🤖 machine learning

Inverse Critical Experiment Design via Gradient Optimization and a Multigroup Attention-Based Neural Network Architecture

यह शोध पत्र एक मल्टीग्रुप अटेंशन-आधारित न्यूरल नेटवर्क को ग्रेडिएंट-आधारित अनुकूलन के साथ संयोजित करने वाले एक डीप लर्निंग फ्रेमवर्क को प्रस्तुत करता है, जो उन्नत परमाणु प्रौद्योगिकियों, जैसे कि HALEU ईंधन कैस्क (fuel casks), के सत्यापन के लिए न्यूट्रोनिक समानता ( $c_k$ ) को अधिकतम करने वाले महत्वपूर्ण प्रयोगों को व्युत्क्रम रूप से डिजाइन करता है, जिससे उन उच्च समानता स्कोर को प्राप्त किया जाता है जहाँ पारंपरिक विधियाँ विफल हो जाती हैं।

मूल लेखक: Will Savage, Logan Burnett, Dean Price

प्रकाशित 2026-06-04

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Will Savage, Logan Burnett, Dean Price

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

एक बड़ी तस्वीर: एक परमाणु प्रणाली के लिए "जुड़वां" (Twin) डिजाइन करना

कल्पना कीजिए कि आपके पास एक बिल्कुल नया, हाई-टेक परमाणु रिएक्टर (या ईंधन कंटेनर) है जिसे आप बनाना चाहते हैं। वास्तविक चीज़ बनाने से पहले, आपको यह साबित करने की आवश्यकता है कि यह सुरक्षित है। ऐसा करने के लिए, वैज्ञानिक आमतौर पर "क्रिटिकैलिटी प्रयोग" (criticality experiments) चलाते हैं—जो सिस्टम के छोटे, कम शक्ति वाले परीक्षण संस्करण होते हैं।

हालाँकि, एक पेंच है: परीक्षण संस्करण को वास्तविक चीज़ का एक आदर्श "जुड़वां" होना चाहिए। यदि परीक्षण संस्करण वास्तविक चीज़ से अलग व्यवहार करता है, तो परिणाम बेकार हैं। वैज्ञानिक इस "जुड़वां होने" को $c_k$ नामक एक स्कोर से मापते हैं।

$c_k = 1.0$ : पूर्ण जुड़वां।
$c_k \ge 0.9$ : भरोसा करने के लिए पर्याप्त अच्छा।
$c_k < 0.9$ : पर्याप्त समान नहीं; परीक्षण के परिणाम भ्रामक हो सकते हैं।

समस्या क्या है? कुछ नई तकनीकों (जैसे उन्नत परमाणु ईंधन के लिए एक विशिष्ट कंटेनर जिसे TN-LC कहा जाता है) के लिए, वैज्ञानिकों को कोई भी मौजूदा प्रयोग नहीं मिला जो पर्याप्त समान हो। वे फंस गए थे।

यह शोध पत्र एक समाधान प्रस्तुत करता है: एक मौजूदा प्रयोग को खोजने के बजाय, उन्होंने एक नया प्रयोग शून्य से बनाने (invent करने) के लिए कंप्यूटर का उपयोग किया जो एक पूर्ण जुड़वां है।

उपकरण: एक "क्रिस्टल बॉल" और एक "ट्यूनिंग नॉब"

इस नए प्रयोग को आविष्कार करने के लिए, लेखकों ने दो मुख्य उपकरणों का उपयोग किया:

1. क्रिस्टल बॉल (न्यूरल नेटवर्क)

एक वास्तविक परमाणु सिमुलेशन चलाना प्रयोगशाला में एक लघु वातावरण बनाने और यह देखने के लिए एक महीना इंतजार करने जैसा है कि मौसम कैसा होगा। इसमें बहुत समय लगता है और बहुत अधिक कंप्यूटिंग पावर खर्च होती है।

लेखकों ने एक डीप न्यूरल नेटवर्क (एक प्रकार का AI) बनाया जो एक "क्रिस्टल बॉल" के रूप में कार्य करता है।

