तकनीकी सारांश: महंगी सिमुलेशन-संचालित डिजाइन के लिए सर्च हार्डनेस-अवेयर LLM-आधारित समस्या सूत्रीकरण (Problem Formulation)

समस्या की परिभाषा

महंगी सिमुलेशन-संचालित डिजाइन इंजीनियरिंग (जैसे एयरफ़ॉयल और माइक्रोइलेक्ट्रॉनिक डिजाइन) में एक महत्वपूर्ण प्रक्रिया है, जहाँ लक्ष्य सीमित बजट के उच्च-निष्ठा (high-fidelity), समय लेने वाले सिमुलेशन के भीतर प्राकृतिक-भाषा आवश्यकताओं को संतुष्ट करने वाले डिजाइन मापदंडों की पहचान करना है। डिजाइन प्रक्रिया में आमतौर पर दो चरण शामिल होते हैं: समस्या सूत्रीकरण (प्राकृतिक-भाषा आवश्यकताओं को एक हल करने योग्य गणितीय अनुकूलन समस्या में बदलना) और अनुकूलन (Optimization) (उस सूत्रीकरण के तहत मापदंडों की खोज करना)।

जबकि मौजूदा शोध मुख्य रूप से निश्चित समस्या सूत्रीकरणों के तहत अनुकूलन एल्गोरिदम (जैसे सरोगेट-असिस्टेड विधियों) को बेहतर बनाने पर केंद्रित है, यह अक्सर यह मान लेता है कि सूत्रीकरण स्वयं सही और प्रभावी है। हालाँकि, सूत्रीकरण उद्देश्यों और बाधाओं (constraints) को परिभाषित करता है, जिससे खोज परिदृश्य (search landscape) आकार लेता है और प्रारंभिक समाधानों से लक्ष्य समाधानों तक खोज पथ निर्धारित होता है। वर्तमान स्वचालित सूत्रीकरण विधियाँ, जो अक्सर लार्ज लैंग्वेज मॉडल्स (LLMs) द्वारा संचालित होती हैं, मुख्य रूप से गणितीय सूत्रीकरण को डिजाइन इरादे (semantic correctness) के साथ संरेखित करने पर ध्यान केंद्रित करती हैं, लेकिन वे इस बात की अनदेखी करती हैं कि परिणामी सूत्रीकरण एक कुशल खोज प्रक्रिया (efficient search process) को प्रेरित करता है या नहीं। महंगी डिजाइन परिदृश्यों में, विभिन्न वैध सूत्रीकरण अलग-अलग सिमुलेशन लागत वाले खोज पथों की ओर ले जा सकते हैं, जिससे खोज-कुशल सूत्रीकरणों की खोज आवश्यक हो जाती है।

कार्यप्रणाली: SHA-PF

लेखक SHA-PF (सर्च हार्डनेस-अवेयर प्रॉब्लम फॉर्मुलेशन) प्रस्तावित करते हैं, जो एक ऐसा ढांचा है जो शुरुआती सिमुलेशन डेटा का उपयोग उन सूत्रीकरणों को खोजने के लिए करता है जो ऑप्टिमाइज़र को कम मूल्यांकनों के साथ लक्ष्य समाधानों की ओर निर्देशित करते हैं।

1. मुख्य अंतर्दृष्टि: प्रारंभिक डेटा में सर्च हार्डनेस (Search Hardness)

SHA-PF इस निष्कर्ष पर कार्य करता है कि मूल्यांकित डिजाइन प्रारंभिक खोज प्रक्षेपवक्र (trajectories) को आंशिक रूप से समाहित करते हैं।

• अक्सर देखे जाने वाले राज्य (Frequently observed states): वे क्षेत्र जो सैंपलिंग द्वारा आसानी से कवर किए जाते हैं; उन्हें प्राथमिकता देने से घटते प्रतिफल (diminishing returns) मिलते हैं।
• दुर्लभ रूप से देखे जाने वाले राज्य (Rarely observed states): वे "कठिन लेकिन आशाजनक" क्षेत्र जो स्वाभाविक रूप से ऑप्टिमाइज़र के लिए पहुँचना कठिन हैं लेकिन खोज को निर्देशित करने के लिए सूचनात्मक हैं।
• ढांचा यह मानता है कि इन दुर्लभ, आशाजनक पथों को उच्च प्राथमिकता देने वाला सूत्रीकरण ऑप्टिमाइज़र को कम महंगे मूल्यांकनों के साथ लक्ष्य समाधान तक पहुँचने में सक्षम बनाएगा।

2. सर्च हार्डनेस मेट्रिक और एंकर चयन

इस अंतर्दृष्टि को क्रियान्वित करने के लिए, SHA-PF देखे गए संतुष्टि राज्यों $z$ के लिए एक सर्च हार्डनेस मेट्रिक $h(z)$ को परिभाषित करता है:
$$h(z) = \frac{|\{i \mid z_i = z\}|}{|\{i \mid z \succ z_i\}| + \epsilon}$$

