🔬 mesoscale physics

Deep learning statistical defect models on magnetic material dynamic and static properties

यह शोध पत्र एक सांख्यिकीय मॉडल प्रस्तावित करता है जो दोषों वाले चुंबकीय पदार्थों के गतिशील और स्थिर गुणों की भविष्यवाणी करने के लिए कनवल्शनल और भौतिकी-सूचित न्यूरल नेटवर्क सहित डीप लर्निंग तकनीकों को एकीकृत करता है, जिससे नए पदार्थों की खोज और वांछित चुंबकीय अवस्थाओं के लिए न्यूनतम दोष सीमा के निर्धारण में सुविधा मिलती है।

मूल लेखक: C. Eagan, M. Copus, E. Iacocca

प्रकाशित 2026-03-12

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: C. Eagan, M. Copus, E. Iacocca

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 ब्रेड का एक आदर्श लोफ (loaf) बनाने की कोशिश कर रहे हैं। आपके पास एक रेसिपी है (भौतिकी के नियम) जो आपको बताती है कि आटा, पानी और यीस्ट को ब्रेड को फुलाने के लिए कैसे आपस में मिलना चाहिए। लेकिन वास्तविक दुनिया में, आपका किचन एकदम परफेक्ट नहीं होता। हो सकता है कि आपके पैन में कुछ जले हुए निशान हों, या आटे में रेत के कुछ कण मिल गए हों। ये दोष (defects) हैं।

लंबे समय से, नए चुंबकीय पदार्थों (जैसे आपके हार्ड ड्राइव या भविष्य के कंप्यूटरों में) को डिजाइन करने की कोशिश करने वाले वैज्ञानिक एक आदर्श, काल्पनिक किचन में अपनी "ब्रेड" बनाने का अनुमान लगाते रहे हैं। उन्होंने माना कि सामग्री दोषरहित थी। लेकिन वास्तविक सामग्रियां अव्यवस्थित होती हैं। उनमें गायब परमाणु (रिक्तियां/vacancies) होते हैं और ऐसी कमियां होती हैं जो उनके व्यवहार को बदल देती हैं।

यह पेपर इस "ब्रेड" को पकाने का एक नया तरीका है: यह समझने के लिए कि "आटे में रेत" कैसे रेसिपी को बदल देती है, एक स्मार्ट AI शेफ का उपयोग करना।

यहाँ शोधकर्ताओं द्वारा किए गए कार्यों का विवरण दिया गया, जिसमें रोजमर्रा के उदाहरणों का उपयोग किया गया है:

1. समस्या: "परफेक्ट" बनाम "असली"

भौतिकी में, हमारे पास समीकरण हैं (जिन्हें लैंडौ-लिफ़शिट्ज़ समीकरण कहा जाता है) जो बताते हैं कि चुंबकीय सामग्रियां कैसे काम करती हैं। आमतौर पर, यह देखने के लिए कि कोई सामग्री कैसे व्यवहार करती है, वैज्ञानिक विशाल कंप्यूटर सिमुलेशन चलाते हैं। यह समझने के लिए कि दोष सामग्री को कैसे प्रभावित करते हैं, उन्हें लाखों अलग-अलग "दोषपूर्ण" संस्करणों का सिमुलेशन करना होगा, जिसमें बहुत समय लगता है और सुपरकंप्यूटर की आवश्यकता होती है।

उदाहरण: कल्पना कीजिए कि आप यह पता लगाने की कोशिश कर रहे हैं कि एक ऊबड़-खाबड़ सड़क पर कार कैसे चलती है। हर बार एक असली ऊबड़-खाबड़ सड़क पर कार चलाने के बजाय, आपको सिम्युलेटर में दस लाख अलग-अलग ऊबड़-खाबड़ सड़कें बनानी पड़ेंगी। यह धीमा और महंगा है।

