कल्पना कीजिए कि आप एक जासूस हैं जो एक नन्ही, अदृश्य पाइप से बहने वाले एक रहस्यमयी तरल पदार्थ की पहचान करने की कोशिश कर रहे हैं। आप उस तरल को देख नहीं सकते, और न ही उसका स्वाद ले सकते हैं। आपके पास केवल दो विशेष सेंसर हैं: एक जो यह महसूस करता है कि तरल गुजरते समय कितना भारी है (जैसे बहते पानी के लिए एक तराजू) और दूसरा जो यह महसूस करता है कि तरल को धकेलना कितना कठिन है (जैसे शहद बनाम पानी के प्रतिरोध को महसूस करना)। यह माइक्रोफ्लुइडिक्स (microfluidics) की दुनिया है, जहाँ वैज्ञानिक और इंजीनियर तरल पदार्थों की सूक्ष्म मात्रा का उपयोग चिकित्सा परीक्षणों से लेकर पर्यावरणीय निगरानी तक सब कुछ करने के लिए करते हैं। चुनौती क्या है? ये तरल पदार्थ इस बात पर अलग तरह से व्यवहार करते हैं कि वे कितनी तेजी से बह रहे हैं, वे कितने गर्म हैं, या उन पर कितना दबाव है। पारंपरिक कंप्यूटर प्रोग्राम अक्सर इन बदलावों से भ्रमित हो जाते हैं, और एक ऐसे छात्र की तरह व्यवहार करते हैं जिसने एक विशिष्ट परीक्षा के लिए उत्तर तो रट लिए, लेकिन जब सवाल थोड़े अलग आए तो वह असफल हो गया। वे सेंसर संकेतों को केवल यादृच्छिक संख्याओं (random numbers) के रूप में देखते हैं, और उन छिपे हुए "सड़क के नियमों" (rules of the road) को नहीं समझ पाते जिनका उपयोग भौतिकी (physics) तरल पदार्थों के प्रवाह को नियंत्रित करने के लिए करती है।

यहाँ आता है PRIMS, एक नए प्रकार का स्मार्ट कंप्यूटर प्रोग्राम जिसे इस पहेली को सुलझाने के लिए डिज़ाइन किया गया है। PRIMS को एक ऐसे रोबोट के रूप में न देखें जो केवल डेटा को अंधाधुंध याद करता है, बल्कि एक ऐसे जासूस के रूप में देखें जो वास्तव में भौतिकी के नियमों को समझता है। जबकि अन्य प्रोग्राम केवल कच्चे नंबरों को देखकर अनुमान लगाते हैं, PRIMS एक अंतर्निहित "भौतिक मस्तिष्क" (physics brain) के साथ बनाया गया है। यह जानता है कि यदि तरल गाढ़ा (अधिक चिपचिपा/viscous) होता है, तो दबाव एक विशिष्ट तरीके से बदलता है, और यदि तरल भारी होता है, तो सेंसर का कंपन एक अन्य तरीके से बदलता है। अपने मस्तिष्क में इन भौतिक नियमों को सीधे बुनकर, PRIMS यह पता लगा सकता है कि तरल क्या है—भले ही वह ऐसी गति या तापमान पर बह रहा हो जिसे उसने पहले कभी नहीं देखा है। शोधकर्ताओं ने पाया कि यह दृष्टिकोण न केवल स्मार्ट है, बल्कि उन विशाल, जटिल प्रोग्रामों की तुलना में बहुत छोटा और तेज़ भी है जिनका वर्तमान में उपयोग किया जाता है, जो इसे चलते-फिरते काम करने वाले छोटे उपकरणों के लिए एकदम सही बनाता है।

