🤖 AI

A Convex Route to Thermomechanics: Learning Internal Energy and Dissipation

यह शोध पत्र एक भौतिकी-आधारित न्यूरल नेटवर्क ढांचे को प्रस्तुत करता है जो पूर्णतः युग्मित थर्मोमैकेनिक्स (thermomechanics) के लिए निर्माणत्मक मॉडल (constitutive models) सीखने हेतु इनपुट उत्तल न्यूरल नेटवर्क (input convex neural networks) का उपयोग करता है, जो आंतरिक ऊर्जा और अपव्यय क्षमता (dissipation potential) को विरूपण (deformation) और एंट्रॉपी के रूप में निरूपित करके एंट्रॉपी डेटा की आवश्यकता के बिना ऊष्मप्रवैगिकी स्वीकार्यता (thermodynamic admissibility) और वस्तुनिष्ठता सुनिश्चित करता है।

मूल लेखक: Hagen Holthusen, Paul Steinmann, Ellen Kuhl

प्रकाशित 2026-03-31

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Hagen Holthusen, Paul Steinmann, Ellen Kuhl

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 कंप्यूटर को यह सिखाने की कोशिश कर रहे हैं कि जब सामग्रियां (materials) गर्म होती हैं और साथ ही खिंचती भी हैं, तो वे कैसा व्यवहार करती हैं। एक रबर बैंड के बारे में सोचें: जब आप इसे खींचते हैं, तो यह गर्म हो जाता है। जब आप इसे गर्म करते हैं, तो यह सिकुड़ सकता है या अलग तरह से खिंच सकता है। गर्मी और गति के बीच यह जटिल नृत्य थर्मोमैकेनिक्स (thermomechanics) कहलाता है।

लंबे समय से, वैज्ञानिक इस व्यवहार की भविष्यवाणी करने के लिए गणितीय "नुस्खे" (constitutive models) लिखने की कोशिश कर रहे हैं। लेकिन ये नुस्खे अक्सर उलझे हुए, लिखने में कठिन और कभी-कभी भौतिकी के मौलिक नियमों को तोड़ देते हैं (जैसे कि वह नियम जो कहता है कि आप शून्य से ऊर्जा पैदा नहीं कर सकते)।

यह शोध पत्र कंप्यूटर को ये नुस्खे सिखाने का एक नया, स्मार्ट तरीका पेश करता है जिसे फिजिक्स-बेस्ड न्यूरल नेटवर्क्स (Physics-Based Neural Networks) कहा जाता है। उन्होंने इसे कैसे किया, यहाँ रोजमर्रा के उदाहरणों के साथ समझाया गया है।

1. पुराना तरीका बनाम नया तरीका

पुराना तरीका (हेल्महोल्ट्ज़ एनर्जी - The Helmholtz Energy):
कल्पना कीजिए कि आप एक केक बनाने की कोशिश कर रहे हैं जहाँ रेसिपी कहती है कि चीनी डालने पर बैटर को गाढ़ा करना होगा, लेकिन आटा डालने पर उसे पतला करना होगा, और आपको यह सब एक बहुत ही विशिष्ट, विरोधाभासी तरीके से करना होगा ताकि केक फूल सके। भौतिकी में, यह "हेल्महोल्ट्ज़ एनर्जी" का उपयोग करने जैसा है। यह एक शक्तिशाली उपकरण है, लेकिन यह कंप्यूटर को एक "मिश्रित" नियम का पालन करने के लिए मजबूर करता है: इसे कुछ तरीकों से उत्तल (convex/ऊपर की ओर मुड़ा हुआ) होना चाहिए और कुछ तरीकों से अवतल (concave/नीचे की ओर मुड़ा हुआ) होना चाहिए। यह एक हाथ से पेंसिल को संतुलित करने और दूसरे हाथ से यूनिसाइकिल चलाने जैसा है—जो गणितीय रूप से बहुत कठिन है और विफल होने की संभावना अधिक है।