प्रशिक्षण (Training): उन्होंने AI को हजारों अलग-अलग प्रयोग डिजाइन और वास्तविक, धीमे सिमुलेशन के परिणाम दिखाए।
ट्रिक: उन्होंने AI को केवल अंतिम परिणाम का अनुमान लगाना नहीं सिखाया। उन्होंने इसे विभिन्न सामग्रियों (जैसे यूरेनियम, स्टील, या पानी) के माध्यम से न्यूट्रॉन कैसे चलते हैं, इसकी भौतिकी (physics) को समझना सिखाया।
नवाचार: उन्होंने "मल्टीग्रुप अटेंशन" (Multigroup Attention) नामक एक विशेष परत जोड़ी। इसे एक स्पॉटलाइट की तरह समझें। अलग-अलग ऊर्जाओं (गति) के न्यूट्रॉन प्रयोग के अलग-अलग हिस्सों पर ध्यान देते हैं। तेज़ न्यूट्रॉन किनारों की परवाह कर सकते हैं, जबकि धीमे न्यूट्रॉन केंद्र की परवाह कर सकते हैं। "अटेंशन" परत AI को सही प्रकार के न्यूट्रॉन के लिए सही क्षेत्रों पर अपना स्पॉटलाइट केंद्रित करने देती है, ठीक वैसे ही जैसे एक मानव विशेषज्ञ करेगा।

2. ट्यूनिंग नॉब (ग्रेडिएंट ऑप्टिमाइज़ेशन)

आमतौर पर, यदि आप आदर्श प्रयोग डिजाइन करना चाहते हैं, तो आप तब तक यादृच्छिक (random) आकार आजमा सकते हैं जब तक कि कुछ काम न कर जाए। यह पियानो की कुंजियों को बेतरतीब ढंग से दबाकर एक विशिष्ट गाना खोजने जैसा है।

चूंकि उनका "क्रिस्टल बॉल" (AI) गणितीय रूप से सुचारू (smooth) है, इसलिए लेखक ग्रेडिएंट ऑप्टिमाइज़ेशन का उपयोग कर सके।

कल्पना कीजिए कि आप एक अंधेरे कमरे में एक पहाड़ी की सबसे ऊँची चोटी खोजने की कोशिश कर रहे हैं।
बेतरतीब ढंग से इधर-उधर भटकने के बजाय, आप अपने पैरों के नीचे ढलान को महसूस कर सकते हैं।
AI सटीक रूप से गणना करता है कि सामग्रियों को किस दिशा में ले जाना है (उदाहरण के लिए, "यहाँ थोड़ा स्टील डालें, वहाँ थोड़ा यूरेनियम जोड़ें") ताकि वह तुरंत "समानता की पहाड़ी" (Similarity Hill) पर चढ़ सके।
यह उन्हें डिज़ाइन को सेकंडों में हजारों बार बदलने की अनुमति देता है, जिससे $c_k$ स्कोर को अधिकतम करने वाला सर्वोत्तम आकार मिलता है।

प्रयोग: "TN-LC" सूटकेस

टीम ने इस पद्धति को एक विशिष्ट समस्या पर लागू किया: HALEU (एक प्रकार का उन्नत परमाणु ईंधन) के लिए एक परिवहन कंटेनर (एक भारी-भरकम सूटकेस) का सत्यापन करना।

उन्होंने तीन डरावनी स्थितियों को देखा:

ड्राय कास्ट (Dry Cask): सामान्य स्थितियाँ।
केस 1: पानी लीक होता है, और एक हल्का ज़हर (poison) लेप होता है।
केस 2: पानी लीक होता है, और एक भारी ज़हर लेप होता है।

समस्या: पिछले खोजों में केस 2 के लिए समान ( $c_k \ge 0.9$ ) कोई भी मौजूदा प्रयोग नहीं मिला।

समाधान:
AI ने एक खाली ग्रिड से शुरुआत की और सामग्रियों (यूरेनियम, स्टील, बोरेटेड एल्युमीनियम, प्लास्टिक) को पुनर्व्यवस्थित करने के लिए अपने "ट्यूनिंग नॉब" का उपयोग किया, जब तक कि उसे एक ऐसा आकार नहीं मिल गया जो TN-LC कंटेनर से पूरी तरह मेल खाता हो।

परिणाम:

ड्राय कास्ट: 0.97 का समानता स्कोर प्राप्त किया (उत्कृष्ट)।
केस 1: 0.81 प्राप्त किया (उपयोगी होने के लिए पर्याप्त, हालांकि पूर्ण नहीं)।
केस 2: 0.93 प्राप्त किया (उत्कृष्ट)। यह बहुत बड़ी बात है क्योंकि इस परिदृश्य के लिए कोई पिछला प्रयोग मौजूद नहीं था।

AI ने क्या आविष्कार किया?

