🔬 condensed matter

Mass weighting algorithm optimizes Fourier-based physics-informed neural network in adhesive contact mechanics

यह शोध पत्र फूरियर-आधारित भौतिकी-सूचित तंत्रिका नेटवर्क (physics-informed neural networks) के लिए एक द्रव्यमान-भारित स्पेक्ट्रल प्रीकंडीशनिंग रणनीति प्रस्तुत करता है जो एडहेसिव संपर्क यांत्रिकी (adhesive contact mechanics) में स्पेक्ट्रल स्टिफनेस असंतुलन को हल करता है, जिससे स्पष्ट ग्रीन'स फंक्शन एकीकरण की आवश्यकता के बिना चिकनी और खुरदरी दोनों सतहों के लिए मशीन-जीरो अवशेषों (machine-zero residuals) तक तीव्र अभिसरण और ग्रीन'स फंक्शन आणविक गतिशीलता समाधानों के साथ सटीक सहमति सक्षम होती है।

मूल लेखक: Yunong Zhou, Kaifeng Huang, Chaofan Du, Yang Xu, Hengxu Song

प्रकाशित 2026-07-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yunong Zhou, Kaifeng Huang, Chaofan Du, Yang Xu, Hengxu Song

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 रोबोट को खुरदरी सतह को "महसूस" करना सिखाना

कल्पना कीजिए कि आप एक रोबोट को यह सिखाने की कोशिश कर रहे हैं कि एक ऊबड़-खाबड़, चिपचिपी सतह (जैसे दीवार से चिपका हुआ गेको का पैर) पर अपनी उंगली कैसे दबानी है। आप चाहते हैं कि रोबोट यह पता लगाए कि सतह ठीक कितनी मुड़ती है और दबाव सबसे अधिक कहाँ है।

अतीत में, वैज्ञानिकों ने इसे करने के दो मुख्य तरीके इस्तेमाल किए थे:

"ब्रूट फोर्स" (Brute Force) विधि: सतह को लाखों छोटे-छोटे पहेली के टुकड़ों में तोड़ना और हर एक टुकड़े के लिए गणित की गणना करना। यह सटीक तो है लेकिन अविश्वसनीय रूप से धीमी और गणनात्मक रूप से महंगी है।
"अनुमान और जाँच" (Guess-and-Check) AI विधि: एक न्यूरल नेटवर्क (एक प्रकार का AI) का उपयोग करके पैटर्न को सीखना। हालाँकि, मानक AI अक्सर अटक जाता है। यह बड़े चित्र (मुड़ने के समग्र आकार) को सीखने की कोशिश करता है, लेकिन छोटे, टेढ़े-मेढ़े विवरणों (शोर/noise) से विचलित हो जाता है, जिससे यह समाधान तक पहुँचने में विफल रहता है।

यह शोध पत्र एक नया "स्पेक्ट्रल मास वेटिंग" (spectral mass weighting) तरीका पेश करता है जो AI को ठीक करता है, जिससे यह चिपचिपी, ऊबड़-खाबड़ सतहों के भौतिक विज्ञान (physics) को तेजी से और सटीकता से सीख पाता है।

समस्या: "वॉल्यूम नॉब" खराब है

लेखक बताते हैं कि मानक AI इस विशिष्ट प्रकार की भौतिकी समस्या के साथ संघर्ष करता है क्योंकि इसमें एक "स्पेक्ट्रल स्टिफनेस इम्बैलेंस" (spectral stiffness imbalance) होता है।

उपमा (Analogy):
कल्पना कीजिए कि आप रेडियो ट्यून करने की कोशिश कर रहे हैं।

कम स्वर (लंबी तरंगें - Low Notes): ये सतह के मुड़ने के बड़े, चिकने घुमावों का प्रतिनिधित्व करते हैं।
उच्च स्वर (छोटी तरंगें - High Notes): ये छोटे, ऊबड़-खाबड़ उभारों और सूक्ष्म शोर का प्रतिनिधित्व करते हैं।

इस विशिष्ट भौतिकी समस्या में, उच्च स्वरों के लिए "वॉल्यूम नॉब" को 11 पर ट्यून कर दिया गया है, जबकि कम स्वरों के लिए वॉल्यूम मुश्किल से सुनाई दे रहा है। जब AI सीखने की कोशिश करता है, तो वह शोर (ऊंचे स्वर) से अभिभूत हो जाता है। वह सारा ऊर्जा शोर को ठीक करने में खर्च कर देता है और बड़े चित्र को पूरी तरह से अनदेखा कर देता है। परिणाम क्या होता है? AI अटक जाता है, गणित स्थिर नहीं हो पाता, और अंतिम चित्र एक चिकनी सतह के बजाय टीवी स्क्रीन पर दिखने वाले 'स्टैटिक' (झिलमिलाहट) जैसा दिखता है।