नया तरीका (आंतरिक ऊर्जा और अपव्यय - Internal Energy & Dissipation):
लेखकों ने रेसिपी बदलने का निर्णय लिया। उस पेचीदा "हेल्महोल्ट्ज़" केक के बजाय, उन्होंने आंतरिक ऊर्जा (Internal Energy) (सामग्री में संचित कुल ऊर्जा) और एक डिसिपेशन पोटेंशियल (Dissipation Potential) (घर्षण या गर्मी के रूप में नष्ट होने वाली ऊर्जा) का उपयोग किया।

उपमा: एक बैंक खाते के बारे में सोचें।
- आंतरिक ऊर्जा (Internal Energy) आपकी बचत है। जब आप पैसा जमा करते हैं (गर्मी या खिंचाव जोड़ते हैं), तो यह हमेशा बढ़ता है। यह एक सरल, "उत्तल" वक्र (एक कटोरे की तरह) है।
- डिसिपेशन (Dissipation) वह लेनदेन शुल्क या गर्मी है जो पैसा इधर-उधर ले जाने पर उत्पन्न होती है। यह भी एक सरल, "उत्तल" वक्र है।
- यह बेहतर क्यों है: एक जटिल, मुड़े हुए आकार के बजाय दो सरल, "कटोरे के आकार" वाले वक्रों का उपयोग करके, कंप्यूटर कभी भ्रमित नहीं होता। यह बिना किसी निरंतर निगरानी के स्वाभाविक रूप से भौतिकी के नियमों का पालन करता है।

2. गुप्त सामग्री: एंट्रॉपी बनाम तापमान

भौतिकी में, गर्मी को वर्णित करने के दो तरीके हैं: तापमान (Temperature) (जिसे आप थर्मामीटर से महसूस करते हैं) और एंट्रॉपी (Entropy) (अव्यवस्था का एक माप)।

समस्या: प्रयोग हमें तापमान देते हैं। लेकिन गणित एंट्रॉपी के साथ सबसे अच्छा काम करता है। आमतौर पर, आपको तापमान के आधार पर एंट्रॉपी का अनुमान लगाना पड़ता है, जो थर्मोस्टेट को देखकर कमरे में लोगों की सटीक संख्या का अनुमान लगाने जैसा है।
समाधान: लेखकों ने एक "स्मार्ट सहायक" (एक छोटा न्यूरल नेटवर्क) बनाया जो तापमान और सामग्री के खिंचाव के आधार पर एंट्रॉपी का अनुमान लगाना सीखता है।
- रूपक: एक अनुवादक की कल्पना करें। कंप्यूटर "एंट्रॉपी" बोलता है, लेकिन मानव दुनिया "तापमान" बोलती है। यह अनुवादक भाषा को पूरी तरह से सीख लेता है ताकि कंप्यूटर अपनी मूल भाषा में गणित कर सके और फिर भी समझ सके कि इंसान क्या कह रहा है।

3. आर्किटेक्चर: एक "फिजिक्स-प्रूफ" रोबोट बनाना

लेखकों ने केवल एक सामान्य AI का उपयोग नहीं किया। उन्होंने AI के मस्तिष्क (न्यूरल नेटवर्क) में विशिष्ट "सुरक्षा घेरे" (guardrails) डाले हैं।