2. समाधान: "सांख्यिकीय जादुई फिल्टर" (Statistical Magic Filter)

हर एक ऊबड़-खाबड़ हिस्से का सिमुलेशन करने के बजाय, शोधकर्ताओं ने एक सांख्यिकीय मॉडल बनाया। उन्होंने महसूस किया कि दोष (गायब परमाणु) एक नॉइज़ फिल्टर (noise filter) की तरह काम करते हैं।

उदाहरण: एक स्पीकर के माध्यम से बज रहे गाने के बारे में सोचें।

परफेक्ट सामग्री: स्पीकर गाना बिल्कुल सही तरीके से बजाता है। ऊंचे और नीचे स्वर स्पष्ट होते हैं।
दोषपूर्ण सामग्री: स्पीकर में एक दरार है। यह एक "लो-पास फिल्टर" की तरह काम करता है। यह गहरे बेस (बड़े चुंबकीय फीचर्स) को तो गुजरने देता है, लेकिन उच्च-पिच वाली तीखी आवाजों (छोटे, तेज़ चुंबकीय बदलावों) को दबा देता है या विकृत कर देता है।

शोधकर्ताओं ने इस "स्पीकर की दरार" (दोषों) को खुद सिम्युलेट किए बिना, इसे वर्णित करने का एक गणितीय तरीका खोज निकाला। उन्होंने "गायब परमाणुओं" की समस्या को एक सरल गणितीय सूत्र में बदल दिया जो एक फिल्टर की तरह काम करता है।

3. AI शेफ: दो विशिष्ट न्यूरल नेटवर्क

अब जब उनके पास "शोर" (noise) को समझाने का एक तरीका था, तो उन्होंने परिणामों की भविष्यवाणी करने के लिए एक आर्टिफिशियल इंटेलिजेंस (डीप लर्निंग) को प्रशिक्षित किया। उन्होंने दो विशिष्ट प्रकार के AI "शेफ" बनाए:

शेफ A: "साउंड इंजीनियर" (तरंगों की भविष्यवाणी करना)

कार्य: यदि आप AI को बताते हैं, "यहाँ कितना 'रेत' है (दोष का आकार) और गुच्छे कितने बड़े हैं," तो क्या वह भविष्यवाणी कर सकता है कि "गाना" (चुंबकीय तरंगें) कैसा सुनाई देगा?
ट्रिक: AI ने केवल तुक्का नहीं लगाया। शोधकर्ताओं ने इसे एक नियम पुस्तिका (फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क) दी। उन्होंने AI को बताया, "तुम सीख सकते हो, लेकिन तुम्हें भौतिकी के नियमों का पालन करना ही होगा।" यह एक छात्र को कहानी लिखने के लिए सिखाने जैसा है, लेकिन उसे यह कहना कि, "तुम पात्रों का आविष्कार कर सकते हो, लेकिन कहानी को अभी भी गुरुत्वाकर्षण के नियमों का पालन करना चाहिए।"
परिणाम: AI ने सुपरकंप्यूटर सिमुलेशन के बिना, लगभग तुरंत चुंबकीय सामग्री की "ध्वनि" की भविष्यवाणी करना सीख लिया।

शेफ B: "दर्जी" (दीवार की चौड़ाई की भविष्यवाणी करना)

कार्य: चुंबकीय सामग्रियों में "डोमेन वॉल्स" (दो अलग-अलग कपड़ों के बीच की सिलाई की तरह) नामक सीमाएं होती हैं। शोधकर्ता जानना चाहते थे: "यदि हमारे पास इतना दोष है, तो यह सिलाई कितनी चौड़ी होगी?"
ट्रिक: उन्होंने एक टू-ब्रांच (दो शाखाओं वाला) AI बनाया। एक शाखा सिलाई के आकार (पैटर्न) को देखती थी, और दूसरी शाखा चौड़ाई (माप) को देखती थी। उन्होंने भविष्यवाणी करने के लिए इन दोनों दृश्यों को मिला दिया।
परिणाम: AI एक चुंबकीय पैटर्न को देखकर सटीक रूप से अनुमान लगा सकता था कि सामग्री कितनी "दोषपूर्ण" थी, या इसके विपरीत, यह भविष्यवाणी कर सकता था कि यदि सामग्री अधिक गंदी हो जाती है तो सिलाई कैसे बदलेगी।