• अंश (Numerator) अवस्था की दुर्लभता को दर्शाता है (कम संख्या = उच्च दुर्लभता)।
• हर (Denominator) डोमिनेंस (Pareto dominance का उपयोग करके) द्वारा डोमिनेट किए गए प्रारंभिक अवलोकनों को गिनकर प्रगति की क्षमता को मापता है।
• एक कम $h(z)$ एक ऐसी अवस्था को इंगित करता है जो दुर्लभ है लेकिन डोमिनेंस द्वारा मजबूती से समर्थित है, जो एक "कठिन लेकिन आशाजनक" दिशा का प्रतिनिधित्व करती है।
• एक एंकर स्टेट ($z_{anc}$) को गैर-डोमिनेटेड देखे गए राज्यों में से $h(z)$ को न्यूनतम करके चुना जाता है।

3. सूत्रीकरण खोज उद्देश्य (Formulation Search Objective)

यह ढांचा उस सूत्रीकरण $F$ को खोजने के लिए सूत्रीकरण स्थान की खोज करता है जो एंकर स्टेट से संबंधित प्रतिक्रियाओं को अन्य प्रतिक्रियाओं की तुलना में उच्च रैंक देता है। उद्देश्य है:
$$F^* = \arg \max_{F \in \hat{\Phi}_R} \frac{1}{|P_{anc}|} \sum_{(i,j) \in P_{anc}} I[y_i \triangleright_F y_j]$$
जहाँ $P_{anc}$ उन जोड़ों को समाहित करता है जहाँ $y_i$ एंकर स्टेट के अनुरूप है और $y_j$ नहीं है। यह ऑप्टिमाइज़र को कठिन लेकिन आशाजनक एंकर की ओर प्रक्षेपवक्र का पालन करने के लिए प्रोत्साहित करता है।

4. विकासवादी सूत्रीकरण परिशोधन (Evolutionary Formulation Refinement)

SHA-PF इष्टतम सूत्रीकरण की खोज के लिए एक विकासवादी लूप का उपयोग करता है:

• जेनरेशन और रिपेयर (Generation & Repair): एक LLM प्राकृतिक-भाषा आवश्यकताओं से एक ड्राफ्ट सूत्रीकरण उत्पन्न करता है। दूसरा "रिपेयर" LLM यह सुनिश्चित करने के लिए ड्राफ्ट की जाँच और संशोधन करता है कि वह निष्पादन योग्य (executable) है और आवश्यकताओं के साथ अर्थपूर्ण रूप से संरेखित है।
• विकासवादी खोज (Evolutionary Search): मरम्मत किए गए सूत्रीकरणों की एक आबादी को विकसित किया जाता है। संतान (offspring) को पैरेंट सूत्रीकरणों पर लागू विशिष्ट ऑपरेटरों (कंपोनेंट रीकॉम्बिनेशन, कंस्ट्रेंट रीस्ट्रक्चरिंग, सिग्नल रीपैरामीट्राइजेशन, और सिमेंटिक एक्सप्लोरेशन) का उपयोग करके उत्पन्न किया जाता है।
• चयन (Selection): प्रत्येक उम्मीदवार को ऊपर परिभाषित सूत्रीकरण खोज उद्देश्य के आधार पर स्कोर किया जाता है। अगले जेनरेशन के लिए सर्वश्रेष्ठ प्रदर्शन करने वाले सूत्रीकरणों को बनाए रखा जाता है।

मुख्य योगदान

1. सैद्धांतिक अंतर्दृष्टि: यह पेपर प्रकट करता है कि प्रारंभिक सिमुलेशन डेटा में दुर्लभ लेकिन आशाजनक खोज पथ, सामान्यतः देखे जाने वाले पथों की तुलना में निरंतर खोज के लिए अधिक मूल्यवान हैं।
2. मूल्यांकन मानदंड: यह एक एंकर-स्टेट-आधारित सूत्रीकरण मूल्यांकन मानदंड प्रस्तावित करता है जो उन सूत्रीकरणों को प्राथमिकता देता है जो इन कठिन लेकिन आशाजनक पथों को प्राथमिकता देते हैं, जिससे उन्हें खोजने के लिए प्रोत्साहित किया जा सके।
3. ढांचा (SHA-PF): लेखक इस मानदंड को LLM-आधारित जनरेशन, वैधता रिपेयर, और इटरेटिव इवोल्यूशनरी रिफाइनमेंट के साथ एकीकृत करके कुशल समस्या सूत्रीकरणों को स्वचालित रूप से खोजने के लिए एक ढांचा प्रदान करते हैं।
4. अनुभवजन्य सत्यापन (Empirical Validation): ढांचे को एक वास्तविक दुनिया के मल्टी-ऑब्जेक्टिव बेंचमार्क (HBV वर्षा-अपवाह अंशांकन) और पांच महंगे एंटीना डिजाइन बेंचमार्क पर सत्यापित किया गया है।

प्रयोगात्मक परिणाम

लेखकों ने SHA-PF का मैन्युअल विशेषज्ञ सूत्रीकरण ($F_{Expert}$) और प्रत्यक्ष LLM-जनरेटेड सूत्रीकरण ($F_{LLM}$) सहित बेसलाइन्स के विरुद्ध मूल्यांकन किया।

