Micro-macro kinetic flux-vector splitting schemes for the multidimensional Boltzmann-ES-BGK equation

कल्पना कीजिए कि आप एक विशाल, खाली स्टेडियम में लोगों की भीड़ के चलने के तरीके का अनुमान लगाने की कोशिश कर रहे हैं। यदि स्टेडियम कंधों से कंधा मिलाकर भरा हुआ है, तो भीड़ एक घने, बहते हुए नदी की तरह व्यवहार करती है; आप पूरे समूह को दबाव और गति के सरल नियमों के साथ वर्णित कर सकते हैं। लेकिन क्या होगा यदि स्टेडियम लगभग खाली है, और केवल कुछ लोग इधर-उधर घूम रहे हैं, जो शायद ही कभी एक-दूसरे से टकराते हैं? अचानक, "नदी" वाले नियम टूट जाते हैं। आप केवल औसत प्रवाह को नहीं देख सकते; आपको हर एक व्यक्ति के पथ, उसकी गति और यह कि वे कब गलती से किसी से टकरा सकते हैं, इसका पता लगाना होगा। यह "रेयरिफाइड गैसों" (rarefied gases) के अध्ययन की चुनौती है—ऐसी गैसें इतनी पतली होती हैं कि उनके अणु एक चिकने तरल के बजाय व्यक्तिगत बिलियर्ड बॉल्स की तरह कार्य करते हैं। यह ऊपरी वायुमंडल में होता है जहाँ उपग्रह उड़ते हैं, माइक्रोचिप्स के सूक्ष्म चैनलों में, और अंतरिक्ष यान के इंजनों में। वैज्ञानिक इन व्यक्तिगत अणुओं को ट्रैक करने के लिए बोल्ट्ज़मैन समीकरण (Boltzmann equation) नामक एक जटिल गणितीय विधि का उपयोग करते हैं, लेकिन यह इतना गणनात्मक रूप से भारी है कि यह समुद्र के ज्वार की गति देखने के लिए समुद्र तट के हर एक रेत के कण का अनुकरण करने जैसा है।

द दशकों से, शोधकर्ताओं ने एक बीच का रास्ता खोजने की कोशिश की है। उन्होंने बीजीके (BGK) मॉडल जैसे शॉर्टकट विकसित किए हैं, जो गणित को तेज़ बनाने के लिए टकरावों को सरल बनाते हैं। हालाँकि, ये शॉर्टकट तब विफल हो जाते हैं जब गैस एक कठिन "बीच की" स्थिति में होती है—न तो पूरी तरह से एक चिकना तरल, और न ही पूरी तरह से अकेले कणों का संग्रह। वे गर्मी और घर्षण का गलत अनुमान लगाते हैं, जिससे भविष्यवाणियाँ गलत हो जाती हैं। यहीं पर जेम्स ए. रोस्मानिथ और पी. सार का नया काम काम आता है। उन्होंने एक चतुर नया कंप्यूटर तरीका बनाया है जो समस्या को दो भागों में विभाजित करता है: एक "मैक्रो" (macro) भाग जो चिकने, तरल जैसे व्यवहार को संभालता है, और एक "माइक्रो" (micro) भाग जो केवल उन छोटे, अराजक विचलों (deviations) को ट्रैक करता है जो चिकने प्रवाह से अलग होते हैं। ऐसा करके, वे पहले की तुलना में बहुत कम कंप्यूटिंग शक्ति के साथ जटिल गैस प्रवाहों का अनुकरण कर सकते हैं, जबकि भौतिकी को सही रखते हैं, भले ही गैस बहुत पतली हो।

स्प्लिट-ब्रेन गैस की कहानी

रोस्मानिथ और सार ने जो किया है उसे समझने के लिए, आइए गैस के अणुओं को एक अराजक झुंड के रूप में नहीं, बल्कि एक नृत्य दल (dance troupe) के रूप में कल्पना करें। एक भीड़भाड़ वाले कमरे में (उच्च दबाव), सभी एक तालमेल वाले, तरल लहर की तरह चलते हैं। यह नृत्य का "मैक्रो" हिस्सा है—आसान-से-अनुमानित प्रवाह। लेकिन एक विरल कमरे में (कम दबाव), नर्तक अपनी स्क्रिप्ट से भटकने लगते हैं, और बेतरतीब ढंग से एक-दूसरे से टकराते हैं। यह "माइक्रो" हिस्सा है—अराजक, व्यक्तिगत अव्यवस्था।

