अंतर (जैसे, दो ऑर्डर ऑफ मैग्नीट्यूड तक) के बावजूद, इंटरफेस के पास जटिल डिस्प्लेसमेंट फील्ड्स और स्ट्रेस कंसंट्रेशन को सफलतापूर्वक कैप्चर किया।
डोमेन डिकंपोजिशन के साथ तुलना: कंजर्वेटिव एनर्जी न्यूरल नेटवर्क (CENN) के साथ तुलना करने पर, जो अलग-अलग MLPs के साथ डोमेन डिकंपोजिशन का उपयोग करता है, PIKA ने बेहतर सटीकता दिखाई। CENN ने जटिल ज्यामिति (वेवी और स्टेप्ड इंटरफेस) में, विशेष रूप से पेनल्टी टर्म्स के माध्यम से निरंतरता लागू करने की चुनौतियों के कारण, इंटरफेस पर स्पष्ट डिस्प्लेसमेंट विच्छिन्नता और स्ट्रेस ऑसिलेशन प्रदर्शित किया।
इंटीग्रेशन स्कीम संवेदनशीलता: ट्रायंगुलर इंटीग्रेशन ने आम तौर पर सबसे तेज़ अभिसरण और उच्चतम सटीकता प्रदान की। डेलाने इंटीग्रेशन ने कमजोर अभिसरण और उच्च त्रुटि दिखाई, विशेष रूप से घुमावदार इंटरफेस के लिए, जो वेरिएशनल PINNs में एकीकरण स्कीम की महत्वपूर्ण भूमिका को उजागर करता है।
पैरामीटर दक्षता: PIKA ने MLP-आधारित CENN दृष्टिकोण की तुलना में कम ट्रेन करने योग्य पैरामीटर्स के साथ उच्च सटीकता प्राप्त की। उदाहरण के लिए, कैंटिलीवर बीम उदाहरणों में, PIKA ने लगभग 1,050 पैरामीटर्स का उपयोग किया, जबकि CENN ने 3,500 से अधिक का।
इलेक्ट्रॉनिक पैकेजिंग अनुप्रयोग: विधि का उपयोग DBC सबस्ट्रेट्स में वार्पिंग और थ्रू ग्लास वाया (TGV) संरचनाओं (इंटरफेस रफनेस और डुअल-वाया कॉन्फ़िगरेशन सहित) में स्ट्रेस वितरण का विश्लेषण करने के लिए सफलतापूर्वक किया गया था।

महत्व और दावे
शोध का दावा है कि PIKA पारंपरिक डोमेन डिकंपोजिशन विधियों की तुलना में बहु-सामग्री सॉलिड मैकेनिक्स समस्याओं के लिए अधिक संक्षिप्त और मजबूत समाधान प्रतिमान (paradigm) प्रदान करता है। KANs की पीसवाइस एप्रोक्सिमेशन क्षमताओं का उपयोग करके, यह विधि जटिल इंटरफेस बाधा प्रबंधन और हाइपरपैरामीटर ट्यूनिंग की आवश्यकता को समाप्त करके कम्प्यूटेशनल फ्रेमवर्क को सरल बनाती है। लेखक तर्क देते हैं कि यह दृष्टिकोण विशेष रूप से इलेक्ट्रॉनिक पैकेजिंग विश्लेषण के लिए उपयुक्त है, जहाँ बहु-सामग्री इंटरफेस सर्वव्यापी हैं।

अध्ययन स्वीकार करता है कि जबकि KANs का सैद्धांतिक अभिसरण अभी भी एक सक्रिय अनुसंधान क्षेत्र है, इन प्रत्यास्थता समस्याओं में इनका अनुभवजन्य प्रदर्शन उत्साहजनक है। लेखक नोट करते हैं कि वर्तमान कार्य 2D उदाहरणों तक सीमित है और इस पद्धति को 3D संरचनाओं तक विस्तारित करने में कम्प्यूटेशनल स्केलेबिलिटी और मानक KANs की 3D भौतिक नियमों (E(3) ट्रांसफॉर्मेशन) को दर्शाने की सैद्धांतिक सीमाओं से जुड़ी चुनौतियाँ हैं। भविष्य के कार्य के रूप में हाइब्रिड MLP-KAN आर्किटेक्चर और कठोर गणितीय अभिसरण प्रमाणों की खोज करने का सुझाव दिया गया है। शोध निष्कर्ष निकालता है कि PIKA विषम सामग्री समस्याओं के लिए फिजिक्स-इन्फॉर्म्ड डीप लर्निंग को लागू करने में एक महत्वपूर्ण कदम है, जो इलेक्ट्रॉनिक पैकेजिंग में अधिक कुशल और सटीक विश्वसनीयता विश्लेषण के लिए एक मार्ग प्रदान करता है।

मुख्य तस्वीर: "जिग्सॉ पज़ल" की समस्या को ठीक करना

नया समाधान: "शेप-शिफ्टिंग" नेटवर्क

उन्होंने क्या परीक्षण किया

परिणाम: सुचारू, तेज़ और अधिक सटीक

निष्कर्ष (The Bottom Line)

इसी तरह के और पेपर