4. यह क्यों महत्वपूर्ण है: "रिवर्स इंजीनियर"

सबसे दिलचस्प बात यह है कि यह AI दोनों दिशाओं में काम करता है।

फॉरवर्ड (आगे की ओर): "यदि मैं 5% दोषों के साथ एक सामग्री बनाता हूँ, तो यह क्या करेगा?"
रिवर्स (पीछे की ओर): "मैंने इस सामग्री को मापा है, और यह अजीब व्यवहार कर रही है। इसमें कितने दोष हैं?"

उदाहरण:

फॉरवर्ड: आप एक शेफ को बताते हैं, "मेरे पास 10% जला हुआ आटा है।" शेफ कहता है, "आपकी ब्रेड घनी और गहरी होगी।"
रिवर्स: आप एक शेफ के पास ब्रेड का एक लोफ लेकर जाते हैं। शेफ उसे चखता है और कहता है, "आह, आपने लगभग 10% जला हुआ आटा इस्तेमाल किया होगा।"

बड़ी तस्वीर (The Big Picture)

यह पेपर एक "सीढ़ी का पत्थर" (stepping stone) है। यह दिखाता है कि हम हर एक परमाणु को सिम्युलेट किए बिना यह समझने के लिए AI का उपयोग कर सकते हैं कि वास्तविक दुनिया की अव्यवस्थित सामग्रियां कैसे व्यवहार करती हैं।

वैज्ञानिकों के लिए: यह समय और कंप्यूटिंग शक्ति बचाता है।
इंजीनियरों के लिए: यह उन्हें बेहतर चुंबकीय उपकरण (जैसे तेज़ हार्ड ड्राइव या नए प्रकार के कंप्यूटर) डिजाइन करने में मदद करता है, यह जानकर कि वे डिवाइस के काम करना बंद करने से पहले कितने "दोष" सहन कर सकते हैं।
भविष्य के लिए: यह पूरी तरह से नई सामग्रियां खोजने का मार्ग प्रशस्त करता है जो वास्तविक दुनिया के निर्माण में होने वाली अनिवार्य "आटे में रेत" को संभालने के लिए पर्याप्त मजबूत हों।

संक्षेप में: उन्होंने कंप्यूटर को एक टूटी हुई सामग्री के "शोर" को समझना सिखाया ताकि हम बेहतर, अधिक विश्वसनीय तकनीक बना सकें।

यहाँ ईगन, कपस और इआकोका के शोध पत्र "Deep learning statistical defect models on magnetic material dynamic and static properties" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यथार्थवादी चुंबकीय सामग्रियों में अनिवार्य रूप से दोष (जैसे रिक्तियां/vacancies) होते हैं, जो उनके गतिशील और स्थिर गुणों को महत्वपूर्ण रूप से बदल देते हैं। पारंपरिक मॉडलिंग दृष्टिकोणों के लिए अक्सर यह समझने हेतु कि दोष चुंबकन (magnetization) को कैसे प्रभावित करते हैं, बड़े पैमाने पर बार-बार संख्यात्मक सिमुलेशन (numerical simulations) की आवश्यकता होती है, जो अत्यधिक गणनात्मक रूप से महंगा है। इसके अलावा, जबकि मशीन लर्निंग (ML) का उपयोग इलेक्ट्रॉनिक संरचनाओं या न्यूक्लिएशन क्षेत्रों की भविष्यवाणी करने के लिए चुंबकीय सामग्रियों में किया गया है, टोपोलॉजिकल टेक्सचर (जैसे डोमेन वॉल) और डिस्पर्शन रिलेशंस (dispersion relations) पर सामग्री दोषों के विशिष्ट प्रभाव का अन्वेषण अभी भी काफी हद तक अनछुआ है। चुनौती एक ऐसा मॉडल बनाने में है जो पूर्ण-पैमाने के सिमुलेशन चलाए बिना, दोष मापदंडों (आकार और घनत्व) के आधार पर भौतिक अवलोकन (जैसे मैग्नोन डिस्पर्शन और डोमेन-वॉल चौड़ाई) की कुशलतापूर्वक भविष्यवाणी कर सके।

