🔬 physics

Physics-Informed Reduced-Order Operator Learning for Hyperelasticity in Continuum Micromechanics

यह शोध पत्र एक भौतिकी-सूचित (physics-informed) रिड्यूस्ड-ऑर्डर ऑपरेटर लर्निंग फ्रेमवर्क प्रस्तुत करता है जो इक्विलिब्रियम न्यूरल ऑपरेटर्स को QR-आधारित डिस्क्रीट एम्पिरिकल इंटरपोलेशन के साथ जोड़ता है, ताकि 3D हाइपरइलास्टिक माइक्रोस्ट्रक्चर सरोगेट मॉडल्स के प्रशिक्षण और अनुमान (inference) की कम्प्यूटेशनल लागत को नाटकीय रूप से कम किया जा सके और साथ ही यांत्रिक साम्यावस्था (mechanical equilibrium) सुनिश्चित करते हुए सटीक स्ट्रेस भविष्यवाणियां सक्षम की जा सकें।

मूल लेखक: Hamidreza Eivazi, Henning Wessels

प्रकाशित 2026-05-11

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Hamidreza Eivazi, Henning Wessels

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 यह अनुमान लगाने की कोशिश कर रहे हैं कि फलों से भरी एक जटिल, लचीली जेली (जैसे कि फ्रूटकेक) को दबाने पर वह कैसे पिचकती और खिंचती है। वास्तविक दुनिया में, यह "फ्रूटकेक" एक सूक्ष्म सामग्री है जो अलग-अलग हिस्सों (जैसे कि रेशों और मैट्रिक्स) से बनी है। इस पूरे केक के व्यवहार को समझने के लिए, इंजीनियरों को आमतौर पर इसके अंदर के हर एक छोटे से हिस्से का अनुकरण (simulate) करना पड़ता है। यह समुद्र तट पर रेत के हर एक कण को गिनने की कोशिश करने जैसा है ताकि ज्वार की गति का अनुमान लगाया जा सके; यह अविश्वसनीय रूप से सटीक है, लेकिन इसमें इतनी अधिक कंप्यूटर शक्ति लगती है कि आप इसे जल्दी या बार-बार नहीं कर सकते।

यह शोध पत्र इस समस्या को हल करने के लिए एक नया, चतुर शॉर्टकट पेश करता है। यह कैसे काम करता है, यहाँ सरल अवधारणाओं में दिया गया है:

1. समस्या: "बहुत अधिक विवरण" की बाधा (The "Too Many Details" Bottleneck)

सामान्यतः, किसी सामग्री के व्यवहार की भविष्यवाणी करने के लिए, कंप्यूटर को लाखों सूक्ष्म बिंदुओं वाले एक विशाल पहेली को हल करना पड़ता है। इसे बार-बार करना (जैसे कार या पुल डिजाइन करते समय) बहुत धीमा और महंगा है। यह एक विशाल स्क्रीन पर हर एक पिक्सेल को हाथ से पेंट करके एक उत्कृष्ट कृति बनाने की कोशिश करने जैसा है।

2. समाधान: "अराजकता का सारांश" बनाना (Summarizing the Chaos)

लेखकों ने EquiNO (इक्विलिब्रियम न्यूरल ऑपरेटर) नामक एक विधि बनाई है। इसे ऐसे समझें कि आपने कंप्यूटर को हर छोटे विवरण के बजाय "बड़ी तस्वीर" देखना सिखा दिया है।

उपमा: कल्पना कीजिए कि आप लोगों की भीड़ के आकार का वर्णन करना चाहते हैं। हर एक व्यक्ति के निर्देशांक (coordinates) सूचीबद्ध करने के बजाय (जो कि लाखों संख्याएं होंगी), आप भीड़ के पैटर्न का वर्णन करते हैं: "सामने का हिस्सा घना है, पीछे का हिस्सा विरल है, और एक लहर बाईं ओर चल रही है।"
यह कैसे काम करता है: कंप्यूटर कुछ "पैटर्न" (जिन्हें मोड कहा जाता है) सीखता है जो बताते हैं कि सामग्री आमतौर पर कैसे चलती है। इसे केवल उन संख्याओं को सीखने की आवश्यकता होती है जो इन पैटर्नों को नियंत्रित करती हैं, न कि प्रत्येक बिंदु की स्थिति को। यह एक गाने की धुन सीखने जैसा है, न कि हर व्यक्तिगत नोट के समय को याद करने जैसा।