समाधान: "मास वेटिंग" (Mass Weighting) प्रीकंडीशनर

लेखकों ने एक विशेष फ़िल्टर बनाया है जिसे मास वेटिंग (MW) फंक्शन कहा जाता है। इसे AI की सीखने की प्रक्रिया के लिए एक स्मार्ट 'इक्वलाइज़र' के रूप में समझें।

यह कैसे काम करता है:

शोर को कम करें: इससे पहले कि AI अपने "दिमाग" (न्यूरल नेटवर्क) को अपडेट करे, यह फ़िल्टर उच्च-आवृत्ति वाले शोर (छोटे, ऊबड़-खाबड़ उभारों) को लेता है और उनके वॉल्यूम को बहुत कम कर देता है। यह एक 'लो-पास फ़िल्टर' की तरह काम करता है, जो स्टेटिक को सुचारू बनाता है।
सिग्नल को बढ़ाएं: साथ ही, यह कम-आवृत्ति वाले संकेतों (बड़े, चिकने घुमावों) के वॉल्यूम को बढ़ाता है। यह सुनिश्चित करता है कि AI विरूपण (deformation) के व्यापक आकार पर ध्यान दे।
संतुलन बनाएं: ऐसा करने से, AI अंततः "बड़े चित्र" के निर्देशों को स्पष्ट रूप से सुन पाता है। यह शोर से विचलित होना बंद कर देता है और भौतिक विज्ञान को बहुत तेज़ी से सीखता है।

परिणाम:
इस फ़िल्टर के बिना, AI की त्रुटि दर (error rate) एक उच्च स्तर पर अटक जाती है (यह वास्तव में कभी सीख नहीं पाता)। इस फ़िल्टर के साथ, AI 400 चरणों से भी कम में "मशीन-जीरो" त्रुटि (पूर्ण सटीकता) तक पहुँच जाता है। यह एक ऐसे छात्र के बीच का अंतर है जो एक भिनभिनाती मक्खी से विचलित है और एक ऐसे छात्र के बीच का अंतर है जो ध्यान केंद्रित कर सकता है और मिनटों में समस्या हल कर सकता है।

उन्होंने क्या परीक्षण किया

टीम ने इस नई पद्धति का दो परिदृश्यों पर परीक्षण किया:

चिकनी गेंद (हर्ट्ज़ कॉन्टैक्ट - Hertz Contact): कल्पना कीजिए कि एक चिकनी, गोल गेंद को एक सपाट, चिपचिपी सतह पर दबाया जा रहा है।
- परिणाम: AI ने मुड़ने और दबाव की भविष्यवाणी पूरी तरह से की, जो विशेषज्ञों द्वारा उपयोग किए जाने वाले गोल्ड-स्टैंडर्ड "ग्रीन्स फंक्शन" (Green's function) गणनाओं से मेल खाती है।
फ्रैक्चरल रफ सरफेस (Fractal Rough Surface): कल्पना कीजिए कि एक ऐसी सतह को दबाया जा रहा है जो एक पर्वत श्रृंखला की तरह दिखती है, जिसमें सूक्ष्म स्तर तक छोटे-छोटे उभारों के भीतर उभार हैं।
- परिणाम: इस अत्यधिक जटिलता के बावजूद, AI ने सही ढंग से पहचाना कि छोटे संपर्क बिंदु कहाँ हैं और दबाव कैसे वितरित होता है। इसने ऊबड़-खाबड़ संपर्क (जहाँ केवल कुछ ही छोटे शिखर छूते हैं) की "स्पार्स" प्रकृति और अधिक जोर से दबाने पर पूर्ण संपर्क में परिवर्तन को भी पकड़ा।

मुख्य निष्कर्ष

शोध पत्र का दावा है कि AI की सीखने की प्रक्रिया में इस विशिष्ट "मास वेटिंग" फ़िल्टर को जोड़कर, उन्होंने यह पता लगाया है कि चिपचिपी, ऊबड़-खाबड़ सतहें कैसे परस्पर क्रिया करती हैं, इसका अनुकरण (simulation) करने में आने वाली एक बड़ी बाधा को हल कर दिया है।

