कल्पना कीजिए कि आप एक वीडियो गेम या किसी रोबोट के मस्तिष्क के भीतर एक दुनिया बना रहे हैं। आपके पास कुर्सियों, दराजों और लैपटॉप के सुंदर, चमकदार 3D मॉडल हैं। वे एकदम सटीक दिखते हैं, लेकिन वे "निर्जीव" हैं। यदि आप इस डिजिटल दुनिया में एक दराज को धकेलने की कोशिश करते हैं, तो वह फर्श के आर-पार निकल सकती है, या उसका हैंडल हेलीकॉप्टर ब्लेड की तरह घूम सकता है। ऐसा इसलिए है क्योंकि कंप्यूटर केवल आकार और रंग को देखता है, भौतिकी (physics) को नहीं। वह नहीं जानता कि एक दराज को फिसलना चाहिए, एक दरवाजे को हिंज (hinge) पर घूमना चाहिए, या एक लकड़ी की मेज प्लास्टिक की तुलना में भारी होती है। रोबोटों को वास्तविक दुनिया के साथ बातचीत करना सिखाने के लिए, या अति-यथार्थवादी सिमुलेशन बनाने के लिए, हमें इन 3D वस्तुओं को यह सिखाना होगा कि वे वास्तविक चीजों की तरह व्यवहार करें। हमें उन्हें "मांसपेशियां" (वे कैसे चलती हैं) और "हड्डियां" (वे क्या बनी हैं और कितनी भारी हैं) देनी होंगी।

यह वह चुनौती है जिसे UniPhysGen नामक एक नए शोध पत्र (paper) द्वारा हल किया गया है। शोधकर्ताओं ने एक स्मार्ट सिस्टम बनाया है जो एक डिजिटल भौतिकी शिक्षक की तरह कार्य करता है। यह बिखरे हुए, कच्चे 3D मॉडलों को लेता है—जिनमें से कुछ कलाकारों द्वारा बनाए गए हैं, कुछ कंप्यूटर द्वारा, और कुछ थोड़े अजीब दिखने वाले—और स्वचालित रूप से यह पता लगाता है कि उन्हें कैसे हिलना चाहिए और वे किस चीज से बने हैं। उन्होंने केवल एक शिक्षक नहीं बनाया; उन्होंने 40,000 "शिक्षित" वस्तुओं की एक विशाल लाइब्रेरी भी बनाई और यह देखने के लिए एक सख्त परीक्षण भी बनाया कि क्या शिक्षक अपना काम ठीक से कर रहा है। परिणाम स्वरूप, 3D एसेट्स का एक सेट तैयार होता है जो रोबोट सिमुलेशन में डाले जाने के लिए तैयार है और वास्तव में काम करता है, जो भौतिकी के नियमों को तोड़े बिना दराज खींचता है और नल घुमाता है।

समस्या: सुंदर लेकिन अनाड़ी 3D वस्तुएं

उन 3D मॉडलों के बारे में सोचें जिन्हें आप वीडियो गेम या ऑनलाइन कैटलॉग में देखते हैं। वे स्टोर की खिड़की में रखे पुतलों की तरह हैं: वे शानदार दिखते हैं, लेकिन यदि आप उनके हाथ हिलाने की कोशिश करते हैं, तो वे टूट सकते हैं या तैर सकते हैं। इनमें से अधिकांश मॉडल "सिमुलेशन-अवेयर" (simulation-unaware) नहीं होते हैं। उनके पास आकार तो है, लेकिन उनमें "भौतिक आधार" (physical grounding) की कमी है।

फिजिकल ग्राउंडिंग एक फैंसी तरीका है यह कहने का कि: "क्या यह वस्तु जानती है कि उसे कैसे व्यवहार करना है?" इसमें दो मुख्य चीजें शामिल हैं:

1. आर्टिकुलेशन सिमेंटिक्स (Articulation Semantics): यह "यह कैसे हिलता है" वाला हिस्सा है। क्या एक दरवाजा हिंज पर झूलता है? क्या एक दराज बाहर की ओर फिसलती है? पिवट पॉइंट (pivot point) कहाँ है?
2. इंट्रिन्सिक फिजिकल प्रॉपर्टीज (Intrinsic Physical Properties): यह "यह क्या है" वाला हिस्सा है। क्या यह लकड़ी या प्लास्टिक से बना है? क्या यह भारी है या हल्का? क्या यह फिसलन भरा है या पकड़ वाला?

