🔬 condensed matter

Machine learning enables roughness-driven inverse design of milling processes

यह शोध पत्र एक सुदृढ़ मशीन लर्निंग फ्रेमवर्क का प्रस्ताव करता है जो लक्षित सतह खुरदरापन (surface roughness) प्राप्त करने के लिए मिलिंग प्रक्रियाओं के व्युत्क्रम डिजाइन (inverse design) को सक्षम करने हेतु डीप न्यूरल नेटवर्क, रैंडम फॉरेस्ट और बायेसियन ऑप्टिमाइज़ेशन को संयोजित करता है, जो उच्च-सटीकता वाले सिंथेटिक डेटा के माध्यम से डेटा सीमाओं और 'मेनी-टू-वन' मैपिंग की चुनौती को प्रभावी ढंग से दूर करता है।

मूल लेखक: Hadi Bakhshan, Sima Farshbaf, Fernando Rastellini, Josep Maria Carbonell

प्रकाशित 2026-06-16

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Hadi Bakhshan, Sima Farshbaf, Fernando Rastellini, Josep Maria Carbonell

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 बेहतरीन केक बनाने की कोशिश कर रहे हैं, एक मास्टर शेफ के रूप में। आमतौर पर, प्रक्रिया इस प्रकार काम करती है: आप अपनी सामग्री (मैदा, चीनी, अंडे) और अपने ओवन की सेटिंग्स (तापमान, समय) चुनते हैं, उन्हें अंदर डालते हैं, और देखते हैं कि आपको कैसा केक मिलता है। इसे फॉरवर्ड डिज़ाइन (forward design) कहा जाता है।

लेकिन क्या होगा अगर आपकी कोई विशेष इच्छा हो? आप चाहते हैं कि केक ठीक 2 इंच ऊंचा हो और उसकी बनावट (texture) एक विशिष्ट प्रकार की हो। आप नहीं जानते कि कौन सा सामग्री और सेटिंग्स का संयोजन आपको वहां तक ले जाएगा। आपको वह सही रेसिपी खोजने के लिए 100 केक बनाने पड़ सकते हैं, और हर एक को चखना पड़ सकता है। यह वह "ट्रायल एंड एरर" (परीक्षण और त्रुटि) वाली समस्या है जिसका सामना निर्माता धातु के पुर्जों को एक विशिष्ट चिकनाई देने के दौरान करते हैं।

यह शोध पत्र एक स्मार्ट, कंप्यूटर-आधारित समाधान प्रस्तुत करता है ताकि उन 100 केकों को छोड़कर सीधे सही रेसिपी तक पहुँचा जा सके। उन्होंने इसे कैसे किया, यहाँ सरल भाषा में समझाया गया है:

1. समस्या: "एक-से-अनेक" (One-to-Many) का रहस्य

मिलिंग (धातु काटने) की दुनिया में, आपकी सेटिंग्स और अंतिम चिकनाई के बीच का संबंध पेचीदा है। यह एक जादुई दर्पण की तरह है।

फॉरवर्ड (Forward): यदि आप कंप्यूटर को बताते हैं, "मैंने गति X और टूल Y सेट की है," तो वह आसानी से बता सकता है, "आपको Z स्तर की खुरदरापन (roughness) मिलेगी।"
इनवर्स (Inverse): यदि आप कंप्यूटर को बताते हैं, "मुझे Z स्तर की खुरदरापन चाहिए," तो वह भ्रमित हो जाता है। क्यों? क्योंकि उस चिकनाई को पाने का केवल एक तरीका नहीं है। आप एक तेज़ गति और एक कुंद (dull) टूल का उपयोग करके भी वही चिकनी सतह प्राप्त कर सकते हैं, या एक धीमी गति और एक सुपर-शार्प टूल का उपयोग करके भी। कई अलग-अलग "रेसिपी" (इनपुट संयोजन) हैं जो एक ही "केक" (आउटपुट) तक ले जाते हैं।

यदि आप केवल एक मानक कंप्यूटर प्रोग्राम को गणित को उल्टा करने के लिए कहते हैं, तो वह बीच में फंस जाता है, और आपको एक "औसत" रेसिपी दे देता है जो वास्तव में वास्तविक दुनिया में मौजूद ही नहीं होती। यह वैसा ही है जैसे कंप्यूटर आपको "आधा कप चीनी और आधा कप नमक" उपयोग करने के लिए कहे, सिर्फ इसलिए क्योंकि यह मीठी और नमकीन रेसिपी का औसत है।