इनपुट कॉनवेक्स न्यूरल नेटवर्क्स (ICNNs): उन्होंने एक विशेष प्रकार के AI का उपयोग किया जो एक गैर-उत्तल (non-convex) आकार उत्पन्न नहीं कर सकता। आप इसे जो भी डेटा दें, यह हमेशा एक "कटोरे" जैसा आकार ही देगा। यह गारंटी देता है कि ऊष्मागतिकी का दूसरा नियम (एंट्रॉपी हमेशा बढ़ती है) कभी नहीं टूटेगा।
जीरो-एंकरड (Zero-Anchored): उन्होंने यह सुनिश्चित किया कि यदि आप कुछ भी नहीं करते हैं (कोई खिंचाव नहीं, कोई गर्मी परिवर्तन नहीं), तो ऊर्जा और तनाव बिल्कुल शून्य होगा। यह एक ऐसी कार की तरह है जो गैस दबाए बिना नहीं चलती।
सममिति (Symmetry): उन्होंने AI को सिखाया कि एक गोला हर कोण से एक जैसा दिखता है। यह AI को अजीब, असंभव व्यवहार सीखने से रोकता है जहाँ एक सामग्री अलग तरह से व्यवहार करती है सिर्फ इसलिए क्योंकि उसे घुमाया गया था।

4. प्रशिक्षण: सिंथेटिक और वास्तविक डेटा से सीखना

उन्होंने इस नए ढांचे का परीक्षण चार अलग-अलग परिदृश्यों में किया:

शुद्ध ऊष्मा प्रवाह (Pure Heat Flow): जैसे दीवार के माध्यम से गर्मी का गुजरना। AI ने सीखा कि बिना किसी यांत्रिक खिंचाव के गर्मी कैसे फैलती है।
पोर्सिन टिश्यू (सुअर का ऊतक): सुअर के ऊतक से प्राप्त वास्तविक डेटा। AI ने सीखा कि गर्मी मिलने पर मांस कैसे नरम या सख्त होता है।
रबर: कार्बन से भरे रबर का वास्तविक डेटा। AI ने रबर के तापमान के साथ सख्त या नरम होने के जटिल तरीके को सीखा।
"स्प्रिंग" टेस्ट: एक पूरी तरह से युग्मित (coupled) सिमुलेशन जहाँ उन्होंने एक स्प्रिंग जैसी वस्तु को गर्म करते हुए खींचा।
- परिणाम: AI ने सफलतापूर्वक भविष्यवाणी की कि वस्तु बल और गर्मी के प्रति कैसे प्रतिक्रिया करेगी, यहाँ तक कि उन आकृतियों और स्थितियों के लिए भी जिन्हें उसने पहले कभी नहीं देखा था। इसने केवल डेटा पॉइंट्स को याद नहीं किया, बल्कि सामग्री के नियमों को सीखा।

5. कमी (सीमाएं)

पेपर स्वीकार करता है कि हालांकि AI बेहतरीन है, लेकिन यह केवल उतना ही अच्छा है जितना कि वह डेटा जिसे इसे दिया गया है।

"अदृश्य" प्रभाव: स्प्रिंग टेस्ट में, AI केवल खिंचाव (विकृति-प्रेरित ऊष्मा) के कारण होने वाले सूक्ष्म तापमान परिवर्तनों की भविष्यवाणी करने में संघर्ष कर रहा था।
उपमा: कल्पना कीजिए कि आप तूफान में फुसफुसाहट सुनने की कोशिश कर रहे हैं। "फुसफुसाहट" खिंचाव से उत्पन्न होने वाली सूक्ष्म गर्मी है, और "तूफान" पर्यावरण से आने वाली भारी गर्मी है। AI शोर में खो गया। इसे ठीक करने के लिए, हमें AI को ऐसा डेटा देना होगा जहाँ वह फुसफुसाहट अधिक तेज हो, या इसे अधिक ध्यान से सुनना सिखाना होगा।

सारांश

यह शोध पत्र कंप्यूटर को भौतिकी के नियम सिखाने का एक नया, मजबूत तरीका प्रस्तुत करता है। एक जटिल, विरोधाभासी गणितीय रेसिपी के बजाय एक सरल, "कटोरे के आकार" वाली रेसिपी (आंतरिक ऊर्जा + डिसिपेशन) का उपयोग करके, और AI के आर्किटेक्चर में सीधे "सुरक्षा घेरे" बनाकर, उन्होंने एक ऐसी प्रणाली बनाई जो:

ऊष्मागतिकी के नियमों को नहीं तोड़ सकती।
वास्तविक दुनिया के डेटा (जैसे रबर और ऊतक) से सीखती है।
सामान्यीकरण (Generalize) करती है, यानी उन नई स्थितियों में भी काम करती है जो उसने पहले नहीं देखीं।

यह एक बच्चे को केवल गाइरोस्कोपिक स्थिरता पर भौतिकी की पाठ्यपुस्तक देकर साइकिल चलाना सिखाने के बजाय, एक ऐसी साइकिल बनाने जैसा है जिसमें ट्रेनिंग व्हील्स लगे हों जो भौतिक रूप से उसे गिरने से रोकते हैं, जिससे वह स्वाभाविक रूप से संतुलन बनाना सीख सके।

यहाँ शोध पत्र "A Convex Route to Thermomechanics: Learning Internal Energy and Dissipation" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र डेटा-संचालित विधियों (data-driven methods) का उपयोग करके पूर्णतः युग्मित ऊष्मयांत्रिक (fully coupled thermomechanics) के लिए 'कन्स्टिट्यूटिव मॉडल' (constitutive models) खोजने की चुनौती को संबोधित करता है। जबकि शास्त्रीय निरंतरता ऊष्मयांत्रिकी (classical continuum thermomechanics) हेल्महोल्ट्ज़ मुक्त ऊर्जा ( $\psi$ ) पर निर्भर करती है, यह दृष्टिकोण न्यूरल नेटवर्क-आधारित खोज के लिए महत्वपूर्ण कठिनाइयाँ प्रस्तुत करता है:

मिश्रित उत्तलता बाधाएँ (Mixed Convexity Constraints): ऊष्मप्रवैगिकी स्थिरता (thermodynamic stability) के लिए आवश्यक है कि हेल्महोल्ट्ज़ ऊर्जा विरूपण (deformation) के संबंध में उत्तल (convex) हो लेकिन तापमान के संबंध में अवतल (concave) हो। इन मिश्रित वक्रता स्थितियों को न्यूरल नेटवर्क आर्किटेक्चर के भीतर लागू करना गैर-तुच्छ है और अक्सर अस्थिर प्रशिक्षण या गैर-भौतिक भविष्यवाणियों का कारण बनता है।
विक्षोभ मॉडलिंग (Dissipation Modeling): मौजूदा रूप से सुदृढ़ ढाँचे (जैसे, Constitutive Artificial Neural Networks) मुख्य रूप से ऊष्म-लोच (thermoelasticity) पर केंद्रित रहे हैं। वे एक सामान्य सेटिंग में अपूर्तात्मक विक्षोभ (irreversible dissipation - जैसे ऊष्मा चालन, प्लास्टिसिटी) वाले पूर्णतः युग्मित प्रक्रियाओं तक विस्तार करने में संघर्ष करते हैं।
डेटा उपलब्धता: प्रयोगात्मक डेटा आमतौर पर तापमान ( $T$ ) और विरूपण ( $F$ ) प्रदान करता है, लेकिन एन्ट्रॉपी ( $s$ ) नहीं। एक ऐसे ढांचे की आवश्यकता है जो प्राथमिक अवलोकन योग्य के रूप में तापमान के साथ सम्मान रखते हुए ऊष्मप्रवैगिकी सिद्धांतों का पालन करे।

2. कार्यप्रणाली (Methodology)

लेखक एक भौतिकी-आधारित न्यूरल नेटवर्क ढांचा प्रस्तावित करते हैं जो प्राथमिक कन्स्टिट्यूटिव क्षमताओं को हेल्महोल्ट्ज़ ऊर्जा से हटाकर आंतरिक ऊर्जा (Internal Energy - $e$ ) और विक्षोभ क्षमता (Dissipation Potential - $\phi$ ) पर स्थानांतरित करता है।

अ. सैद्धांतिक ढांचा (Theoretical Framework)