परिणामस्वरूप बने डिज़ाइन थोड़े "एलियन" (अजीब) लग रहे थे। वे उन साफ-सुथरे और सममित (symmetrical) प्रयोगों जैसे नहीं थे जिन्हें इंसान आमतौर पर बनाते हैं।

AI ने महसूस किया कि भौतिकी से मेल खाने के लिए, इसे मुख्य रूप से यूरेनियम और बोरेटेड एल्युमीनियम का उपयोग करने की आवश्यकता है, जिसमें स्टील या प्लास्टिक बहुत कम हो।
आकार जटिल और पैचदार (patchy) थे, जो बिल्कुल वही था जिसकी गणितीय आवश्यकता थी ताकि न्यूट्रॉन उसी तरह व्यवहार करें जैसे वे वास्तविक परिवहन कंटेनर में करेंगे।

कमी (सीमाएँ)

शोध पत्र एक प्रमुख सीमा के बारे में ईमानदार है: AI केवल जुड़वां ( $c_k$ ) बनाने की परवाह करता था। इसे इस बात की परवाह नहीं थी कि परिणामी प्रयोग वास्तव में बनाने के लिए सुरक्षित है या नहीं, या क्या यह विस्फोटित हो जाएगा (ऐसी क्रिटिकल स्थिति तक पहुँच जाएगा जहाँ $k_{eff} > 1$ हो)।

वास्तविक दुनिया में, आपको प्रयोग का स्थिर होना आवश्यक है।
लेखक नोट करते हैं कि भविष्य में, वे AI में एक "सुरक्षा नियम" जोड़ सकते हैं ताकि वे ऐसे जुड़वां डिज़ाइन करें जो चलाने के लिए भी सुरक्षित हों।

सारांश

यह शोध पत्र दिखाता है कि एक स्मार्ट AI (जो समझता है कि न्यूट्रॉन कैसे चलते हैं) को एक गणितीय "ट्यूनिंग नॉब" के साथ जोड़कर, वैज्ञानिक किसी भी नई परमाणु तकनीक के लिए कस्टम-मेड टेस्ट रिवर्स-इंजीनियर कर सकते हैं, यहाँ तक कि उन परिदृश्यों के लिए भी जहाँ वर्तमान में कोई परीक्षण मौजूद नहीं है।

तकनीकी सारांश: ग्रेडिएंट ऑप्टिमाइज़ेशन और एक मल्टीग्रुप अटेंशन-आधारित न्यूरल नेटवर्क के माध्यम से इनवर्स क्रिटिकल एक्सपेरिमेंट डिज़ाइन

समस्या विवरण
उन्नत परमाणु रिएक्टर डिजाइनों और ईंधन अवधारणाओं के सत्यापन, विशेष रूप से हाई-एसले लो-एनरिच्ड यूरेनियम (HALEU) का उपयोग करने वाले डिजाइनों के लिए, उन लक्ष्यों के साथ उच्च न्यूट्रोनिक समानता वाले क्रिटिकल प्रयोगों की आवश्यकता होती है। इस समानता को सहसंबंध गुणांक (correlation coefficient), $c_k$ द्वारा मापा जाता है, जो परमाणु डेटा की अनिश्चितताओं के कारण प्रभावी गुणन कारक ( $k_{eff}$ ) में प्रेरित साझा पूर्वाग्रह (shared bias) को मापता है। एक प्रयोग को पर्याप्त रूप से समान माना जाने के लिए सामान्यतः $c_k \geq 0.9$ की आवश्यकता होती है। हालांकि, TN-अमेरिका TN-LC ट्रांसपोर्टेशन कैस्क जैसे विशिष्ट अनुप्रयोगों के लिए, मौजूदा क्रिटिकल एक्सपेरिमेंट बेंचमार्क अक्सर इस सीमा को पूरा करने में विफल रहते हैं (उदाहरण के लिए, कुछ TN-LC कॉन्फ़िगरेशन के लिए कोई भी मौजूदा प्रयोग $c_k \geq 0.9$ प्राप्त नहीं कर सका)। पारंपरिक डिजाइन विधियाँ उम्मीदवार ज्यामिति (candidate geometries) का मूल्यांकन करने के लिए आवश्यक मोंटे कार्लो सिमुलेशन की उच्च कम्प्यूटेशनल लागत के कारण सीमित हैं, जिससे पूर्ण कॉम्बिनेटोरियल डिजाइन स्पेस का अन्वेषण करना असाध्य हो जाता है।