2. कार्यप्रणाली (Methodology)

लेखक एक हाइब्रिड फ्रेमवर्क प्रस्तावित करते हैं जो एक सांख्यिकीय भौतिक मॉडल को डीप लर्निंग तकनीकों के साथ जोड़ता है।

A. सांख्यिकीय भौतिक मॉडल: SPS-LL

इस कार्य का आधार प्सूडोस्पेक्ट्रल लैंडौ-लिफ़शिट्ज़ (PS-LL) समीकरण का एक संशोधन है, जिसमें सांख्यिकीय रूप से दोषों को शामिल किया गया है।

दोष प्रतिनिधित्व (Defect Representation): एक 1D स्पिन चेन में दोषों (रिक्तियों) को रैंडम टेलीग्राफ नॉइज़ (RTN) के रूप में मॉडल किया गया है। सिग्नल एक डिजिटल अनुक्रम है जहाँ '1' एक परमाणु का प्रतिनिधित्व करता है और '0' एक रिक्ति (vacancy) का।
मापदंड (Parameters): RTN दो मापदंडों द्वारा अभिलक्षित है:
- $\sigma$ : औसत दोष-मुक्त श्रृंखला (आदर्श सामग्री आकार)।
- $\tau$ : औसत रिक्ति की लंबाई (दोष का आकार)।
स्पेक्ट्रल दृष्टिकोण (Spectral Approach): वास्तविक स्थान (real space) में व्यक्तिगत रिक्तियों का सिमुलेशन करने के बजाय, लेखक RTN के पावर स्पेक्ट्रल डेंसिटी (PSD) का उपयोग करते हैं, जिसे $S(k)$ कहा जाता है। यह फूरियर स्पेस में एक लो-पास फ़िल्टर के रूप में कार्य करता है।
SPS-LL समीकरण: नॉनलोकल एक्सचेंज इंटरैक्शन कर्नेल को चुंबकन वेक्टर के साथ संवलित (convolved) PSD के वर्गमूल को शामिल करने के लिए संशोधित किया गया है:
$\kappa(k)\hat{m} = M_s \omega(k) \sqrt{S(k)} * \hat{m}(k)$
यह मॉडल विशाल भौतिक डोमेन का सिमुलेशन किए बिना दोषों के सांख्यिकीय समूह (ensemble) को कैप्चर करने की अनुमति देता है, जिससे यह ग्रिड-स्वतंत्र और गणनात्मक रूप से कुशल बन जाता है।

B. डीप लर्निंग आर्किटेक्चर (Deep Learning Architectures)

दो अलग-अलग डीप लर्निंग दृष्टिकोण इनवर्स (inverse) और फॉरवर्ड (forward) समस्याओं को हल करने के लिए विकसित किए गए हैं:

डिस्पर्शन रिलेशन भविष्यवाणी (फॉरवर्ड और इनवर्स):
- आर्किटेक्चर: एक थ्री-ब्लॉक हाइब्रिड नेटवर्क जो कॉन्वोल्यूशनल न्यूरल नेटवर्क (CNN) और फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINN) को थ्योरी ऑफ फंक्शनल कनेक्शंस (TFC) का उपयोग करके जोड़ता है।
- प्रक्रिया:
  - ब्लॉक 1 (CNN): स्थानिक विशेषताओं को निकालने के लिए डिस्पर्शन रिलेशन (या दोष मापदंडों) को इनपुट के रूप में लेता है।
  - ब्लॉक 2 और 3 (PINN-TFC): डिस्पर्शन फंक्शन $\omega(k)$ की भविष्यवाणी करता है। TFC दृष्टिकोण लर्निंग को ज्ञात भौतिक सीमा स्थितियों (boundary conditions) को संतुष्ट करने के लिए बाध्य करता है। फंक्शन को एक बाधित पद (constrained term) और एक प्रशिक्षित सुधार पद (trainable correction term) में विभाजित किया गया है:
    $\omega(k) = X(\theta)[1 - \cos(k\alpha)] + \sum c_n k^{n+1}$
  - लक्ष्य: दोष मापदंडों ( $\sigma, \tau$ ) दिए जाने पर डिस्पर्शन कर्व की भविष्यवाणी करना या डिस्पर्शन कर्व दिए जाने पर दोष मापदंडों की भविष्यवाणी करना।
डोमेन-वॉल चौड़ाई भविष्यवाणी:
- आर्किटेक्चर: एक टू-ब्रांच CNN।
- प्रक्रिया:
  - ब्रांच 1: स्थानिक चुंबकन प्रोफाइल ( $m_z$ ) को प्रोसेस करती है।
  - ब्रांच 2: स्केलर डोमेन-वॉल चौड़ाई को प्रोसेस करती है।
  - फ्यूजन (Fusion): देखी गई डोमेन-वॉल चौड़ाई से प्राप्त होने वाले दोष मापदंडों ( $\sigma, \tau$ ) की भविष्यवाणी करने के लिए दोनों शाखाओं को संयोजित (concatenate) किया जाता है।
- डेटासेट: इसे बदलते $\sigma$ और $\tau$ वाले 12,000 सिम्युलेटेड ब्लॉक-टाइप डोमेन वॉल्स पर प्रशिक्षित किया गया है।

3. मुख्य योगदान (Key Contributions)

सांख्यिकीय दोष मॉडलिंग (SPS-LL): लैंडौ-लिफ़शिट्ज़ ढांचे के भीतर दोषों के स्पेक्ट्रल प्रतिनिधित्व (RTN) का परिचय, जो दोष सांख्यिकी को कैप्चर करने के लिए बड़े सिमुलेशन डोमेन की आवश्यकता को समाप्त करता है।
फिजिक्स-इन्फॉर्म्ड डीप लर्निंग: CNN और TFC-बाधित PINNs को जोड़ने वाला एक नवीन आर्किटेक्चर विकसित करना। यह सुनिश्चित करता है कि सीखे गए डिस्पर्शन रिलेशन (जैसे समरूपता, सीमा स्थितियाँ) भौतिक नियमों का सख्ती से पालन करते हैं, जबकि वे विशिष्ट दोष परिदृश्यों के लिए विशिष्ट गुणांकों को सीखते हैं।
इनवर्स प्रॉब्लम सॉल्विंग: मैक्रोस्कोपिक अवलोकनों (डिस्पर्शन रिलेशन और डोमेन-वॉल चौड़ाई) से सूक्ष्म दोष मापदंडों ( $\sigma, \tau$ ) को निष्कर्ष निकालने की क्षमता का प्रदर्शन, जो प्रभावी रूप से सामग्री लक्षण वर्णन के "ब्लैक बॉक्स" को खोलता है।
दक्षता: यह विधि सांख्यिकीय विश्लेषण के लिए बार-बार होने वाले महंगे माइक्रोमैग्नेटिक सिमुलेशन को दरकिनार करती है, जो सामग्री व्यवहार की भविष्यवाणी करने के लिए एक गणनात्मक रूप से कुशल मार्ग प्रदान करती है।