कन्स्टिट्यूटिव क्षमताएं (Constitutive Potentials): पदार्थ की अवस्था को $(F, s)$ $(F, s)$ युग्म द्वारा परिभाषित किया जाता है, जहाँ $F$ $F$ विरूपण प्रवणता (deformation gradient) है और $s$ $s$ संदर्भ एन्ट्रॉपी घनत्व (referential entropy density) है।
- आंतरिक ऊर्जा: $e = e(F, s)$
- विक्षोभ क्षमता: $\phi = \phi(\dot{F}, \dot{s}, g; F, s)$ , जहाँ $g$ संदर्भ तापीय प्रवणता (referential thermal gradient) है।
ऊष्मप्रवैगिकी स्वीकार्यता (Thermodynamic Admissibility): यह ढांचा क्लॉसियस-डुहेम असमानता (Clausius-Duhem inequality) पर आधारित है। आंतरिक ऊर्जा के व्युत्पन्न के रूप में तनाव ( $P$ ) और तापमान ( $T$ ) को परिभाषित करके ( $P = \partial e / \partial F$ , $T = \partial e / \partial s$ ), द्वितीय नियम की संतुष्टि तब सुनिश्चित होती है जब क्षमताएं उत्तल हों।
अवलोकन योग्य के रूप में तापमान: हालांकि मॉडल एन्ट्रॉपी के संदर्भ में निर्मित है, तापमान को स्वतंत्र अवलोकन योग्य माना जाता है। एन्ट्रॉपी को $T = \partial e / \partial s$ संबंध के माध्यम से आंतरिक रूप से निकाला जाता है।

ब. न्यूरल नेटवर्क आर्किटेक्चर (Neural Network Architecture)

लेखक इनपुट कॉनवेक्स न्यूरल नेटवर्क्स (ICNNs) का उपयोग करते हैं ताकि क्षमताओं की उत्तलता (convexity) सुनिश्चित की जा सके, जो ऊष्मप्रवैगिकी स्थिरता के लिए आवश्यक है।

आंतरिक ऊर्जा ( $e$ ): इसे एक फुली इनपुट कॉनवेक्स न्यूरल नेटवर्क (FICNN) द्वारा दर्शाया गया है। इसे राइट कॉची-ग्रीन टेंसर ( $C$ $C$ ) के मुख्य इनवेरियंट्स और एन्ट्रॉपी ( $s$ $s$ ) के फलन के रूप में तैयार किया गया है ताकि ऑब्जेक्टिविटी और सामग्री समरूपता (isotropy) सुनिश्चित की जा सके। इसके आर्किटेक्चर में शामिल हैं:
- $(F, s)$ के लिए एक संयुक्त उत्तल शाखा (joint convex branch)।
- $F$ और $s$ के लिए अलग-अलग उत्तल शाखाएं।
- एक कोएर्सिव ग्रोथ टर्म (coercive growth term) जो आयतन पतन (volumetric collapse) को रोकता है।
- जीरो-एंकरिंग (Zero-anchoring): यह सुनिश्चित करता है कि संदर्भ अवस्था में ऊर्जा और तनाव शून्य हो जाए।
विक्षोभ क्षमता ( $\phi$ ): इसे एक पार्शियली इनपुट कॉनवेक्स न्यूरल नेटवर्क (PICNN) द्वारा दर्शाया गया है। यह तापीय प्रवणता $g$ के संबंध में उत्तल है लेकिन अवस्था चर $(F, s)$ द्वारा पैरामीटराइज्ड है। यह गैर-ऋणात्मक विक्षोभ सुनिश्चित करता है।
सहायक एन्ट्रॉपी नेटवर्क (Auxiliary Entropy Network): प्रशिक्षण के दौरान एन्ट्रॉपी $s$ का अनुमान लगाने के लिए एक सहायक मल्टीलेयर पर्सेप्ट्रॉन (MLP) का उपयोग किया जाता है। निष्कर्ष (inference) के दौरान, एक इटरेटिव न्यूटन-रैप्सन सॉल्वर सटीक अवस्था नियम $T = \partial e / \partial s$ को लागू करता है।