3. "जादुई बिंदु" वाली ट्रिक (Q-DEIM)

"बड़ी तस्वीर" वाले सारांश के साथ भी, लाखों बिंदुओं पर गणित की जांच करना अभी भी बहुत धीमा है। लेखकों ने इसमें Q-DEIM नामक एक दूसरा तरीका जोड़ा है।

उपमा: कल्पना कीजिए कि आप 1,000 पन्नों की परीक्षा चेक कर रहे एक शिक्षक हैं। हर एक पन्ना पढ़ने के बजाय कि छात्र को अवधारणा समझ में आई या नहीं, आप केवल 50 विशिष्ट, महत्वपूर्ण प्रश्नों की जांच करने का निर्णय लेते जो आपको सब कुछ बता सकें।
यह कैसे काम करता है: कंप्यूटर सामग्री के भीतर कुछ चुनिकी "जादुई बिंदुओं" की पहचान करता है। यह केवल इन विशिष्ट स्थानों पर भारी गणितीय गणना करता है। क्योंकि कंप्यूटर पहले से ही पैटर्न सीख चुका है (चरण 2 से), इन कुछ स्थानों की जांच करना यह जानने के लिए पर्याप्त है कि पूरी सामग्री सही ढंग से व्यवहार कर रही है या नहीं। यह प्रशिक्षण प्रक्रिया को 1,000 गुना (तीन ऑर्डर ऑफ मैग्नीट्यूड) तेज कर देता है।

4. "त्वरित सारांश" (Reduced Homogenization)

आमतौर पर, सूक्ष्म विवरणों का अनुकरण करने के बाद, आपको अंतिम परिणाम प्राप्त करने के लिए उन्हें औसत निकालना होता है (जैसे कि सामग्री द्वारा लगाया गया कुल बल)। इसके लिए आमतौर पर पहले पूरी अव्यवस्थित तस्वीर को फिर से बनाना पड़ता है।

उपमा: पूरी किताब को फिर से पढ़ने के बजाय कि आप एक वाक्य का सारांश लिखें, आप बस उन इंडेक्स कार्ड्स को देखते हैं जो आपने पढ़ते समय बनाए थे।
यह कैसे काम करता है: कंप्यूटर सीखे गए पैटर्नों से सीधे अंतिम "औसत" परिणाम की गणना करता है, बिना सामग्री की पूरी, अव्यवस्थित तस्वीर को फिर से बनाए। यह अंतिम उत्तर प्राप्त करने को 10,000 गुना तेज़ बना देता है।

5. परिणाम: तेज़, सटीक और भौतिकी-संगत (Fast, Accurate, and Physics-Compliant)

लेखकों ने इसे दो अलग-अलग प्रकार के "फ्रूटकेक्स" (रैंडम फाइबर वाले और हेक्सागोनल फाइबर वाले पदार्थों) पर परखा।

गति: उन्होंने मॉडल को 233 अलग-अलग खिंचाव परिदृश्यों (stretching scenarios) पर प्रशिक्षित किया। मॉडल को इन सभी परिदृश्यों पर प्रशिक्षित करने में लगने वाला समय पारंपरिक कंप्यूटर द्वारा केवल एक परिदृश्य का अनुकरण करने में लगने वाले समय से आधे से भी कम था।
सटीकता: भले ही कंप्यूटर केवल कुछ "जादुई बिंदुओं" को देख रहा था और कुछ ही पैटर्न सीख रहा था, फिर भी इसने सामग्री के तनाव (stress) और गति की अविश्वसनीय सटीकता के साथ भविष्यवाणी की (त्रुटियां 2% से कम थीं)।
विश्वसनीयता: मॉडल तब भी अच्छा काम करता है जब इसे उन परिदृश्यों की भविष्यवाणी करने के लिए कहा जाता जो उसने पहले नहीं देखे थे (एक्स्ट्रापोलेशन), जो यह साबित करता है कि इसने केवल डेटा को याद नहीं किया, बल्कि वास्तविक भौतिकी को सीखा है।