• HBV अंशांकन: SHA-PF सभी चार हाइड्रोलॉजिकल मानदंडों को संतुष्ट करते हुए, मूल्यांकन 127 पर व्यवहार्य क्षेत्र (feasible region) तक पहुँच गया, जो सभी बेसलाइन्स से काफी पहले था। इसके अलावा, SHA-PF द्वारा पाया गया सर्वश्रेष्ठ व्यवहार्य समाधान, नैश-सटक्लिफ दक्षता (NSE) और रनऑफ गुणांक त्रुटि (ROCE) के संदर्भ में बेसलाइन्स द्वारा पाए गए समाधानों से बेहतर था।
• एंटीना डिजाइन बेंचमार्क:
  • SHA-PF ने पांचों एंटीना कार्यों (HAE, HSL, HSE, CSL, WHG) के लिए आवश्यकता-संतुष्ट डिजाइन सफलतापूर्वक खोजे।
  • अधिकांश बेसलाइन्स बजट (300 HFSS सिमुलेशन) के भीतर संतोषजनक डिजाइन खोजने में विफल रहे।
  • जहाँ बेसलाइन्स सफल रहे (जैसे HAE और CSL पर $F_{LLM-A}$), SHA-PF को काफी कम मूल्यांकनों (जैसे CSL के लिए 10 बनाम बेसलाइन के लिए 36) और कम समय की आवश्यकता थी।
  • उन कार्यों पर जहाँ बेसलाइन्स पूरी तरह से विफल रहे (HSL, HSE, WHG), SHA-PF बजट सीमा से 110-137 कम सिमुलेशन के साथ सफल रहा।
• क्रॉस-ऑप्टिमाइज़र मजबूती (Cross-Optimizer Robustness): विभिन्न ऑप्टिमाइज़र (SCBO, CEBO, DSI) के साथ परीक्षण किए जाने पर, SHA-PF के सूत्रीकरणों ने बेसलाइन सूत्रीकरणों की तुलना में लगातार बेहतर प्रदर्शन किया, जो यह दर्शाता है कि दक्षता में वृद्धि विशिष्ट ऑप्टिमाइज़र के बजाय सूत्रीकरण के कारण है।
• एब्लेशन अध्ययन (Ablation Studies):
  • एंकर चयन (Anchor Selection) को हटाने (रैंडम चयन से बदलने) से प्रदर्शन में गिरावट आई, जिससे सिमुलेशन लागत बढ़ गई और कुछ कार्यों में विफलता हुई।
  • सूत्रीकरण रिपेयर (Formulation Repair) को हटाने से सभी एंटीना कार्यों पर पूर्ण विफलता हुई, जो यह उजागर करता है कि कच्चा (raw) LLM जनरेशन अक्सर निष्पादन योग्य तो होता है लेकिन अर्थपूर्ण रूप से गलत संरेखित होता है।
  • LLM बैकबोन संवेदनशीलता: SHA-PF विभिन्न LLM बैकबोन (GPT-5, Claude, DeepSeek, आदि) में प्रभावी रहा। जबकि बैकबोन अभिसरण गति (convergence speed) और API लागत को प्रभावित करते थे, हल्के मॉडल (जैसे GPT-5-Mini) ने बड़े मॉडलों के समान डिजाइन-खोज दक्षता प्राप्त की।

महत्व और दावे

यह पेपर एक महत्वपूर्ण अंतर को संबोधित करने का दावा करता है: यह धारणा कि एक "सही" सूत्रीकरण स्वतः ही एक कुशल खोज की ओर ले जाता है। 'सर्च हार्डनेस' के लिए प्रारंभिक डेटा का स्पष्ट रूप से अनुकूलन करके, SHA-PF ऐसे सूत्रीकरण खोजता है जो ऑप्टिमाइज़र को अधिक कुशल प्रक्षेपवक्रों के साथ निर्देशित करते हैं।

लेखक कहते हैं कि उनका तरीका मानव-विशेषज्ञ और प्रत्यक्ष LLM-आधारित दृष्टिकोणों की तुलना में महंगी सिमुलेशन मूल्यांकनों की संख्या को काफी कम कर देता है। वे इस बात पर जोर देते हैं कि यह दृष्टिकोण अतिरिक्त प्रशिक्षण डेटा या सॉल्वर-आधारित सत्यापन की आवश्यकता नहीं करता है (जो अक्सर महंगी डिजाइन में असंभव होता है), बल्कि यह सिमुलेशन प्रतिक्रियाओं का उपयोग करके खोज परिदृश्य के गुणों का अनुमान लगाने पर निर्भर करता है। यह कार्य सुझाव देता है कि महंगी सिमुलेशन-संचालित डिजाइन में भविष्य की दक्षता में सुधार केवल उपयोग किए जाने वाले अनुकूलन एल्गोरिदम पर ही नहीं, बल्कि इस पर भी निर्भर करेगा कि समस्या को कैसे तैयार (formulate) किया गया है।