कार्यप्रणाली
लेखक क्रिटिकल प्रयोगों के इनवर्स डिज़ाइन के लिए एक कार्यप्रणाली प्रस्तावित करते हैं जो डीप न्यूरल नेटवर्क (DNN) सरोगेट मॉडलिंग को नॉनपैरामीट्रिक ग्रेडिएंट ऑप्टिमाइज़ेशन के साथ जोड़ती है।

सरोगेट मॉडलिंग:
- डेटा जनरेशन: सेलुलर ऑटोमेटा एल्गोरिदम का उपयोग करके 5,000 प्रक्रियात्मक रूप से जनरेट की गई 2D प्रयोग ज्यामितियों का एक डेटासेट बनाया गया। इन ज्यातियों को चार प्रतिक्रियाओं ( $^{235}$ U विखंडन, $^{12}$ C इलास्टिक स्कैटरिंग, $^{1}$ H इलास्टिक स्कैटरिंग, और $^{58}$ Ni अवशोषण) के लिए 252 ऊर्जा समूहों (energy groups) में सेंसिटिविटी वेक्टर्स की गणना करने के लिए OpenMC में मॉडल किया गया था।
- आर्किटेक्चर: सरोगेट मॉडल एक हेट्रोजेनियस आर्किटेक्चर का उपयोग करता है जो एक U-Net कनवल्शनल एनकोडर-डिकोडर और एक नवीन मल्टीग्रुप अटेंशन पूलिंग (Multigroup Attention Pooling) परत को जोड़ता है।
  - U-Net इनपुट ज्योमेट्री (जो सामग्री असाइनमेंट के 32x32 क्वार्टर-ग्रिड के रूप में एनकोड की गई है) से स्थानिक विशेषताओं (spatial features) को निकालता है।
  - मल्टीग्रुप अटेंशन पूलिंग परत प्रत्येक ऊर्जा समूह के लिए विशिष्ट अटेंशन मैप्स सीखती है, जो विशिष्ट समूह के लिए उनकी महत्ता के आधार पर स्थानिक विशेषताओं को वेट (weight) देती है। यह विभिन्न ऊर्जा पैमानों पर न्यूट्रॉन ट्रांसपोर्ट की अलग-अलग स्थानिक निर्भरताओं को दर्शाने वाला एक इंडक्टिव बायस (inductive bias) पेश करता है।
  - एक 1D कनवल्शनल रिग्रेसर अंतिम सेंसिटिविटी प्रोफाइल की भविष्यवाणी करने के लिए ग्रुप डिस्क्रिप्टर्स को प्रोसेस करता है।
- ट्रेनिंग: मॉडल को सीधे $c_k$ की भविष्यवाणी करने के बजाय सेंसिटिविटी प्रोफाइल की भविष्यवाणी करने के लिए प्रशिक्षित किया जाता है, जिससे प्रतिक्रियाओं और ऊर्जा समूहों में सूक्ष्म मूल्यांकन संभव होता है, जिसमें नॉर्मलाइज्ड मीन स्क्वेयर्ड एरर (MSE) लॉस का उपयोग किया जाता है।
ग्रेडिएंट-आधारित ऑप्टिमाइज़ेशन:
- सरोगेट मॉडल की डिफरेंशिएबिलिटी (differentiability) $c_k$ को अधिकतम करने के लिए ज्योमेट्री ग्रिड में सामग्री असाइनमेंट के प्रत्यक्ष अनुकूलन को सक्षम बनाती है।
- सामग्री असाइनमेंट की असतत (discrete) प्रकृति को संभालने के लिए, समस्या को निरंतर सामग्री लॉजिट्स ( $\ell$ ) के अनुकूलन में ढाल दिया जाता है। एक टेम्परेचर-स्केल्ड सॉफ्टमैक्स इन लॉजिट्स को प्रायिकता में परिवर्तित करता है, जिन्हें फॉरवर्ड पास के लिए स्ट्रेट-थ्रू एस्टीमेटर (STE) का उपयोग करके डिस्क्रीट किया जाता है, जबकि बैकवर्ड पास के लिए डिफरेंशिएबिलिटी बनाए रखी जाती है।
- ऑप्टिमाइज़ेशन एडमडब्ल्यू (AdamW) ऑप्टिमाइज़र का उपयोग करके नकारात्मक अनुमानित सहसंबंध गुणांक ( $-\hat{c}_k$ ) को कम करता है। एक्सप्लोरेशन से एक्सप्लोइटेशन की ओर संक्रमण के लिए सॉफ्टमैक्स टेम्परेचर पर एक कोसाइन एनीलिंग शेड्यूल लागू किया जाता है।