मुख्य निष्कर्ष (The Bottom Line)

यह शोध पत्र कंप्यूटर को यह सिखाने का एक तरीका प्रस्तुत करता है कि जटिल सामग्रियां कैसे व्यवहार करती हैं:

प्रत्येक बिंदु के बजाय गति के पैटर्न को सीखना।
केवल कुछ महत्वपूर्ण "जादुिक" स्थानों पर गणित की जांच करना।
पैटर्नों से सीधे अंतिम परिणाम की गणना करना।

यह एक ऐसी प्रक्रिया को, जो पहले व्यावहारिक उपयोग के लिए बहुत धीमी और महंगी थी, उसे तेजी से करने योग्य बनाता है, जिससे बिना किसी सुपरकंप्यूटर के इंजीनियरिंग के लिए बेहतर सामग्रियों को डिजाइन करना बहुत आसान हो जाता है।

तकनीकी सारांश: निरंतरता सूक्ष्म यांत्रिकी (Continuum Micromechanics) में हाइपरइलास्टिसिटी के लिए भौतिकी-सूचित कम-क्रम ऑपरेटर लर्निंग (Physics-Informed Reduced-Order Operator Learning)

समस्या विवरण
विषम सामग्रियों (heterogeneous materials) के मल्टीस्केल परिमित-तत्व (FE $^2$ ) सिमुलेशन में, प्रभावी व्यवहार निर्धारित करने के लिए प्रतिनिधि आयतन तत्वों (RVEs) पर सीमा-मान समस्याओं (boundary-value problems) को बार-बार हल करना अत्यधिक गणनात्मक रूप से महंगा है, विशेष रूप से गैररेखीय, परिमित-विकृति (finite-strain) हाइपरइलास्टिक सामग्रियों के लिए। जबकि ऑपरेटर लर्निंग पर आधारित सरोगेट मॉडल फंक्शन स्पेस के बीच इन मैपिंग को अनुमानित करने का एक मार्ग प्रदान करते हैं, उनका व्यावहारिक अनुप्रयोग अक्सर लॉस इवैल्यूएशन (loss evaluation) की उच्च गणनात्मक लागत से बाधित होता है। तीन आयामी (3D) सूक्ष्म संरचनाओं के पूर्ण स्थानिक विविक्तिकरण (full spatial discretizations) पर भौतिकी-सूचित लॉस का मूल्यांकन करना प्रशिक्षण के दौरान एक बाधा उत्पन्न करता है, जो फुल-बैच अनुकूलन (full-batch optimization) के उपयोग को सीमित करता है और जटिल 3D RVEs के लिए इस दृष्टिकोण को अव्यवहार्य बनाता है।

कार्यप्रणाली
लेखक एक ढांचा प्रस्तावित करते हैं जो इन बाधाओं को दूर करने के लिए इक्विलिब्रियम न्यूरल ऑपरेटर (EquiNO) को QR-आधारित डिस्क्रीट एम्पिरिकल इंटरपोलेशन मेथड (Q-DEIM) के साथ एकीकृत करता है। यह कार्यप्रणाली तीन मुख्य घटकों से बनी है:

कठोर बाधाओं के साथ कम-क्रम प्रतिनिधित्व (Reduced-Order Representation with Hard Constraints):
यह ढांचा EquiNO को परिमित-विकृति हाइपरइलास्टिसिटी के लिए विस्तारित करता है। पूर्ण-क्षेत्र समाधानों को सीखने के बजाय, न्यूरल नेटवर्क केवल विस्थापन-विचलन क्षेत्र (displacement-fluctuation field) और प्रथम पिया-किरखोफ स्ट्रेस (first Piola–Kirchhoff stress) के कम-क्रम प्रतिनिधित्व के मोडल गुणांकों (modal coefficients) को सीखता है।
- आधार निर्माण (Basis Construction): विस्थापन विचलन का विस्तार आवधिक मोड (periodic modes) में किया जाता है, और स्ट्रेस का विस्तार डाइवर्जेंस-मुक्त (divergence-free) मोड में किया जाता है।
- कठोर प्रवर्तन (Hard Enforcement): निर्माण द्वारा, अनुमानित विचलन क्षेत्र आवधिक सीमा स्थितियों (periodic boundary conditions) को संतुष्ट करता है, और प्रक्षिप्त (projected) स्ट्रेस क्षेत्र रैखिक संवेग के संतुलन (balance of linear momentum/equilibrium) को संतुष्ट करता है। यह इन बाधाओं के लिए लॉस फंक्शन में सॉफ्ट पेनल्टी टर्म्स की आवश्यकता को समाप्त करता है।
हाइपर-रिड्यूस्ड लॉस इवैल्यूएशन (Q-DEIM):
संपूर्ण डोमेन पर कंस्टिट्यूटिव रिस्पॉन्स के मूल्यांकन की लागत को दूर करने के लिए, लेखक Q-DEIM लागू करते हैं।
- स्ट्रेस बेसिस का कॉलम-पिवोटेड QR गुणनखंडन "मैजिक पॉइंट्स" (स्थानिक कोलोकेशन पॉइंट्स) के एक छोटे सेट की पहचान करता है।
- भौतिकी-सूचित लॉस, जो कितात्मक रूप से स्वीकार्य स्ट्रेस (विकृति ग्रेडिएंट से प्राप्त) और संतुलन-संरक्षण स्ट्रेस (स्ट्रेस बेसिस से प्राप्त) के बीच संगति को मापता है, इन चयनित बिंदुओं पर ही मूल्यांकित किया जाता है।
- यह न्यूनीकरण प्रक्रिया को रूपांतरित करता है, जिससे 3D RVEs के लिए फुल-बैच सेकंड-ऑर्डर अनुकूलन (L-BFGS का उपयोग करके) गणनात्मक रूप से व्यवहार्य हो जाता है।
कम-क्रम समोजीनीकरण (Reduced Homogenization):
स्थूल मात्राओं (समग्रित प्रथम पिया-किकिलखोफ स्ट्रेस और मटेरियल टेंजेंट) की गणना सीधे कम-क्रम स्ट्रेस मोड से की जाती है। स्ट्रेस बेसिस को ऑफलाइन औसत निकाला जाता है, जिससे अनुमानित मोडल गुणांकों से स्थूल प्रतिक्रिया (macroscopic response) को प्राप्त किया जा सकता है, बिना पूर्ण स्थानीय स्ट्रेस क्षेत्र के पुनर्निर्माण के।

प्रमुख योगदान

3D परिमित-विकृति का विस्तार: EquiNO ढांचे को तीन-आयामी परिमित-विकृति हाइपरइस्टिक RVEs के लिए सफलतापूर्वक अनुकूलित किया गया है, जबकि निर्माण द्वारा आवधिकता और संतुलन बाधाओं को बनाए रखा गया है।
Q-DEIM के माध्यम से गणनात्मक दक्षता: Q-DEIM का एकीकरण फुल-फील्ड मूल्यांकन की तुलना में भौतिकी-सूचित लॉस के प्रति-चरण लागत को लगभग तीन आदेशों (three orders of magnitude) से कम कर देता है। यह फुल-बैच प्रशिक्षण को सक्षम बनाता है, जो पहले 3D समस्याओं के लिए अव्यवहार्य था।
प्रशिक्षण दक्षता: लेखक प्रदर्शित करते हैं कि 233 अनसुपरवाइज्ड लोडिंग पाथ्स पर प्रशिक्षण करने में एक मानक आवधिक समोजीनीकरण परिमित-तत्व सॉल्वर के साथ एकल लोडिंग पाथ को हल करने की तुलना में लगभग आधा समय लगता है।
प्रत्यक्ष समोजीनीकरण: विधि सीधे कम-क्रम मोड से समग्रित स्ट्रेस प्राप्त करती है, जिससे प्रत्यक्ष फुल-फील्ड पुनर्निर्माण और औसत की तुलना में स्थूल मात्रा गणना के लिए $10^3$ से $10^4$ के स्पीड-अप फैक्टर प्राप्त होते हैं।

