Implementation of Hyperelastic Physics-Augmented Neural Networks in the Explicit Finite Element Codes Simcenter Radioss and OpenRadioss with Applications to Impact Events
यह शोध पत्र एक स्वचालित फोर्ट्रान (Fortran) रूटीन जनरेटर के माध्यम से स्पष्ट परिमित तत्व सॉल्वर (explicit finite element solvers) Simcenter Radioss और OpenRadioss में भौतिकी-संवर्धित तंत्रिका नेटवर्क (physics-augmented neural networks) को एकीकृत करने के लिए एक ढांचे को प्रस्तुत करता है, जो यह प्रदर्शित करता है कि अनुकूलित नेटवर्क आर्किटेक्चर विशेष सॉल्वरों की आवश्यकता के बिना प्रभाव सिमुलेशन (impact simulations) में जटिल हाइपरइलास्टिक व्यवहारों को कुशलतापूर्वक मॉडल कर सकते हैं।
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 एक रबर के ड्रैगन (rubber dragon) पर स्टील की गेंद लगने पर वह कैसे दबेगा, खिंचेगा और उछलेगा। दशकों से, इंजीनियर इसके व्यवहार का अनुमान लगाने के लिए "नियमों की किताबों" (गणितीय सूत्रों) का उपयोग करते आए हैं। ये नियम पुस्तिकाएं अच्छी तो हैं, लेकिन वे अक्सर रबर या जैविक ऊतकों (biological tissue) जैसे पदार्थों की जटिल और अव्यवस्थित वास्तविकता को पकड़ने में बहुत सरल होती हैं।
हाल ही में, वैज्ञानिकों ने बेहतर नियम पुस्तिकाएं लिखने के लिए आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग करना शुरू किया है। हालाँकि, इसमें एक पेंच था: AI एक "ब्लैक बॉक्स" की तरह था जो केवल कंप्यूटर द्वारा समझी जाने वाली भाषा बोलता था, जबकि इंजीनियरिंग सॉफ्टवेयर जो क्रैश और इम्पैक्ट (impact) का अनुकरण (simulate) करता है, एक अलग और पुरानी भाषा बोलता था। उन्हें जोड़ना एक भविष्य के USB-C केबल को एक पुराने रेडियो में लगाने जैसा था—यह काम अस्त-व्यस्त, धीमा और टूटने के प्रति संवेदनशील था।
यह शोध पत्र इस समस्या के एक चतुर समाधान को प्रस्तुत करता है। यहाँ सरल शब्दों में इसका विवरण दिया गया है:
1. समस्या: भाषा की बाधा
शोधकर्ता एक विशेष प्रकार के AI का उपयोग करना चाहते थे जिसे फिजिक्स-ऑगमेंटेड न्यूरल नेटवर्क (PANN) कहा जाता है। एक PANN को एक जादुई अंदाज़ा लगाने वाले के रूप में नहीं, बल्कि एक ऐसे छात्र के रूप में सोचें जिसे सीखने से पहले ही भौतिक विज्ञान के नियमों (जैसे ऊर्जा संरक्षण) के बारे में सिखाया गया है। यह AI को इंजीनियरिंग में उपयोग करने के लिए विश्वसनीय और सुरक्षित बनाता है।
समस्या यह थी कि इन PANNs को आमतौर पर आधुनिक AI टूल्स (जैसे PyTorch) में प्रशिक्षित किया जाता है, लेकिन क्रैश टेस्ट के लिए उपयोग किया जाने वाला इंजीनियरिंग सॉफ्टवेयर (RADIOSS) पुराने, कंपाइल्ड कोड (Fortran) पर चलता है। आमतौर पर, AI का उपयोग करने के लिए, आपको सिमुलेशन के दौरान भारी AI सॉफ्टवेयर को बैकग्राउंड में चालू रखना पड़ता, जिससे सब कुछ बहुत धीमा हो जाता।
2. समाधान: "अनुवादक" (The Translator)
लेखकों ने एक अनुवादक बनाया। उन्होंने एक पायथन (Python) स्क्रिप्ट लिखी जो एक 'कॉपी-पेस्ट' मशीन की तरह काम करती है।
- चरण 1: आप अपने AI मॉडल को पायथन (आधुनिक लैब) में प्रशिक्षित करते हैं।
- चरण 2: स्क्रिप्ट AI के "मस्तिष्क" (इसके वेट्स और सेटिंग्स) को लेती है और स्वचालित रूप से उन्हें स्टैंडअलोन फोर्ट्रान (Fortran) कोड (पुरानी भाषा) में फिर से लिख देती है।