प्रमुख योगदान

इनवर्स डिज़ाइन फ्रेमवर्क: यह कार्य एक ऐसा फ्रेमवर्क स्थापित करता है जो ग्रेडिएंट डिसेंट के माध्यम से सामग्री असाइनमेंट को सीधे अनुकूलित करके लक्ष्य प्रणाली के प्रति उच्च न्यूट्रोनिक समानता ( $c_k$ ) वाले क्रिटिकल एक्सपेरिमेंट ज्योमेट्री उत्पन्न करता है।
मल्टीग्रुप अटेंशन मैकेनिज्म: मल्टीग्रुप अटेंशन पूलिंग लेयर का परिचय यह अनुमति देता है कि नेटवर्क विभिन्न ऊर्जा समूहों के लिए न्यूट्रॉन सेंसिटिविटी की विशिष्ट स्थानिक निर्भरताओं को कैप्चर कर सके। लेखक प्रदर्शित करते हैं कि यह आर्किटेक्चर पारंपरिक मैक्स और एवरेज पूलिंग की तुलना में भविष्यवाणी सटीकता (कम मीन एब्सोल्यूट एरर) में बेहतर प्रदर्शन करता है और भौतिक अंतर्ज्ञान के अनुरूप व्याख्या योग्य आंतरिक व्यवहार प्रदान करता है (जैसे, थर्मल न्यूट्रॉन ईंधन में स्थानीयकृत रहते हैं जबकि फास्ट न्यूट्रॉन आसपास के क्षेत्रों के साथ इंटरैक्ट करते हैं)।
न्यूट्रोनिक्स के लिए डिफरेंशिएबल सरोगेट्स: यह अध्ययन मोंटे कार्लो सेंसिटिविटी गणनाओं की कम्प्यूटेशनल लागत से बाधित होने वाले कार्य को हल करने के लिए, पूर्ण कॉम्बिनेटोरियल डिजाइन स्पेस में नेविगेट करने हेतु डिफरेंशिएबल डीप लर्निंग सरोगेट्स के उपयोग की व्यवहार्यता को प्रदर्शित करता है।

परिणाम
कार्यप्रणाली को TN-LC ट्रांसपोर्टेशन कैस्क के तीन कॉन्फ़िगरेशन के लिए प्रयोगों को डिजाइन करने में लागू किया गया: एक ड्राई कैस्क, लो-डेंसिटी पॉइजन के साथ फ्लडेड कैस्क (केस 1), और हाई-डेंसिटी पॉइजन के साथ फ्लडेड कैस्क (केस 2)।