परिणाम
ढांचे को दो 3D RVEs पर मान्य किया गया: एक स्टोकेस्टिक फाइबर वितरण वाला और एक हेक्सागोनल फाइबर व्यवस्था वाला। दोनों को कंप्रेसिबल आइसोट्रोपिक हाइपरइलास्टिक सामग्री के रूप में मॉडल किया गया था।

सटीकता: मॉडलों ने इन-रेंज और आउट-ऑफ-रेंज सामान्यीकरण (generalization) में उच्च सटीकता प्राप्त की।
- इन-रेंज: 20 स्नैपशॉट लोडिंग पाथ और $2 \times 64$ नेटवर्क के साथ, स्टोकेस्टिक-फाइबर RVE ने 1.09% का फुल-फील्ड स्ट्रेस एरर ( $\varepsilon_P$ ) और 0.9997 का समग्रित स्ट्रेस $R^2$ प्राप्त किया। हेक्सागोनल-फाइबर RVE ने $\varepsilon_P = 1.37\%$ और $R^2 = 0.9990$ प्राप्त किया।
- आउट-ऑफ-रेंज: जब बेसिस निर्माण के लिए प्रतिबंधित $\|\bar{E}\| \leq 0.4 \|\bar{E}\|_{max}$ वाले लोडिंग पाथ्स पर परीक्षण किया गया, तो मॉडलों ने मजबूत प्रदर्शन बनाए रखा। 20 स्नैपशॉट्स के साथ स्टोकेस्टिक-फाइबर RVE के लिए, फुल-फील्ड स्ट्रेस एरर 1.15% था, और समग्रित स्ट्रेस $R^2$ 0.9994 था।
मटेरियल टेंजेंट: ऑटोमैटिक डिफरेंशिएशन के माध्यम से गणना किया गया मटेरियल टेंजेंट भी सटीक रूप से अनुमानित किया गया था (जैसे, सर्वश्रेष्ठ स्टोकेस्टिक मॉडल के लिए $R^2_{\bar{A}} = 0.9976$ )।
स्पीड-अप फैक्टर्स:
- प्रशिक्षण ( $s_{QDEIM}$ ): लॉस इवैल्यूएशन के लिए $10^3$ के क्रम के स्पीड-अप फैक्टर देखे गए।
- अनुमान/इन्फरेंस ( $s_{hom}$ ): समग्रित स्ट्रेस की गणना के लिए स्पीड-अप फैक्टर $10^3$ से $10^4$ के बीच थे।
डेटा दक्षता: सीमित संख्या में ऑफलाइन स्नैपशॉट्स (जैसे, 10 पाथ्स) के साथ भी सटीक सरोगेट प्राप्त किए गए, और अधिक स्नैपशॉट्स जोड़ने के साथ प्रदर्शन व्यवस्थित रूप से सुधरा।

महत्व और दावे
यह शोध दावा करता है कि बाधित कम-क्रम प्रतिनिधित्व, हाइपर-रिड्यूस्ड लॉस इवैल्यूएशन और कम-क्रम समोजीनीकरण को एकीकृत करने से भौतिकी-सूचित ऑपरेटर लर्निंग तीन-आयामी गणनात्मक सूक्ष्म यांत्रिकी के लिए काफी व्यावहारिक हो जाता है। फुल-फील्ड मूल्यांकन के बजाय एक छोटे से सेट (मैजिक पॉइंट्स) और मोडल गुणांकों पर अनुकूलन के बोझ को स्थानांतरित करके, यह ढांचा उन बाधाओं को दूर करता है जो आमतौर पर 3D गैररेखीय सेटिंग्स में ऑपरेटर लर्निंग को सीमित करती हैं। लेखक इस कार्य को हाई-फिडेलिटी माइक्रोस्ट्रक्चर सरोगेट्स को मल्टीस्केल सिमुलेशन के लिए व्यवहार्य बनाने की दिशा में एक कदम के रूप में देखते हैं जहाँ प्रत्यक्ष फुल-फील्ड प्रशिक्षण लागत और मेमोरी द्वारा सीमित है। वे उल्लेख करते हैं कि अगला तार्किक चरण इस ढांचे को इतिहास-निर्भरता (history dependence) वाले इनइलास्टिक सूक्ष्म संरचनाओं तक विस्तारित करना है।