4. परिणाम (Results)

डिस्पर्शन रिलेशंस:
- TFC-PINN मॉडल ने दोषपूर्ण सामग्रियों के लिए डिस्पर्शन रिलेशन $\omega(k)$ को सफलतापूर्वक सीखा।
- अनुमानित कर्व (डैश्ड मैजेंटा) संख्यात्मक SPS-LL समाधानों (कलर मैप) के साथ उत्कृष्ट सहमति दिखाते हैं, जिनका मीन एब्सोल्यूट एरर (MAE) 0.29 और 0.36 के बीच है।
- मॉडल ने दोषों के "लो-पास फ़िल्टर" प्रभाव को सही ढंग से कैप्चर किया, जहाँ दोष घनत्व बढ़ने के साथ उच्च-वेवनंबर घटक दब जाते हैं।
डोमेन-वॉल चौड़ाई:
- टू-ब्रांच CNN ने डोमेन-वॉल प्रोफाइल से दोष मापदंडों की सफलतापूर्वक भविष्यवाणी की।
- अनुमानित डोमेन-वॉल चौड़ाई संख्यात्मक गणनाओं के रुझान का बारीकी से अनुसरण करती है।
- चौड़ाई भविष्यवाणी के लिए त्रुटि वितरण का माध्य (mean) 0.077 nm और मानक विचलन (standard deviation) 0.835 nm था, जो जाली स्थिरांक (lattice constant) ( $a \approx 0.34$ nm for FePt) के पैमाने के भीतर है, जो उच्च सटीकता को दर्शाता है।
भौतिक अंतर्दृष्टि (Physical Insights):
- अध्ययन ने पुष्टि की कि जैसे-जैसे दोष घनत्व ( $\tau$ अधिक) बढ़ता है, छोटे फीचर्स के लिए एक्सचेंज ऊर्जा कम हो जाती है, जिससे डोमेन वॉल संकीर्ण हो जाती है जब तक कि दोष का आकार एक्सचेंज इंटरैक्शन पर हावी न हो जाए।

5. महत्व और भविष्य की संभावनाएं (Significance and Future Outlook)

सामग्री खोज (Material Discovery): यह दृष्टिकोण विशिष्ट डायनेमिक्स या टोपोलॉजिकल टेक्सचर (जैसे हॉफनियन, स्काईर्मियन) को स्थिर करने के लिए आवश्यक न्यूनतम दोष थ्रेसहोल्ड की भविष्यवाणी करके नए चुंबकीय पदार्थों की खोज के लिए एक "सीढ़ी" प्रदान करता है।
प्रायोगिक प्रासंगिकता: इस मॉडल का उपयोग वास्तविक सामग्री नमूने के दोष आकार और घनत्व को निर्धारित करने के लिए प्रयोगात्मक डेटा (जैसे न्यूट्रॉन स्कैटरिंग या MFM से) का विश्लेषण करने के लिए किया जा सकता है।
स्केलेबिलिटी: हालांकि इसे 1D में प्रदर्शित किया गया है, लेखक नोट करते हैं कि PS-LL मॉडल को 2D और 3D में भी मान्य किया गया है। इस डीप लर्निंग फ्रेमवर्क को उच्च आयामों तक विस्तारित करना जटिल चुंबकीय उपकरणों और टोपोलॉजिकल सामग्रियों को डिजाइन करने के लिए गणनात्मक लागत को भारी रूप से कम कर सकता है।
सामान्यीकरण (Generalizability): यह कार्यप्रणाली केवल चुंबकत्व तक सीमित नहीं है; यह एक ब्लूप्रिंट प्रदान करती है कि कैसे अन्य क्षेत्रों में सांख्यिकीय दोष मॉडल को डीप लर्निंग के साथ एकीकृत किया जाए जहाँ विकार (disorder) महत्वपूर्ण भूमिका निभाता है।