- चरण 3: इस नए कोड को सीधे RADIOSS सॉफ्टवेयर में डाल दिया जाता है।
परिणाम: AI अब सिमुलेशन में "हार्ड-कोडेड" हो गया है। अब इसे चलाने के लिए भारी पायथन सॉफ्टवेयर की आवश्यकता नहीं है। यह एक जटिल रेसिपी को लेने जैसा है जो किसी विदेशी भाषा में लिखी गई है, उसे पूरी तरह से अनुवादित करना, और फिर एक ऐसे शेफ को खिलाना जो केवल अंग्रेजी बोलता है ताकि वह अनुवादक की उपस्थिति के बिना खाना बना सके।
3. स्पीड ट्रिक: "स्क्वायर" बनाम "लॉगारिदम"
शोधकर्ताओं ने देखा कि AI का "एक्टिवेशन फंक्शन" (वह गणितीय स्विच जो तय करता है कि न्यूरॉन्स कब सक्रिय होंगे) काम को धीमा कर रहा था।
- पुराना स्विच (SoftPlus): यह फंक्शन लॉगारिदम और एक्सपोनेंट्स (exponents) से जुड़ी एक जटिल गणना की तरह है। यह सटीक है लेकिन गणनात्मक रूप से महंगा है—जैसे हर बार एक नंबर की जरूरत होने पर कैलकुलेटर के साथ एक पहेली सुलझाने की कोशिश करना।
- नया स्विच (SQuarePlus): लेखकों ने इसे वर्गमूल (square roots) पर आधारित एक सरल फंक्शन से बदल दिया। यह जटिल कैलकुलेटर को एक साधारण रूलर (पटरी) से बदलने जैसा है। यह AI के तर्क के लिए बिल्कुल वही काम करता है लेकिन गणना करने में बहुत तेज़ है।
लाभ: इस सरल स्विच का उपयोग करके, उन्होंने सिमुलेशन में AI द्वारा जोड़े गए अतिरिक्त समय को लगभग आधा कर दिया। एक उथले (shallow) AI मॉडल के लिए, सिमुलेशन पुराने मानक तरीकों की तुलना में केवल 1.8% धीमा हुआ। गहरे और अधिक जटिल मॉडलों के लिए, गति में सुधार और भी महत्वपूर्ण था।
4. परीक्षण: रबर का ड्रैगन
यह साबित करने के लिए कि यह काम करता है, उन्होंने एक नाटकीय परीक्षण आयोजित किया:
- सेटअप: एक कठोर स्टील की गेंद को रबर जैसे पदार्थ से बने एक डिजिटल "ड्रैगन" पर दागी गई।
- चुनौती: ड्रैगन को विकृत (deform) होना था, उछलना था, और जमीन तथा स्वयं के साथ परस्पर क्रिया करनी थी। इसके लिए प्रति सेकंड लाखों गणनाओं की आवश्यकता होती है।
- परिणाम: उन्होंने AI-जनित सामग्री की तुलना एक क्लासिक, भरोसेमंद गणितीय मॉडल (Carroll मॉडल) से की।
- दृश्य (Visuals): ड्रैगन दोनों परिदृश्यों में लगभग एक जैसा ही दबा और उछला। AI टूटा नहीं या अजीब व्यवहार नहीं किया।
- गति: AI-आधारित सिमुलेशन क्लासिक मॉडल के लगभग उतना ही तेज़ चला, विशेष रूप से जब उन्होंने नए "SQuarePlus" स्विच का उपयोग किया।
5. मुख्य निष्कर्ष (Takeaway)
यह शोध पत्र प्रदर्शित करता है कि अब हम उन्नत, भौतिकी-स्मार्ट AI मॉडल को बिना सुपरकंप्यूटर या जटिल सेटअप के सीधे मानक इंजीनियरिंग क्रैश-टेस्ट सॉफ्टवेयर में प्लग कर सकते हैं।
- इंजीनियरों के लिए: अब आप अपने सिमुलेशन को धीमा किए बिना जटिल सामग्रियों को मॉडल करने के लिए AI का उपयोग कर सकते हैं।
- भविष्य के लिए: लेखक एक मुफ्त "टूलकिट" (GitHub पर) प्रदान करते हैं, जो इस अनुवाद प्रक्रिया को स्वचालित करता है, जिसका अर्थ है कि कोई भी अपने प्रशिक्षित AI मॉडल को ले सकता है और कुछ ही क्लिक में उसे सिमुलेशन-रेडी कोड में बदल सकता है।
संक्षेप में, उन्होंने उच्च-तकनीकी AI की दुनिया और इंजीनियरिंग सिमुलेशन की व्यावहारिक दुनिया के बीच एक पुल बनाया है, जिससे इस यात्रा को तेज़, सुरक्षित और आसान बनाया जा सका है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।