गति (Speed): यह बहुत तेज़ी से कन्वर्ज (सीखना पूरा करना) होता है।
सटीकता (Accuracy): यह बिना किसी "झटकेदार" शोर के चिकने, भौतिक रूप से सही परिणाम देता है जो आमतौर पर इन सिमुलेशन में देखे जाते हैं।
सरलता (Simplicity): यह जटिल, धीमी एकीकरण (integration) चरणों की आवश्यकता के बिना सीधे एक ग्रिड पर काम करता है।

लेखक नोट करते हैं कि हालांकि इस शोध पत्र ने 1D रेखाओं (जैसे टायर का ट्रेड या टेप की एक पट्टी) पर ध्यान केंद्रित किया है, लेकिन गणित बताता है कि इसी "वॉल्यूम नॉब" वाले तरीके को भविष्य में 2D सतहों (जैसे पूरा टायर या जूते का सोल) पर आसानी से लागू किया जा सकता है। वे यह भी उल्लेख करते हैं कि यह विधि उस विशिष्ट "मोर्स पोटेंशियल" (चिपचिपे बलों के लिए एक गणितीय मॉडल) के साथ अच्छी तरह से काम करती है जिसका उन्होंने उपयोग किया है, लेकिन आवृत्तियों को पुन: संतुलित करने का मूल विचार अन्य प्रकार के चिपचिपे इंटरैक्शन पर भी लागू हो सकता है।

तकनीकी सारांश: फूरियर-आधारित PINNs के लिए मास वेटिंग एल्गोरिदम (Mass Weighting Algorithm)

समस्या विवरण
चिपकने वाले संपर्क यांत्रिकी (adhesive contact mechanics) में प्रयुक्त भौतिकी-सूचित तंत्रिका नेटवर्क (physics-informed neural networks - PINNs) एक मौलिक चुनौती का सामना करते हैं जिसे स्पेक्ट्रल स्टिफनेस इम्बैलेंस (spectral stiffness imbalance) कहा जाता है। इलास्टिक हाफ-स्पेस समस्याओं में, फूरियर स्पेस में इलास्टिक कर्नेल तरंग संख्या ( $q$ ) के साथ रैखिक रूप से स्केल करता है। इसके परिणामस्वरूप, लघु-तरंगदैर्ध्य (उच्च- $q$ ) विरूपण मोड (deformation modes) दीर्घ-तरंगदैर्ध्य मोड की तुलना में काफी अधिक इलास्टिक ऊर्जा लागत उत्पन्न करते हैं। जब मानक PINNs को ग्रेडिएंट डिसेंट के माध्यम से प्रशिक्षित किया जाता है, तो यह असंतुलन उच्च-आवृत्ति वाले मोड को ग्रेडिएंट अपडेट पर हावी कर देता है, जिससे मैक्रोस्कोपिक विरूपण क्षेत्रों (macroscopic deformation fields) के अभिसरण (convergence) की गति रुक जाती है। यह समस्या उन चिपकने वाले संपर्क समस्याओं में और भी बढ़ जाती है जहाँ अल्प-दूरी की अंतःक्रियाएं अतिरिक्त उच्च-आवृत्ति सामग्री पेश करती हैं। मानक ऊर्जा-न्यूनतम करने वाले PINNs अक्सर मशीन-जीरो अवशेषों (machine-zero residuals) तक अभिसरण करने में विफल रहते हैं या उच्च-आवृत्ति शोर द्वारा नियंत्रित अवास्तविक, दोलनशील प्रतिबल क्षेत्रों (oscillatory stress fields) को उत्पन्न करते हैं।

कार्यप्रणाली
लेखक एक फूरियर-आधारित PINN फ्रेमवर्क प्रस्तावित करते हैं जो मास वेटिंग (Mass Weighting - MW) नामक एक स्पेक्ट्रल प्रीकंडीशनिंग रणनीति द्वारा संवर्धित है। इस कार्यप्रणाली में मुख्य घटक शामिल हैं:

ऊर्जा-न्यूनतम करने वाला फॉर्मूलेशन: पारंपरिक PINNs के विपरीत, जो PDE अवशेषों और बाउंड्री कंडीशन दंड (penalties) को संतुलित करते हैं, यह दृष्टिकोण सीखने के कार्य को एक अदिश कुल विभव ऊर्जा फलन ( $\Pi$ ) के न्यूनीकरण के रूप में तैयार करता है। कुल ऊर्जा में इलास्टिक स्ट्रेन ऊर्जा ( $U_{el}$ ), बाहरी कार्य ( $U_{ext}$ ), और इंटरफेशियल इंटरेक्शन ऊर्जा ( $U_{int}$ ) शामिल है, जिसे मोर्स पोटेंशियल (Morse potential) द्वारा मॉडल किया गया है।
फूरियर फीचर मैपिंग: संपर्क किनारों के पास तीक्ष्ण विस्थापन प्रवणता (displacement gradients) को हल करने में सक्षम बनाने के लिए इनपुट स्थानिक निर्देशांकों को फूरियर फीचर्स का उपयोग करके एनकोड किया जाता है।
स्पेक्ट्रल प्रीकंडीशनिंग (मास वेटिंग): बैक-प्रोपैगेशन से पहले, लॉस फंक्शन के ग्रेडिएंट को फूरियर स्पेस में रूपांतरित किया जाता है। फिर इसे मास वेटिंग फंक्शन $w(q)$ $w (q)$ और एक अंतर्निर्मित लो-पास फिल्टर $f(q)$ $f (q)$ द्वारा पुन: भारित (reweighted) किया जाता है:
- मास वेटिंग: $w(q) = \left( \frac{E^* q_{max}/2}{\sqrt{k_0^2 + (qE^*/2)^2}} \right)^\alpha$ । यह फलन निम्न-तरंगसंख्या घटकों (मैक्रोस्कोपिक मोड) को बढ़ाता है और उच्च-तरंगसंख्या योगदानों को दबाता है, जिससे ग्रेडिएंट प्रवाह को प्रभावी ढंग से पुनर्संतुलित किया जाता है।
- लो-पास फिल्टर: $f(q) = \frac{1}{1 + (q/q_c)^\beta}$ । यह उस सब-ग्रिड शोर को दबाता है जिसे विवेकीकरण (discretization) द्वारा हल नहीं किया जा सकता है।
प्रशिक्षण प्रोटोकॉल: प्रीकंडीशनर को प्लेन ग्रेडिएंट्स का उपयोग करके 100-200 इटरेशन के "वार्म-अप" चरण के बाद सक्रिय किया जाता है। नेटवर्क को एडम (Adam) ऑप्टिमाइज़र का उपयोग करके अनुकूलित किया जाता है। संपर्क प्रतिबल (contact stress) को स्पेक्ट्रल स्ट्रेस-विस्थापन संबंध के व्युत्क्रम फूरियर ट्रांसफॉर्म के माध्यम से प्राप्त किया जाता है, जिससे ग्रिड-संवेदनशील संख्यात्मक अवकलन (numerical differentiation) से बचा जा सकता है।

प्रमुख योगदान

स्पेक्ट्रल स्टिफनेस की पहचान: शोध पत्र स्पष्ट रूप से संपर्क यांत्रिकी में ऊर्जा-आधारित PINNs की अभिसरण विफलता का श्रेय सामान्य अनुकूलन कठिनाइयों के बजाय इलास्टिक ऑपरेटर में निहित स्पेक्ट्रल स्टिफनेस असंतुलन को देता है।
मास वेटिंग प्रीकंडीशनर: एक विशिष्ट स्पेक्ट्रल प्रीकंडीशनर का परिचय जो विस्थापन ग्रेडिएंट को पुन: भारित करने के लिए फूरियर स्पेस में कार्य करता है। यह नेटवर्क को उच्च-आवृत्ति शोर से अभिभूत हुए बिना मैक्रोस्कोपिक विरूपणों को सीखने की अनुमति देता है।
प्रत्यक्ष ऊर्जा न्यूनीकरण: यह फॉर्मूलेशन स्पष्ट ग्रीन फलन एकीकरण (Green's function integration) या क्वाड्रचर नियमों के बिना पूरी तरह से एक अदिश ऊर्जा फलन को कम करने पर निर्भर करता है, फिर भी ऐसी सटीकता प्राप्त करता है जो उन विधियों के समान है।
चिपकने वाले खुरदरे सतहों का विस्तार: विधि को स्मूथ हर्ट्ज़ियन संपर्कों (Hertzian contacts) और मोर्स पोटेंशियल के साथ फ्रैक्टल रफ सतहों के लिए सफलतापूर्वक लागू किया गया है, जो तनाव से लेकर संपीड़न (compression) तक के शासन (regimes) को कवर करता है।

परिणाम
प्रस्तावित विधि को ग्रीन फलन आणविक गतिकी (Green's Function Molecular Dynamics - GFMD) समाधानों के विरुद्ध मान्य किया गया, जो संपर्क यांत्रिकी के लिए एक उच्च-सटीकता वाला बेंचमार्क है।

