Surrogate Modeling for the Design of Optimal Lattice Structures using Tensor Completion

कल्पना कीजिए कि आप एक मास्टर शेफ हैं जो एक बिल्कुल नया और उत्तम रेसिपी बनाने की कोशिश कर रहे हैं। आपके पास सामग्रियों से भरी एक पेंट्री है, और आप हर संभव तरीके से उन्हें मिलाकर वह व्यंजन खोजना चाहते हैं जो सबसे स्वादिष्ट हो। लेकिन यहाँ एक पेंच है: संभावित संयोजनों की संख्या इतनी अधिक है कि यदि आप हर एक को बनाने और चखने की कोशिश करेंगे, तो आप अपना पूरा जीवन रसोई में ही बिता देंगे। यह ठीक वही समस्या है जिसका सामना वैज्ञानिक नए पदार्थों (मटेरियल्स) को डिजाइन करते समय करते हैं। उनके पास डिजाइन विकल्पों की एक "पेंट्री" होती है, जैसे कि एक सूक्ष्म संरचना का आकार, और वे उस रूप को खोजना चाहते हैं जो सबसे मजबूत या सबसे हल्का हो। इसमें मदद करने के लिए, वे कंप्यूटर और स्मार्ट एल्गोरिदम (जिसे मशीन लर्निंग कहा जाता है) का उपयोग करते हैं ताकि वे वास्तव में उन्हें बनाने से पहले ही अनुमान लगा सकें कि कौन सी रेसिपी काम करेगी। हालाँकि, इन स्मार्ट कंप्यूटरों को अच्छी तरह से सीखने के लिए हर तरह की रेसिपी का थोड़ा सा स्वाद लेने की आवश्यकता होती है। वास्तविक दुनिया में, वैज्ञानिक अक्सर केवल उन रेसिपीज़ को चखते हैं जिन्हें बनाना आसान या सस्ता होता है, जिससे उनके ज्ञान में बड़े अंतराल रह जाते हैं। यह शोध पत्र उन अंतरालों को भरने का एक चतुर नया तरीका बताता है ताकि हम बेहतर सामग्री डिजाइनों को तेजी से खोज सकें, भले ही हमारा डेटा अव्यवस्थित और अधूरा हो।

इस अध्ययन के पीछे के शोधकर्ताओं, शान पाकला और उनकी टीम ने "लैटिस संरचनाओं" (lattice structures) को डिजाइन करने की चुनौती को स्वीकार किया। इन्हें ठोस धातु के ब्लॉकों के रूप में नहीं, बल्कि सूक्ष्म स्ट्रट्स से बने जटिल, 3D हनीकॉम्ब या मचान (scaffolding) की तरह समझें। ये संरचनाएं अद्भुत हैं क्योंकि वे अविश्वसनीय रूप से मजबूत होने के साथ-साथ बहुत हल्की भी हो सकती हैं, जो हवाई जहाजों या मेडिकल इम्प्लांट्स जैसी चीजों के लिए एकदम सही है। टीम का लक्ष्य सर्वोत्तम लैटिस को खोजना था—वह जो अपने वजन के मुकाबले सबसे अच्छा यांत्रिक प्रदर्शन (कि यह बल को कितनी अच्छी तरह संभालता है) दे सके।

आमतौर पर, वैज्ञानिक यह अनुमान लगाने के लिए मशीन लर्निंग टूल का उपयोग करते हैं कि एक नया डिजाइन कैसा प्रदर्शन करेगा। पेपर बताता है कि ये उपकरण तब बहुत अच्छा काम करते हैं जब प्रशिक्षण डेटा (वे उदाहरण जिनसे कंप्यूटर सीखता है) समान रूप से फैला हुआ हो, जैसे कि पूरे केक पर बेतरतीब ढंग से चीनी छिड़कना। लेकिन वास्तविक जीवन में, वैज्ञानिक असमान रूप से नमूने लेते हैं। शायद वे केवल उन डिजाइनों का परीक्षण करते हैं जिन्हें उनकी लैब में बनाना आसान है, या वे डिजाइन जो सस्ते हैं। यह "बायस्ड" (पक्षपाती) डेटा बनाता है, जहाँ कंप्यूटर डिजाइन के कुछ हिस्सों को स्पष्ट रूप से देखता है लेकिन दूसरों के प्रति अंधा होता है। लेखकों ने पाया कि मानक मशीन लर्निंग विधियाँ, जैसे कि गॉसियन प्रोसेस और XGBoost, बायस्ड डेटा के साथ संघर्ष करती हैं; वे देखे गए विशिष्ट डिजाइनों के प्रति भ्रमित हो जाती हैं या उनमें अत्यधिक फिट (overfit) हो जाती हैं, जिससे वे अनदेखे डिजाइनों के प्रदर्शन का अनुमान लगाने में विफल रहती हैं।