प्रदर्शन: ऑप्टिमाइज़ेशन ने उच्च $c_k$ $c_{k}$ स्कोर वाले प्रयोगों की ज्यामिति सफलतापूर्वक जनरेट की:
- ड्राई कैस्क: $c_k = 0.97757$
- केस 1: $c_k = 0.81324$ ( $k_{eff}$ पेनल्टी से बचने के लिए आवश्यक 0.8 के थ्रेशोल्ड से अधिक)
- केस 2: $c_k = 0.93276$ (एक महत्वपूर्ण उपलब्धि, क्योंकि इस कॉन्फ़िगरेशन के लिए $c_k \geq 0.8$ वाला कोई पूर्व प्रयोग मौजूद नहीं था)।
ज्यामिति विशेषताएँ: अनुकूलित ज्योमेट्री अत्यधिक विषम और "एलियन" (alien) डिजाइन की थी, जिसने स्टेनलेस स्टील और पॉलीथीन के बजाय मुख्य रूप से $\text{UO}_2$ और बोरेटेड एल्युमीनियम को प्राथमिकता दी। ऑप्टिमाइज़र ने मुख्य रूप से $^{235}\text{F}$ विखंडन सेंसिटिविटी प्रोफाइल के परिमाण और आकार को मैच करने पर ध्यान केंद्रित किया, जो $k_{eff}$ अनिश्चितता का प्रमुख योगदानकर्ता है।
मॉडल सटीकता: सरोगेट मॉडल ने टेस्ट सेट मीन एब्सोल्यूट एरर (MAE) 41.19 pcm प्राप्त किया, जिसमें मल्टीग्रुप अटेंशन पूलिंग कॉन्फ़िगरेशन पारंपरिक पूलिंग विधियों की तुलना में सबसे कम त्रुटि दिखाता है।

महत्ता और दावे
यह पेपर दावा करता है कि यह दृष्टिकोण उन्नत परमाणु प्रौद्योगिकियों के विकास और सत्यापन को गति देने के लिए डीप लर्निंग और ग्रेडिएंट ऑप्टिमाइज़ेशन की क्षमता को प्रदर्शित करता है। विशेष रूप से, यह HALEU ट्रांसपोर्ट परिदृश्यों के लिए मौजूदा प्रायोगिक कवरेज के अंतराल को संबोधित करता है जहाँ पारंपरिक बेंचमार्किंग विफल रहती है।

लेखक स्पष्ट रूप से सीमाओं और मध्यम दावों को नोट करते हैं:

$k_{eff}$ बाधा: वर्तमान विधि ऑप्टिमाइज़ेशन के दौरान प्रभावी गुणन कारक ( $k_{eff}$ ) को बाधित नहीं करती है। जबकि परिणामी प्रयोगों में $k_{eff}$ मान 1 के करीब या उससे ऊपर थे, सबक्रिटिकलिटी या विशिष्ट क्रिटिकलिटी मार्जिन सुनिश्चित करने के लिए अतिरिक्त बाधाओं या सरोगेट मॉडल्स की आवश्यकता होती है, जिन्हें भविष्य के कार्य के रूप में पहचाना गया है।
दायरा: यह अध्ययन 2D ज्योमेट्री और एक विशिष्ट मटेरियल पैलेट पर केंद्रित है। SPARC जैसी सुविधाओं के पूर्ण मटेरियल डिजाइन स्पेस और 3D ज्योमेट्री तक विस्तार को भविष्य के शोध के रूप में प्रस्तावित किया गया है।
व्याख्यात्मकता (Interpretability): हालांकि अटेंशन मैप्स न्यूट्रॉन भौतिकी के अनुरूप गुणात्मक अंतर्दृष्टि प्रदान करते हैं, लेखक स्वीकार करते हैं कि मॉडल के आंतरिक व्यवहार को पूरी तरह से मापने के लिए अधिक कठोर व्याख्यात्मक विश्लेषण की आवश्यकता है।

संक्षेप में, यह कार्य एक प्रमाण-अवधारणा (proof-of-concept) प्रदान करता है कि डिफरेंशिएबल सरोगेट मॉडल्स का उपयोग परमाणु इंजीनियरिंग में इनवर्स डिजाइन समस्याओं को हल करने के लिए किया जा सकता है, जिससे ऐसे नवीन प्रयोग कॉन्फ़िगरेशन उत्पन्न होते हैं जो वहां उच्च न्यूट्रोनिक समानता प्राप्त करते हैं जहां पहले कोई अस्तित्व में नहीं था।