स. प्रशिक्षण रणनीति (Training Strategy)

लॉस फंक्शन (Loss Function): प्रशिक्षण उद्देश्य संतुलन समीकरणों के दुर्बल रूप (weak form of the balance equations) (रैखिक संवेग और आंतरिक ऊर्जा) से प्राप्त एक भौतिकी-आधारित लॉस है।
- फिजिक्स लॉस: संतुलित नियमों (डिरिचलेट और न्यूमैन सीमाओं) के विविक्त अवशेष (residual) को कम करता है।
- सहायक लॉस (Auxiliary Loss): अनुमानित एन्ट्रॉपी और अवस्था नियम के बीच निरंतरता को लागू करता है।
- नियमितीकरण (Regularization): स्पर्सिटी (sparsity) और स्मूथनेस को बढ़ावा देने के लिए L1 और L2 दंड (penalties) लागू किए जाते हैं।
डेटा: इस ढांचे का परीक्षण सिंथेटिक डेटा (ज्ञात हेल्महोल्ट्ज़-आधारित मॉडलों से उत्पन्न) और प्रयोगात्मक डेटासेट (सूअर के ऊतक और कार्बन-भरे रबर) दोनों पर किया गया है।

3. प्रमुख योगदान (Key Contributions)

ऊष्मयांत्रिकी के लिए उत्तल मार्ग (Convex Route to Thermomechanics): यह शोध पत्र आंतरिक ऊर्जा और विक्षोभ क्षमता का उपयोग करते हुए एक नवीन सूत्र प्रस्तुत करता है, जो हेल्महोल्ट्ज़ ऊर्जा की कठिन मिश्रित उत्तलता-अवतलता बाधाओं से बचता है। यह ऊष्मप्रवैगिकी संगतता सुनिश्चित करने के लिए मानक ICNN आर्किटेक्चर के उपयोग की अनुमति देता है।
पूर्णतः युग्मित ढांचा (Fully Coupled Framework): ऊष्म-लोच तक सीमित पिछले कार्यों के विपरीत, यह ढांचा एक ही एकीकृत आर्किटेक्चर के भीतर ऊष्मा चालन और विरूपण-प्रेरित ऊष्मीय प्रभाव सहित पूर्णतः युग्मित ऊष्मयांत्रिक प्रक्रियाओं को संभालता है।
आर्किटेक्चर-एम्बेडेड फिजिक्स (Architecture-Embedded Physics): मौलिक सिद्धांतों (ऑब्जेक्टिविटी, आइसोट्रॉपी, उत्तलता, नॉर्मलाइजेशन) को लॉस फंक्शन में सॉफ्ट पेनल्टी के बजाय नेटवर्क संरचना में हार्ड-कोडेड किया गया है।
अनदेखे चरों का प्रबंधन: यह विधि केवल अवलोकन योग्य डेटा ( $F, T$ ) का उपयोग करके सफलतापूर्वक कन्स्टिट्यूटिव नियमों को सीख लेती है, जिसमें एन्ट्रॉपी ( $s$ ) को नेटवर्क की आंतरिक संरचना के माध्यम से निकाला जाता है।

4. परिणाम (Results)

ढांचे को चार अलग-अलग परिदृश्यों में सत्यापित किया गया:

सिंथेटिक हीट डिफ्यूजन: मॉडल ने क्षणिक ऊष्मा चालन व्यवहार (फूरियर के नियम) को सफलतापूर्वक सीखा और ऊष्मा प्रवाह का सटीक अनुमान लगाया, जिससे सिद्ध हुआ कि विक्षोभ क्षमता तापीय परिवहन को सही ढंग से पकड़ती है।
सूअर का ऊतक (प्रयोगात्मक): मॉडल ने कोमल ऊतकों में तापमान-निर्भर यांत्रिक मृदुकरण (mechanical softening) को पकड़ा। इसने स्पष्ट तापीय विस्तार जानकारी के अभाव में भी तनाव-मुक्त अवस्थाओं के अनुरूप एक संदर्भ तापमान को अंतर्निहित रूप से पहचाना।
कार्बन-भरा रबर (प्रयोगात्मक): मॉडल ने तापमान-निर्भर सख्त होने/नरम होने के व्यवहार को पुनरुत्पादित किया। हालांकि यह बहुत उच्च तापमान पर एक विशिष्ट "ऊष्म-लोच व्युत्क्रमण" (thermoelastic inversion) को पकड़ने में संघर्ष करता है (जो संभवतः संदर्भ विन्यास के संबंध में डेटा की सीमाओं के कारण है), फिर भी इसने अन्य क्षेत्रों में हेल्महोल्ट्ज़-आधारित दृष्टिकोणों के समान प्रदर्शन किया।
पूर्णतः युग्मित संरचनात्मक समस्या (सिंथेटिक): मॉडल को एक छिद्र वाले प्लेट पर प्रशिक्षित किया गया और अनदेखी सीमा स्थितियों के साथ एक स्प्रिंग जैसे नमूने पर परीक्षण किया गया।
- सफलता: इसने संयुक्त लोडिंग के तहत यांत्रिक प्रतिक्रिया बलों और युग्मित तापीय प्रतिक्रियाओं का सटीक अनुमान लगाया।
- सीमा: जब तापमान परिवर्तन अत्यंत सूक्ष्म ( $\sim 10^{-2}$ K) थे, तो मॉडल विरूपण-प्रेरित स्व-ऊष्मीकरण (deformation-induced self-heating) (कमजोर युग्मन प्रभाव) को पकड़ने में संघर्ष करता है, क्योंकि ये संकेत प्रशिक्षण के दौरान प्रभावी तापीय पदों द्वारा दबा दिए गए थे।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह कार्य बहु-भौतिकी (multiphysics) समस्याओं के लिए स्वचालित मॉडल खोज (Automated Model Discovery) में एक महत्वपूर्ण प्रगति है।

सैद्धांतिक मजबूती: आंतरिक ऊर्जा की ओर स्थानांतरित होकर, लेखक जटिल बाधा प्रबंधन के बिना ऊष्मप्रवैगिकी स्वीकार्यता सुनिश्चित करने का एक गणितीय रूप से कठोर मार्ग प्रदान करते हैं।
व्यावहारिक प्रयोज्यता: यह ढांचा बिना किसी स्पष्ट कन्स्टिट्यूटिव समीकरण के ज्ञान के, प्रयोगात्मक डेटा से जटिल, गैर-रेखीय और तापमान-निर्भर व्यवहारों को सीखने में सक्षम है।
भविष्य की दिशाएं: यह अध्ययन रेखांकित करता है कि हालांकि यह ढांचा शक्तिशाली है, मॉडल की गुणवत्ता पूरी तरह से प्रशिक्षण डेटा की पूर्णता और पैमाने द्वारा सीमित है। कमजोर युग्मन प्रभावों (जैसे स्व-ऊष्मीकरण) को पहचानने के लिए लक्षित उत्तेजना रणनीतियों या विशेष प्रशिक्षण व्यवस्थाओं की आवश्यकता होती है।

संक्षेप में, यह शोध पत्र एक "उत्तल मार्ग" स्थापित करता है जो ऊष्मप्रवैगिकी रूप से संगत, पूर्णतः युग्मित कन्स्टिट्यूटिव मॉडलों की खोज को संभव और सुदृढ़ बनाता है, जिससे डेटा-संचालित मशीन लर्निंग और शास्त्रीय निरंतरता ऊष्मयांत्रिकी के बीच की खाई को पाटा जा सकता है।