इसे हल करने के लिए, टीम ने एक अलग दृष्टिकोण प्रस्तावित किया: डिजाइन समस्या को "टेंसर कंप्लीशन" (tensor completion) नामक एक विशाल, बहु-आयामी पहेली के रूप में देखना। एक रूबिक क्यूब की कल्पना करें, लेकिन केवल रंगों के बजाय, प्रत्येक छोटा क्यूब एक संख्या रखता है जो किसी सामग्री की मजबूती का प्रतिनिधित्व करता है। यदि आप केवल बाहरी सतहों पर मौजूद संख्याओं को जानते हैं (क्योंकि वे वे डिजाइन हैं जिनका आपने परीक्षण किया है), तो टेंसर कंप्लीशन एक गणितीय जादू है जो क्यूब के अंदर छिपी संख्याओं का पता लगा सकता है। शोधकर्ताओं ने अपने सामग्री डिजाइनों को इन बहु-आयामी पहेलियों में बदल दिया, जहाँ पहेली का प्रत्येक पक्ष एक अलग डिजाइन वेरिएबल का प्रतिनिधित्व करता था। फिर उन्होंने ज्ञात टुकड़ों में पाए गए पैटर्न के आधार पर लापता टुकड़ों को भरने के लिए एल्गोरिदम का उपयोग किया।

टीम ने इस पद्धति का परीक्षण एक ऐसे परिदृश्य का अनुकरण करके किया जहाँ एक प्रयोगात्मक वैज्ञानिक ने केवल खोज क्षेत्र के एक विशिष्ट, सुविधाजनक क्षेत्र में डिजाइनों का परीक्षण किया, जिससे बाकी हिस्सा अनछुआ रह गया। उन्होंने अपने "टेंसर कंप्लीशन" तरीके की तुलना मानक मशीन लर्निंग टूल से की। परिणाम दिखाते हैं कि जबकि मानक उपकरण तब ठीक काम करते थे जब डेटा समान रूप से फैला हुआ था, टेंसर कंप्लीशन विधि बायस्ड, असमान डेटा को संभालने में बहुत बेहतर थी। वास्तव में, जब डेटा बायस्ड था, तो टेंसर विधि ने सबसे अच्छे पारंपरिक तरीके की तुलना में सटीकता (R² स्कोर द्वारा मापी गई) में लगभग 5% का सुधार किया। यह असमान सैंपलिंग से भ्रमित हुए बिना अनदेखे डिजाइनों के प्रदर्शन की भविष्यवाणी करने में भी सक्षम थी।

पेपर सुझाव देता है कि यह दृष्टिकोण सामग्री वैज्ञानिकों के लिए एक शक्तिशाली नया उपकरण है। यह दावा नहीं करता है कि इसने सामग्री डिजाइन की पूरी समस्या को हल कर लिया है, लेकिन यह दिखाता है कि समस्या को केवल डेटा बिंदुओं की एक सूची के रूप में याद करने के बजाय एक पहेली को पूरा करने के रूप में देखकर, हम नई सामग्रियों के बारे में बेहतर अनुमान लगा सकते हैं। यह विशेष रूप से तब सहायक होता है जब हम हर एक संभावना का परीक्षण नहीं कर सकते। लेखक निष्कर्ष निकालते हैं कि टेंसर कंप्लीशन एक आशाजनक "सरोगेट मॉडल" (surrogate model)—जो महंगे भौतिक प्रयोगों के लिए एक स्मार्ट विकल्प के रूप में कार्य करता है—हो सकता है, जो संभावित डिजाइनों की संख्या तेजी से बढ़ने के बावजूद, सर्वोत्तम लैटिस संरचनाओं की खोज को तेज करने में मदद कर सकता है। उन्होंने अपने कोड को सार्वजनिक भी कर दिया है ताकि अन्य लोग इसे आजमा सकें और देख सकें कि क्या यह उनके अपने सामग्री पहेलियों के लिए काम करता है।