पुराने तरीके हर क्षण हर एक नर्तक के कदमों के संचालन को ट्रैक करने की कोशिश करते थे, जो अविश्वसनीय रूप से धीमा है और इसके लिए विशाल कंप्यूटरों की आवश्यकता होती है। अन्य तरीकों ने उन अव्यवस्थित नर्तकों को पूरी तरह से अनदेखा करने और केवल औसत लहर का अनुमान लगाने की कोशिश की, लेकिन यह तब विफल हो जाता है जब नर्तक लय बिगाड़ने लगते हैं। लेखकों का नया दृष्टिकोण एक निर्देशक को नियुक्त करने जैसा है जो पूरे दल (मैक्रो) को देखता है लेकिन केवल उन कुछ नर्तकों से रिपोर्ट मांगता है जो लय तोड़ रहे हैं (माइक्रो)।

यह पेपर एक "माइक्रो-मैक्रो डिकंपोजिशन" योजना पेश करता है। इसे एक दो-परत वाले सिमुलेशन के रूप में सोचें। निचली परत मैक्रो है, जो एक तरल समीकरण को हल करती है। यह राजमार्ग पर यातायात के सामान्य प्रवाह की भविष्यवाणी करने जैसा है। ऊपरी परत माइक्रो है, जो केवल "शोर" (noise) को हल करती है—यानी उस चिकने यातायात प्रवाह से होने वाले छोटे विचलन। क्योंकि शोर आमतौर पर छोटा होता है, कंप्यूटर को पूरे राजमार्ग का बहुत विस्तृत मानचित्र बनाने की आवश्यकता नहीं होती है; इसे बस उन अनिश्चित चालकों को ट्रैक करने के लिए कुछ अतिरिक्त लेन की आवश्यकता होती है। यह विधि को पारंपरिक तरीकों की तुलना में बहुत छोटा "वेलोसिटी मेश" (गति का ग्रिड) उपयोग करने की अनुमति देता है, जिससे कंप्यूटर के समय की भारी बचत होती है।

"एसिम्प्टोटिक प्रिजर्विंग" स्विच का जादू

गैस भौतिकी में सबसे बड़े सिरदर्द में से एक "नूडसन नंबर" (Knudsen number, जिसे $\varepsilon$ द्वारा दर्शाया गया है) है। यह नंबर आपको बताता है कि गैस कितनी "रेयरिफाइड" (विरल) है। यदि $\varepsilon$ बहुत छोटा है, तो गैस एक तरल की तरह व्यवहार करती है। यदि $\varepsilon$ बहुत बड़ा है, तो यह व्यक्तिगत कणों की तरह व्यवहार करती है। समस्या यह है कि अधिकांश कंप्यूटर कोड इन दोनों दुनियाओं के बीच स्विच करते समय टूट जाते हैं। वे एक तरल के लिए बहुत अच्छे हो सकते हैं, लेकिन जब गैस पतली हो जाती है तो क्रैश हो सकते हैं, या इसके विपरीत।

लेखकों की विधि "एसिम्प्टोटिक प्रिजर्विंग" (AP) है। कल्पना कीजिए कि एक कैमरे में एक विशेष लेंस है। जब आप एक तरल पर ज़ूम करते हैं, तो यह आपको चिकनी लहरें दिखाता है। जब आप विरल गैस की ओर ज़ूम आउट करते हैं, तो यह बिना आपके कैमरा सेटिंग्स बदलने या कोड को फिर से लिखे बिना, स्वचालित रूप से व्यक्तिगत कणों को दिखाने के लिए स्विच हो जाता है। पेपर गणितीय रूप से सिद्ध करता है कि उनकी योजना ठीक यही करती है: यह गैस के मोटे, पतले या कहीं भी बीच में होने पर स्थिर और सटीक रहती है। वे इसे एक विशेष "इम्प्लिसिट" (implicit) टाइम-स्टेपिंग तकनीक का उपयोग करके प्राप्त करते हैं, जो एक सुरक्षा जाल के रूप में कार्य करता है, जिससे भौतिकी जटिल होने पर सिमुलेशन के बिगड़ने की संभावना नहीं रहती।