2. समाधान: एक दो-चरणीय जासूसी खेल

इसे हल करने के लिए, लेखकों ने एक ऐसा सिस्टम बनाया है जो एक साधारण कैलकुलेटर के बजाय एक स्मार्ट डिटेक्टिव (जासूस) की तरह काम करता है। उन्होंने दो मुख्य उपकरणों का उपयोग किया:

द सिम्युलेटर (प्रशिक्षण का मैदान): चूंकि वे 10,000 असली धातु के केक नहीं बना सकते थे (यह बहुत महंगा और धीमा होता), उन्होंने एक वर्चुअल सिमुलेशन बनाया। उन्होंने हजारों वर्चुअल कट चलाए, गति, टूल का आकार और टूल के कोण को बदलते रहे, जिससे "क्या होगा अगर" वाले परिदृश्यों का एक विशाल पुस्तकालय तैयार हुआ। यह उनका सिंथेटिक डेटासेट (synthetic dataset) है।
एआई मॉडल (सीखने वाले): उन्होंने इस लाइब्रेरी को पढ़ने के लिए दो अलग-अलग प्रकार के आर्टिफिशियल इंटेलिजेंस (AI) को प्रशिक्षित किया:
1. डीप न्यूरल नेटवर्क (DNN): इसे एक सुपर-एडवांस्ड दिमाग समझें जो डेटा में जटिल, छिपे हुए पैटर्न को खोजता है।
2. रैंडम फॉरेस्ट (RF): इसे कई सरल निर्णय लेने वालों (पेड़ों) की एक समिति समझें जो उत्तर पर वोट करती है। यदि एक पेड़ गलत होता है, तो अन्य उसे सुधार देते हैं।

दोनों एआई ने सेटिंग्स के आधार पर सतह की चिकनाई की भविष्यवाणी करना सीख लिया (फॉरवर्ड दिशा)।

3. सीक्रेट सॉस: बेयसियन ऑप्टिमाइज़ेशन (स्मार्ट खोज)

यहाँ सबसे चतुराई वाला हिस्सा है। एआई से सीधे सेटिंग्स का अनुमान लगाने के बजाय (जिससे वह "औसत रेसिपी" वाली समस्या होती है), उन्होंने बेयसियन ऑप्टिमाइज़ेशन (Bayesian Optimization) नामक रणनीति का उपयोग किया।

कल्पित कीजिए कि आप एक विशाल द्वीप पर छिपे हुए खजाने की तलाश कर रहे हैं।

पुराना तरीका: आप एक जगह का अनुमान लगाते हैं, खुदाई करते हैं, और यदि आपको खजाना नहीं मिलता, तो आप दूसरी जगह का अनुमान लगाते हैं।
नया तरीका (बेयसियन ऑप्टिमाइज़ेशन): आपके पास एक नक्शा है जो आपको बताता है कि आपके द्वारा पहले मिले सुरागों के आधार पर खजाना कहाँ हो सकता है। एआई अगले खुदाई के लिए सबसे आशाजनक स्थान का सुझाव देता है। यदि आप वहां खुदाई करते हैं और खजाना नहीं मिलता, तो नक्शा अपडेट हो जाता है, और यह एक नए स्थान का सुझाव देता है जो थोड़ा अलग है लेकिन फिर भी आशाजनक है।

इस शोध पत्र में, "खजाना" वह विशिष्ट चिकनाई है जिसे इंजीनियर चाहता है। एआई प्रशिक्षित मॉडलों का उपयोग करके हजारों संभावित सेटिंग्स का अनुकरण करता है, लेकिन वह इसे बुद्धिमानी से करता है, खोज को सीमित करते हुए सर्वोत्तम संयोजन खोजने के लिए जो गति और टूल सेटिंग्स को बिल्कुल सटीक रूप से लक्षित करता है।

4. परिणाम: सही रेसिपी खोजना

शोधकर्ताओं ने इस सिस्टम का परीक्षण दो परिदृश्यों के साथ किया:

"आसान" लक्ष्य: उन्होंने एक बहुत ही चिकनी सतह (कम खुरदरापन) मांगी। सिस्टम ने कई वैध रेसिपी (टूल और गति के संयोजन) खोज लीं जो काम करती थीं।
"कठिन" लक्ष्य: उन्होंने एक बहुत ही खुरदरी सतह (उच्च खुरदरापन) मांगी। भले ही इस परिणाम तक पहुँचने के तरीके कम थे, फिर भी सिस्टम ने सही सेटिंग्स खोज लीं।

निर्णय:
जब उन्होंने कंप्यूटर द्वारा सुझाए गए "रेसिपी" को वर्चुअल सिमुलेशन (ग्राउंड ट्रुथ) के विरुद्ध जांचा, तो कंप्यूटर 95% बार सही था। त्रुटि 5% से कम थी।

सारांश

यह शोध पत्र एक नई धातु काटने वाली मशीन का आविष्कार नहीं कर रहा है। इसके बजाय, यह एक स्मार्ट रेसिपी बुक का आविष्कार कर रहा है।

पुराना तरीका: "इस गति को आजमाएं, फिर उस गति को, फिर उस टूल को..." (ट्रायल एंड एरर)।
नया तरीका: "मुझे इतनी चिकनी सतह चाहिए। यहाँ शीर्ष 5 सटीक संयोजन दिए गए हैं जो आपको वहां तक पहुँचा देंगे।"

खेल के नियमों को सीखने के लिए एआई का उपयोग करके और जीतने वाले मूव्स खोजने के लिए एक स्मार्ट सर्च एल्गोरिदम का उपयोग करके, वे वांछित परिणाम से पीछे की ओर (backward) से मैन्युफैक्चरिंग प्रक्रियाओं को डिजाइन कर सकते हैं, जिससे समय और धन की बचत होती है।

तकनीकी सारांश: मिलिंग प्रक्रियाओं के लिए मशीन लर्निंग-संचालित व्युत्क्रम डिजाइन (Inverse Design)

समस्या विवरण
यह शोध पत्र मिलिंग प्रक्रियाओं में व्युत्क्रम डिजाइन (inverse design) की चुनौती को संबोधित करता है, विशेष रूप से एक लक्षित सतह खुरदरापन (surface roughness) प्राप्त करने के लिए इष्टतम मशीनिंग और टूल मापदंडों को निर्धारित करने के कार्य को। जबकि फॉरवर्ड प्रेडिक्टिव मॉडल (मापदंडों से खुरदरापन तक मैपिंग करना) अच्छी तरह से स्थापित हैं, व्युत्क्रम डिजाइन मिलिंग डेटा में निहित "मेनी-टू-वन" (many-to-one) मैपिंग के कारण जटिल हो जाता है। इनपुट मापदंडों (जैसे कटिंग स्पीड, फीड रेट, टूल ज्योमेट्री) के कई अलग-अलग संयोजन, जटिल, गैर-रेखीय अंतःक्रियाओं और क्षतिपूर्ति प्रभावों के कारण समान या लगभग समान सतह खुरदरापन परिणाम उत्पन्न कर सकते हैं। इनपुट और आउटपुट को आपस में बदलकर सीधे मशीन लर्निंग (ML) मॉडल को प्रशिक्षित करने से अक्सर "औसत" (averaged) भविष्यवाणियां प्राप्त होती हैं जो भौतिक रूप से व्यवहार्य या इष्टतम मापदंड सेटों का प्रतिनिधित्व करने में विफल रहती हैं। इसके अलावा, मजबूत ML मॉडल को प्रशिक्षित करने के लिए उच्च गुणवत्ता वाले प्रयोगात्मक डेटासेट की कमी एक महत्वपूर्ण बाधा है।

कार्यप्रणाली (Methodology)
लेखक एक ऐसा ढांचा प्रस्तावित करते हैं जो व्युत्क्रम डिजाइन समस्या को हल करने के लिए फॉरवर्ड-प्रशिक्षित ML मॉडलों को बेयसियन ऑप्टिमाइज़ेशन (Bayesian Optimization - BO) के साथ जोड़ता है, जिससे सीधे व्युत्क्रम मॉडल प्रशिक्षण पर निर्भर रहने की आवश्यकता नहीं होती है। यह कार्यप्रणाली निम्नलिखित चरणों के माध्यम से आगे बढ़ती है:

सिंथेटिक डेटासेट जनरेशन:
- 10,000 नमूनों का डेटासेट उत्पन्न करने के लिए एक फॉरवर्ड सॉल्यूशन मेथड (FSM) पर आधारित एक उच्च-सटीकता वाले कम्प्यूटेशनल फ्रेमवर्क का उपयोग किया गया है।
- FSM सतह स्थलाकृति (surface topography) का अनुकरण करने के लिए कटिंग एज, वर्कपीस और समय को विविक्त (discretize) करता है। यह छह इनपुट मापदंडों वाले किनेमैटिक समीकरणों को ध्यान में रखता है: कटिंग स्पीड ( $v_c$ ), फीड रेट ( $f_z$ ), इंसर्ट की संख्या ( $z$ ), इंसर्ट रेडियस ( $r_i$ ), रेडियल रन-आउट ( $\varepsilon_r$ ), और एक्सियल रन-आउट ( $\varepsilon_a$ )।
- इसके आउटपुट औसत सतह खुरदरापन ( $S_a$ ) और अधिकतम सतह ऊंचाई ( $S_z$ ) हैं।
- कम्प्यूटेशनल मॉडल को HT300 ग्रे कास्ट आयरन की फेस मिलिंग के प्रयोगात्मक डेटा के विरुद्ध मान्य किया गया है, जो लगभग 7% का औसत सापेक्ष त्रुटि दर्शाता है।
मल्टीप्लिसिटी विश्लेषण (Multiplicity Analysis):
- डेंसिटी-बेस्ड क्लस्टरिंग ऑफ एप्लिकेशन्स विद नॉइज़ (DBSCAN) का उपयोग करके एक खोजपूर्ण विश्लेषण पुष्टि करता है कि मेनी-टू-वन संबंध मौजूद हैं। अलग-अलग इनपुट कॉन्फ़िगरेशन समान सतह विशेषताओं को उत्पन्न करते हैं, जो सीधे व्युत्क्रम रिग्रेशन से बचने की आवश्यकता को प्रमाणित करते हैं।
फॉरवर्ड मॉडल प्रशिक्षण:
- दो ML मॉडल सिंथेटिक डेटासेट पर फॉरवर्ड मैपिंग (मापदंड $\to$ $\to$ खुरदरापन) सीखने के लिए प्रशिक्षित किए गए हैं:
  - डीप न्यूरल नेटवर्क (DNN): एक फनल-आकार का आर्किटेक्चर (तीन हिडन लेयर्स: 512, 256, 128 नोड्स) वाला फुली कनेक्टेड नेटवर्क, जिसमें ReLU एक्टिवेशन, बैच नॉर्मलाइजेशन और ड्रॉपआउट का उपयोग किया गया है।
  - रैंडम फॉरेस्ट (RF): निर्णय वृक्षों (decision trees) का एक एन्सेम्बल।
- दोनों मॉडलों को सिंगल-आउटपुट ( $S_a$ ) और मल्टी-आउटपुट ( $S_a, S_z$ ) परिदृश्यों के लिए हाइपरपैरामीटर ट्यूनिंग (जैसे लर्निंग रेट, डेप्थ, नंबर ऑफ ट्रीज़) के लिए Optuna का उपयोग करके अनुकूलित किया गया है। RF मॉडल ने आम तौर पर DNN की तुलना में कम वैलिडेशन मीन स्क्वेर्ड एरर (MSE) प्रदर्शित किया।
बेयसियन ऑप्टिमाइज़ेशन के माध्यम से व्युत्क्रम डिजाइन:
- प्रशिक्षित ML मॉडल बेयसियन ऑप्टिमाइज़ेशन लूप के भीतर डिफरेंशिएबल, तेज़ प्रॉक्सी के रूप में कार्य करते हैं।
- इसका उद्देश्य उपयोगकर्ता द्वारा निर्दिष्ट लक्ष्य और अनुमानित खुरदरापन के बीच विचलन को कम करना है।
- BO के स्थानीय इष्टतम (local optima) की ओर अभिसरण करने की प्रवृत्ति और टूल मापदंडों की विविक्त प्रकृति को संबोधित करने के लिए, यह ढांचा स्पष्ट रूप से विविक्त चरों (इंसर्ट की संख्या और रेडियस) को सूचीबद्ध करता है और प्रत्येक संयोजन के लिए अलग-अलग अनुकूलन चलाता है। निरंतर मापदंड स्थान (continuous parameter space) में व्यापक अन्वेषण को प्रोत्साहित करने के लिए एक विविधता दंड (diversity penalty) भी शामिल किया गया है।