अभिसरण गति: एक बेंचमार्क हर्ट्ज़ संपर्क समस्या के लिए, मास-वेटेड PINN ने 400 एडम इटरेशन के भीतर मशीन-जीरो अवशेष हानि तक पहुँच प्राप्त की। इसके विपरीत, अनकंडीशन्ड (संदर्भ) प्रशिक्षण तीन क्रम अधिक उच्च ( $\sim 5 \times 10^{-4}$ ) हानि पर रुक गया और आगे अभिसरण करने में विफल रहा।
भौतिक सटीकता:
- स्मूथ सतहें: विस्थापन और संपर्क प्रतिबल के लिए PINN भविष्यवाणियां तनाव, शून्य-लोड और संपीड़न शासन में GFMD समाधानों से अविभेद्य थीं।
- खुरदरी सतहें: $H=0.5$ हर्स्ट एक्सपोनेंट वाली फ्रैक्टल रफ सतहों के लिए, विधि ने मल्टी-स्केल स्ट्रेस संरचना को सटीक रूप से कैप्चर किया, जिसमें कम दबाव पर विरल एस्पेरिटी-स्तर (asperity-level) के संपर्क पैच और उच्च दबाव पर निरंतर स्ट्रेस वितरण शामिल हैं।
मात्रात्मक त्रुटि: विस्थापन और प्रतिबल के लिए नॉर्मलाइज्ड रूट-मीन-स्क्वायर एरर (NRMSE) सभी परीक्षण मामलों में $10^{-3}$ (आमतौर पर $10^{-4}$ से $10^{-5}$ ) से नीचे रहा, जो GF_MD संदर्भ के साथ मात्रात्मक निरंतरता की पुष्टि करता है।
स्थिरता: उच्चतम-तरंगसंख्या फूरियर मोड की निगरानी से पता चला कि अनकंडीशन्ड प्रशिक्षण के परिणामस्वरूप निरंतर बड़े-आयाम के दोलन हुए, जबकि मास-वेटेड दृष्टिकोण ने इन मोड को शून्य तक तेजी से कम कर दिया, जिससे एक स्थिर, दोलन-मुक्त स्ट्रेस प्रोफाइल सुनिश्चित हुआ।

महत्व और दावे
लेखक दावा करते हैं कि स्पेक्ट्रल प्रीकंडीशनिंग संपर्क यांत्रिकी में ऊर्जा-न्यूनतम करने वाले PINNs के स्थिर अभिसरण के लिए केवल सहायक ही नहीं बल्कि आवश्यक है। इसके बिना, नेटवर्क ग्रेडिएंट असंतुलन के कारण भौतिक रूप से सही समाधान सीखने में विफल रहता है। प्रस्तावित मास वेटिंग एल्गोरिदम PINN को सक्षम बनाता है:

स्पष्ट ग्रीन फलन एकीकरण के बिना समान वास्तविक-स्थान ग्रिडों पर चिपकने वाले संपर्क समस्याओं को हल करने के लिए।
फाइन ग्रिडों (अप टू $N_x = 2048$ ) पर मशीन-जीरो अवशेष और स्मूथ, भौतिक रूप से सही स्ट्रेस फील्ड प्राप्त करने के लिए।
प्रारंभिक सेटअप के अलावा प्रीकंडीशनर मापदंडों के मैनुअल ट्यूनिंग के बिना मजबूती से संचालित होने के लिए।

शोध पत्र निष्कर्ष निकालता है कि हालांकि वर्तमान में यह एक-आयामी लाइन-कॉन्टैक्ट ज्यामिति और मोर्स पोटेंशियल तक सीमित है, लेकिन फूरियर-आधारित फॉर्मूलेशन और स्पेक्ट्रल प्रीकंडीशनर सीधे तौर पर दो-आयामी रफ सतहों और अन्य स्मूथ इंटरेक्शन पोटेंशियल के लिए सामान्यीकृत किए जा सकते हैं, जो पारंपरिक बाउंड्री एलिमेंट मेथड्स के लिए एक स्केलेबल विकल्प प्रदान करते हैं।

एक बड़ी तस्वीर: एक रोबोट को खुरदरी सतह को "महसूस" करना सिखाना

समस्या: "वॉल्यूम नॉब" खराब है

समाधान: "मास वेटिंग" (Mass Weighting) प्रीकंडीशनर

उन्होंने क्या परीक्षण किया

मुख्य निष्कर्ष

इसी तरह के और पेपर