ES-BGK अपग्रेड

लेखक केवल मानक BGK मॉडल तक ही सीमित नहीं रहे। उन्होंने इसे ES-BGK (एलिप्सॉइडल-सांख्यिकीय BGK) मॉडल में अपग्रेड किया। क्यों? क्योंकि मानक BGK मॉडल में एक दोष है: यह "प्रांड्टल नंबर" (Prandtl number) को गलत बताता है। सरल शब्दों में, प्रांड्टल नंबर वह अनुपात है जो हमें बताता है कि एक गैस गर्मी का संचालन कितनी अच्छी तरह करती है बनाम वह कितनी अच्छी तरह बहती है। अधिकांश वास्तविक गैसों के लिए, यह संख्या 1 से कम होती है। पुराना BGK मॉडल इसे ठीक 1 होने के लिए मजबूर करता है, जो ऐसा कहने जैसा है कि एक गैस गर्मी का संचालन इस तरह से करती है जैसे वास्तविक गैसें नहीं करतीं।

ES-BGK मॉडल कण वितरण के आकार को एक "एलिप्सॉइड" (जैसे एक पिचका हुआ गोला) में बदलकर इसे ठीक करता है। यह मॉडल को वास्तविकता से मेल खाने के लिए ताप चालकता को ट्यून करने की अनुमति देता है। लेखकों ने सफलतापूर्वक अपने माइक्रो-मैक्रो मेथड को इस अधिक जटिल, एलिप्सॉइडल आकार को दो आयामों में संभालने के लिए विस्तारित किया है। यह एक बड़ी बात है क्योंकि इसका मतलब है कि उनका तेज़, कुशल कोड अब पिछले तेज़ तरीकों की तुलना में वास्तविक दुनिया की गैसों का अधिक सटीक रूप से अनुकरण कर सकता है।

परीक्षण: शॉक ट्यूब से लेकर कैविटी ड्रिफ्ट तक

अपने तरीके को साबित करने के लिए, लेखकों ने डिजिटल प्रयोगों की एक श्रृंखला चलाई।

सबसे पहले, उन्होंने एक शॉक ट्यूब समस्या का परीक्षण किया। कल्पना कीजिए कि बीच में एक दीवार वाला एक ट्यूब है; एक तरफ उच्च-दबाव वाली गैस है, और दूसरी तरफ कम-दबाव वाली गैस है। जब आप दीवार को खींचते हैं, तो एक शॉक वेव (आघात तरंग) लहर की तरह गुजरती है। उन्होंने विभिन्न गैस पतलापन स्तरों (0.1 से 0.001 तक के नूडसन नंबरों के साथ) के साथ 1D और 2D में इसका अनुकरण किया। परिणामों ने दिखाया कि उनका तरीका शॉक वेव को पूरी तरह से पकड़ सकता है, जो मोटे तरल और पतली गैस दोनों के लिए सटीक समाधानों से मेल खाता है।

इसके बाद, उन्होंने एक हीट ट्रांसफर (ऊष्मा स्थानांतरण) समस्या को हल किया। उन्होंने दो अलग-अलग तापमान वाली दीवारों के बीच फंसी गैस का अनुकरण किया। यह एक क्लासिक परीक्षण है क्योंकि गैस पतली होने पर ऊष्मा प्रवाह नाटकीय रूप से बदल जाता है। उन्होंने $10^{-2}$ से $10^2$ तक के नूडसन नंबरों के साथ सिमुलेशन चलाया। परिणामों ने दिखाया कि उनकी विधि पूरे स्पेक्ट्रम में ऊष्मा प्रवाह की सही भविष्यवाणी करती है, जो एक चिकने तरल के प्रवाह से लेकर मुक्त-आणविक प्रवाह की अराजकता तक है।