प्रमुख परिणाम
इस ढांचे का मूल्यांकन खुरदरापन वितरण के विभिन्न क्षेत्रों को लक्षित करने वाले दो केस स्टडीज के माध्यम से किया गया:

केस 1 (कम खुरदरापन): लक्ष्य $S_a = 2$ , $S_z = 10$ । ढांचा विविध व्यवहार्य समाधानों को सफलतापूर्वक पहचानने में सफल रहा। RF मॉडल ने कम्प्यूटेशनल संदर्भ के विरुद्ध $S_a$ के लिए 2.12% और $S_z$ के लिए 1.93% की औसत सापेक्ष त्रुटि प्राप्त की, जो DNN (क्रमशः 4.96% और 3.74%) से बेहतर प्रदर्शन करता है।
केस 2 (उच्च खुरदरापन): लक्ष्य $S_a = 6$ , $S_z = 33$ । इस क्षेत्र में डेटा वितरण के विरल होने के बावजूद, ढांचे ने वैध मापदंड सेटों की पहचान की। RF मॉडल ने $S_a$ के लिए 1.1% और $S_z$ के लिए 2.7% की औसत सापेक्ष त्रुटि के साथ उच्च सटीकता बनाए रखी।

दोनों परिदृश्यों में, शीर्ष प्रदर्शन करने वाले डिज़ाइन उम्मीदवारों ने संदर्भ कम्प्यूटेशनल परिणामों की तुलना में 5% से कम की औसत सापेक्ष त्रुटि हासिल की। अध्ययन से पता चलता है कि इस विशिष्ट संदर्भ में DNN की तुलना में RF मॉडल आम तौर पर बेहतर भविष्य कहनेवाला सटीकता और मजबूती प्रदान करता है।

महत्व और दावे
यह शोध पत्र मिलिंग प्रक्रियाओं के व्युत्क्रम डिजाइन के लिए एक मजबूत कार्यप्रणाली प्रस्तुत करने का दावा करता है जो मेनी-टू-वन मैपिंग और डेटा की कमी की सीमाओं को दूर करती है। फॉरवर्ड ML मॉडलों को बेयसियन ऑप्टिमाइज़ेशन के साथ एकीकृत करके, यह दृष्टिकोण सीधे व्युत्क्रम रिग्रेशन में निहित औसत भविष्यवाणियों के दोषों से बचता है। ढांचा विशिष्ट सतह गुणवत्ता लक्ष्यों को पूरा करने के लिए विविध, इष्टतम मशीनिंग और टूल मापदंडों के संयोजन को सफलतापूर्वक पहचानता है।

लेखक इस बात पर जोर देते हैं कि प्रस्तावित विधि विनिर्माण डिजाइन में 'ट्रायल-एंड-एरर' (trial-and-error) को कम करने के लिए विशेष रूप से मूल्यवान है। वे उल्लेख करते हैं कि हालांकि वर्तमान अध्ययन एक ज्यामितीय मॉडल से उत्पन्न सिंथेटिक डेटा पर निर्भर करता है, फिर भी यह ढांचा लचीला है और इसमें अतिरिक्त बाधाओं (जैसे विशिष्ट टूल चयन या रन-आउट त्रुटियों को छोड़ना) को शामिल किया जा सकता है और भविष्य के कार्य में कटिंग फोर्स या कंपन जैसे भौतिक घटनाओं को शामिल करने के लिए विस्तारित किया जा सकता है। कार्य यह निष्कर्ष निकालता है कि यह ML-संचालित व्युत्क्रम डिजाइन पाइपलाइन स्वीकार्य भविष्यवाणी त्रुटियों के साथ प्रक्रिया मापदंडों को निर्धारित करने के लिए एक विश्वसनीय मार्ग प्रदान करती है, जिससे अधिक कुशल और बुद्धिमान विनिर्माण योजना में मदद मिलती है।

1. समस्या: "एक-से-अनेक" (One-to-Many) का रहस्य

2. समाधान: एक दो-चरणीय जासूसी खेल

3. सीक्रेट सॉस: बेयसियन ऑप्टिमाइज़ेशन (स्मार्ट खोज)

4. परिणाम: सही रेसिपी खोजना

सारांश

इसी तरह के और पेपर