पिछले तरीकों ने इन समस्याओं को अलग-अलग हल करने की कोशिश की। एक टूल यह अनुमान लगा सकता था कि एक दरवाजा कैसे हिलता है, और दूसरा अनुमान लगा सकता था कि उसका वजन क्या है। लेकिन यदि आप उन अनुमानों को एक साथ रखते हैं, तो वे अक्सर आपस में टकरा जाते हैं। दरवाजा ऐसा अनुमानित हो सकता है कि वह हिंज पर झूलता है, लेकिन फिजिक्स इंजन सोचता है कि वह रबर से बना है और दीवार से टकराकर उछल जाता है। या, सिस्टम यह मान सकता है कि वस्तु बिल्कुल एक खिलौने की तरह बनी है, और जब वह एक वास्तविक, थोड़ी टूटी-फूटी या अजीब दिखने वाली वस्तु का सामना करता है, तो विफल हो जाता है।

समाधान: "UniPhys" पाइपलाइन

लेखकों ने इस उलझन को सुलझाने के लिए UniPhys नामक एक सिस्टम बनाया। कल्पना कीजिए कि एक फैक्ट्री लाइन है जहाँ एक कच्चा, बिना पॉलिश किया हुआ 3D ऑब्जेक्ट एक छोर से प्रवेश करता है, और दूसरे छोर से एक पूरी तरह से "फिजिक्स-रेडी" ऑब्जेक्ट बाहर आता है। इस पाइपलाइन में चार चरण हैं:

1. परसेप्चुअल डिकंपोजिशन (Perceptual Decomposition - "काटने" का चरण):
   किसी वस्तु को यह सिखाने से पहले कि वह कैसे हिलती है, आपको यह जानना होगा कि उसके हिस्से कहाँ हैं। सिस्टम वस्तु को देखता है और एक "परसेप्चुअल" गाइड (इस आधार पर कि मनुष्य स्वाभाविक रूप से आकारों को कैसे समूह में देखते हैं) का उपयोग करके वस्तु को तार्किक टुकड़ों में काटता है। यह केवल ज्यामिति (geometry) के आधार पर नहीं काटता; यह कार्यक्षमता के आधार पर काटता है। यह जानता है कि कुर्सी का पैर एक हिस्सा है और सीट दूसरा, भले ही वे कच्चे मॉडल में आपस में जुड़े हुए हों।

2. इंट्रिन्सिक प्रॉपर्टी ग्राउंडिंग (Intrinsic Property Grounding - "सामग्री" का चरण):
   एक बार जब हिस्से अलग हो जाते हैं, तो सिस्टम पूछता है, "यह किस चीज से बना है?" यह बनावट और आकार को देखता है ताकि यह अनुमान लगा सके कि कोई हिस्सा धातु, लकड़ी या प्लास्टिक का है, और फिर गणना करता है कि वह कितना भारी होगा और कितना फिसलन भरा होगा।

3. जियोमेट्री-अवेयर आर्टिकुलेशन (Geometry-Aware Articulation - "गति" का चरण):
   यह सबसे कठिन हिस्सा है। सिस्टम को यह समझना होता है कि हिस्से कैसे हिलते हैं। केवल अनुमान लगाने के बजाय, यह देखता है कि हिस्से एक-दूसरे को कहाँ छूते हैं। यदि दराज का अगला हिस्सा एक फ्रेम को छूता है, तो वह जानता है कि वह शायद फिसलेगा। यदि एक दरवाजा फ्रेम को एक गैप के साथ छूता है, तो वह शायद झूलता है। यह संभावित गतिविधियों की एक सूची बनाता है और उनमें से उसे चुनता है जो भौतिक रूप से सबसे अधिक तर्कसंगत हो।

4. सिमुलेशन-ड्रिवन वेरिफिकेशन (Simulation-Driven Verification - "टेस्ट ड्राइव"):
   यह सबसे महत्वपूर्ण चरण है। सिस्टम केवल अनुमान नहीं लगाता और उम्मीद नहीं करता। यह वस्तु को एक वर्चुअल फिजिक्स सिम्युलेटर (जैसे कि एक वीडियो गेम इंजन) में डालता है और उसे चलाने की कोशिश करता है। यदि दराज फर्श के नीचे गिर जाती है या दरवाजा बेतहाशा घूमता है, तो सिस्टम जानता है कि कुछ गलत है। यह त्रुटियों को ठीक करता है या खराब अनुमान को हटा देता है। यह सुनिश्चित करता है कि केवल वे वस्तुएं ही अंतिम सूची में पहुँचें जो सिमुलेशन में वास्तव में काम करती हैं।

बड़ा डेटा: UniPhys-40K और UniPhys-Bench

अपने सिस्टम को प्रशिक्षित करने के लिए, शोधकर्ताओं को बड़ी मात्रा में डेटा की आवश्यकता थी। उन्होंने UniPhys-40K बनाया, जिसमें 40,000 से अधिक 3D ऑब्जेक्ट्स शामिल हैं। ये केवल आदर्श, साफ-सुथरे मॉडल नहीं हैं; ये कई जगहों से आते हैं, जिनमें बिखरे हुए कलाकार डिजाइन और प्रक्रियात्मक रूप से उत्पन्न (procedurally generated) आकार भी शामिल हैं। यह विविधता महत्वपूर्ण है क्योंकि वास्तविक दुनिया के रोबोट केवल आदर्श वस्तुओं से नहीं, बल्कि बिखरी हुई और अजीब वस्तुओं से भी सामना करेंगे।