अंत में, उन्होंने 2D में लिड-ड्रिवन कैविटी समस्या का अनुकरण किया। एक गैस के बॉक्स की कल्पना करें जहाँ ऊपर का ढक्कन दाईं ओर फिसलता है, जिससे गैस भी उसके साथ खिंचती है। यह बॉक्स के अंदर एक भंवर (vortex) बनाता है। उन्होंने इसे 0.08 के नूडसन नंबर के साथ चलाया, जो एक कठिन "संक्रमण" क्षेत्र है जहाँ मानक तरल समीकरण अक्सर विफल हो जाते हैं। उनके सिमुलेशन ने सफलतापूर्वक घूमते हुए प्रवाह को पकड़ा और यहाँ तक कि "एंटी-फूरियर" (anti-Fourier) ऊष्मा प्रवाह भी दिखाया—एक अजीब घटना जहाँ गर्मी ठंडी से गर्म की ओर बहती है क्योंकि गैस इतनी पतली होती है कि ऊष्मा चालन के सामान्य नियम टूट जाते हैं। यह एक जटिल प्रभाव है जिसे कई सरल मॉडल मिस कर देते हैं, लेकिन उनके तरीके ने इसे स्पष्ट रूप से पकड़ा।

सुपरकंप्यूटर के साथ गति बढ़ाना

चूंकि इन सिमुलेशन में स्थान और गति के माध्यम से लाखों डेटा बिंदुओं को ट्रैक करना शामिल है, इसलिए लेखकों को अपने कोड को सुपरकंप्यूटर पर चलाने के लिए पर्याप्त तेज़ बनाना था। उन्होंने अपने 2D कोड को MPI (मैसेज पासिंग इंटरफेस) का उपयोग करके पैरेलल बनाया, जो एक टीम के श्रमिकों की तरह है जो एक विशाल पहेली को पूरा करने के लिए एक-दूसरे को नोट्स भेजते हैं।

उन्होंने परीक्षण किया कि उनका कोड कितना अच्छा स्केल करता है। एक "वीक स्केलिंग" (weak scaling) परीक्षण में, उन्होंने प्रोसेसर की संख्या के साथ समस्या के आकार को बढ़ाया। उन्होंने पाया कि जैसे-जैसे उन्होंने अधिक प्रोसेसर जोड़े (100 तक), दक्षता उच्च बनी रही, जो लगभग 74% के आसपास थी। एक "स्ट्रॉन्ग स्केलिंग" (strong scaling) परीक्षण में, जहाँ उन्होंने समस्या का आकार स्थिर रखा और इसे तेज़ी से हल करने के लिए बस अधिक प्रोसेसर जोड़े, उन्होंने पाया कि दक्षता कुछ मामलों में 100% से भी ऊपर चली गई! ऐसा इसलिए हुआ क्योंकि अधिक प्रोसेसरों के बीच काम को विभाजित करने से प्रत्येक पर मेमोरी का भार कम हो गया, जिससे वे उम्मीद से भी अधिक तेज़ी से काम कर सके।

निष्कर्ष

रोस्मानिथ और सार ने केवल एक पुराने समीकरण में बदलाव नहीं किया है; उन्होंने विरल गैसों के अनुकरण के लिए एक मजबूत, लचीला इंजन बनाया है। समस्या को एक चिकने "मैक्रो" प्रवाह और एक छोटे "माइक्रो" सुधार में विभाजित करके, और वास्तविक दुनिया की ऊष्मा चालकता को संभालने के लिए टकराव मॉडल को अपग्रेड करके, उन्होंने एक ऐसा उपकरण बनाया है जो तेज़ और सटीक दोनों है। उनके सिमुलेशन दिखाते हैं कि यह तरीका गैस के घनत्व की एक विस्तृत श्रृंखला में काम करता है, जो कि हमारे द्वारा सांस ली जाने वाली मोटी हवा से लेकर अंतरिक्ष के पतले वायुमंडल तक है। हालांकि यह पेपर गणितीय संरचना और संख्यात्मक परीक्षणों पर केंद्रित है, परिणाम बताते हैं कि यह दृष्टिकोण अंतरिक्ष यान, माइक्रोचिप्स और उच्च-ऊंचाई वाले वाहनों को डिजाइन करने वाले इंजीनियरों के लिए एक मानक उपकरण बन सकता है, जो उन्हें बिना किसी शहर जितने बड़े सुपरकंप्यूटर के, गैस अणुओं के अदृश्य नृत्य को देखने का एक तरीका प्रदान करता है।