यह सुनिश्चित करने के लिए कि उनका सिस्टम वास्तव में अच्छा है, उन्होंने UniPhys-Bench भी बनाया। यह 1,927 वस्तुओं और 5,469 गतिशील भागों के साथ एक सख्त परीक्षण सेट है। मनुष्यों ने भौतिकी सही है या नहीं, यह सुनिश्चित करने के लिए इनमें से हर एक की सावधानीपूर्वक जांच की है। यह AI के लिए एक अंतिम परीक्षा की तरह है।

मुख्य खिलाड़ी: UniPhysGen

इस डेटा का उपयोग करके, उन्होंने UniPhysGen नामक एक मॉडल को प्रशिक्षित किया। इस मॉडल को एक बहुत ही बुद्धिमान छात्र के रूप में समझें जिसने पूरी UniPhys-40K लाइब्रेरी पढ़ ली है। यह एक कच्चे 3D ऑब्जेक्ट को देखकर तुरंत समझ सकता है कि:

• कौन से हिस्से एक साथ चलते हैं।
• उनके पास किस प्रकार का जोड़ (joint) है (फिसलने वाला, घूमने वाला, या स्थिर)।
• पिवट पॉइंट (pivot point) कहाँ है।
• प्रत्येक हिस्से का वजन और सामग्री क्या है।

शोध पत्र इस बात पर जोर देता है कि UniPhysGen विशेष है क्योंकि यह अजीब आकारों से भ्रमित नहीं होता है। पुराने मॉडल अक्सर तब विफल हो जाते हैं जब कोई वस्तु सीधी नहीं खड़ी होती या उसका कोई हिस्सा गायब होता है (जैसे कि बिना अंदर के बॉक्स वाली दराज)। UniPhysGen SO(3) ऑग्मेंटेशन नामक एक चतुर तकनीक का उपयोग करता है, जिसका अर्थ है कि यह 3D स्पेस में हर संभव कोण से वस्तुओं को देखने का अभ्यास करता है। यह केवल "दरवाजे आमतौर पर वर्टिकल होते हैं" जैसा याद करके नकल करने से रोकता है। इसके बजाय, यह दरवाजे की भौतिकी सीखता है, ताकि यह तब भी काम करे जब दरवाजा फर्श पर पड़ा हो।

परिणाम: क्या यह काम करता है?

शोधकर्ताओं ने अन्य शीर्ष विधियों के विरुद्ध UniPhysGen का परीक्षण किया। परिणाम प्रभावशाली थे।

• बेहतर सटीकता: इसने लगभग 90% समय जोड़ के प्रकारों (joint types) को सही पहचाना और पिछले उपकरणों की तुलना में हिलने वाले हिस्सों के सटीक कोण और स्थिति का अनुमान लगाने में बहुत बेहतर रहा।
• मजबूती (Robustness): जब उन्होंने अजीब तरह से घुमाई गई या गायब हिस्सों वाली वस्तुओं पर परीक्षण किया, तो Uni-PhysGen ने अच्छा प्रदर्शन किया, जबकि अन्य तरीके विफल हो गए या गलत उत्तर देने लगे।
• वास्तविक सिमुलेशन: वे केवल नंबरों तक ही सीमित नहीं रहे। वे UniPhysGen द्वारा उत्पन्न वस्तुओं को एक वास्तविक रोबोट सिम्युलेटर (Isaac Sim) में ले गए। उन्होंने दिखाया कि एक रोबोट सफलतापूर्वक दराज खींच रहा है, नल घुमा रहा है और लैपटॉप बंद कर रहा है। वस्तुएं गड़बड़ी नहीं कर रही थीं; वे बिल्कुल वैसे ही व्यवहार कर रही थीं जैसा वास्तविक दुनिया की भौतिकी भविष्यवाणी करती है।

इसका क्या अर्थ है

यह शोध पत्र सुझाव देता है कि चीजें कैसे चलती हैं और वे किस चीज से बनी हैं, इस समझ को एकीकृत करके, हम ऐसे 3D एसेट्स बना सकते हैं जो वास्तव में रोबोट और सिमुलेशन के लिए तैयार हैं। लेखक दिखाते हैं कि इन समस्याओं को अलग-अलग करने के बजाय एक साथ मानने से कहीं अधिक स्थिर और यथार्थवादी परिणाम मिलते हैं।

हालाँकि यह पेपर यह दावा नहीं करता है कि इसने 3D भौतिकी की हर समस्या को हल कर दिया है, लेकिन यह एक महत्वपूर्ण प्रगति का प्रदर्शन करता है। यह सिद्ध करता है कि हम बिखरे हुए, कच्चे 3D डेटा को लेकर स्वचालित रूप से एक विश्वसनीय, भौतिकी-अनुपालन वाली दुनिया में बदल सकते हैं। यह रोबोटों को हमारे घरों, कारखानों और कार्यालयों में नेविगेट करने के लिए प्रशिक्षित करने में बहुत मदद कर सकता है, यह सुनिश्चित करते हुए कि जब कोई रोबोट कप की ओर हाथ बढ़ाता है, तो वह जानता है कि वह कितना भारी है और उसे बिना गिराए कैसे पकड़ना है।