समस्या: जब स्मार्ट कंप्यूटर अटक जाते हैं

वर्षों से, वैज्ञानिकों ने तरल पदार्थों की पहचान करने के लिए मशीन लर्निंग—ऐसे कंप्यूटर प्रोग्राम जो उदाहरणों से सीखते हैं—का उपयोग करने की कोशिश की है। कल्पना कीजिए कि आप एक कंप्यूटर को पानी की एक हजार तस्वीरें, तेल की एक हजार और अल्कोहल की एक हजार तस्वीरें दिखाते हैं और उसे अंतर सीखना कहते हैं। यह तब अच्छी तरह काम करता है जब स्थितियाँ स्थिर रहती हैं। लेकिन वास्तविक दुनिया में, चीजें बदलती हैं। यदि तापमान बढ़ता है, या तरल तेजी से बहता है, तो सेंसर अलग संकेत भेजते हैं। मानक प्रोग्राम, जो इन संकेतों को केवल "डेटा" मानते हैं, अक्सर भ्रमित हो जाते हैं। वे सोच सकते हैं कि तेजी से बहने वाला पानी का गिलास वास्तव में तेल है क्योंकि नंबर समान दिखते हैं, भले ही भौतिकी पूरी तरह से अलग हो।

शोधकर्ताओं का तर्क है कि ये प्रोग्राम मुख्य बात को छोड़ रहे हैं। वे उन भौतिक संबंधों को अनदेखा कर रहे हैं जो सेंसरों को जोड़ते हैं। उदाहरण के लिए, भौतिकी में एक प्रसिद्ध नियम है (जिसे हेगन-पॉइज़ुइल कानून कहा जाता है) जो यह जोड़ता है कि तरल कितनी तेजी से चलता है, वह कितना गाढ़ा है, और उसे पाइप के माध्यम से धकेलने के लिए कितने दबाव की आवश्यकता होती है। पुराने प्रोग्राम इस नियम को अनदेखा करते हैं और शुद्ध रूप से डेटा में पैटर्न के आधार पर उत्तर का अनुमान लगाने की कोशिश करते हैं। शोध पत्र सुझाव देता है कि यही कारण है कि वे स्थितियों के बदलने पर विफल हो जाते हैं: उन्होंने नियम नहीं सीखे हैं, उन्होंने केवल उदाहरणों को रटा है।

समाधान: PRIMS, एक भौतिकी-जानकार जासूस

इसे ठीक करने के लिए, टीम ने PRIMS (Physics-guided Representation for Fluid Identification) बनाया। कच्चे सेंसर डेटा को एक विशाल, सामान्य मस्तिष्क में सीधे डालने के बजाय, PRIMS इस प्रक्रिया को तीन चतुर चरणों में विभाजित करता है, जिनमें से प्रत्येक भौतिकी के नियमों का सम्मान करने के लिए डिज़ाइन किया गया है।

1. अनुवादक (भौतिकी-आधारित टोकन वेक्टरकरण)
सबसे पहले, PRIMS एक अनुवादक की तरह कार्य करता है। कच्चे सेंसर संकेत बिजली की अव्यवस्थपूर्ण लहरें होते हैं। PRIMS उन्हें सीधे निगलता नहीं है; यह उन्हें ऐसे "टोकन" में अनुवादित करता है जो भौतिक रूप से अर्थपूर्ण हों। यह कोरिओलिस सेंसर (जो वजन और घनत्व को मापता है) और दबाव सेंसर को देखता है, और पूछता है: "यह तरंग किस भौतिक गुण का प्रतिनिधित्व करती है?" यह अव्यवस्थित डेटा को स्वच्छ, अर्थपूर्ण अवधारणाओं जैसे "द्रव्यमान प्रवाह" (mass flow) और "दबाव गिरावट" (pressure drop) में परिवर्तित करता है। यह संगीत के नोट्स के अराजक समूह को एक स्पष्ट धुन में व्यवस्थित करने जैसा है जो तरल के व्यवहार के बारे में एक कहानी बताता है।

2. सिंथेसाइज़र (भौतिक घटक सिंथेसाइज़र)
इसके बाद, PRIMS तरल की श्यानता (viscosity - यह कितना गाढ़ा या चिपचिपा है) का पता लगाने के लिए एक विशेष मॉड्यूल का उपयोग करता है। वास्तविक दुनिया में, श्यानता वह कड़ी है जो यह तय करती है कि तरल कितनी तेजी से चलता है और उसे धकेलने के लिए कितने दबाव की आवश्यकता होती है। PRIMS "क्रॉस-अटेंशन" नामक एक तकनीक का उपयोग करता है ताकि डेटा का "दबाव" वाला हिस्सा "प्रवाह" वाले हिस्से से बात कर सके। कल्पना कीजिए कि दो जासूस सुराग साझा कर रहे हैं: एक कहता है, "दबाव अधिक है," और दूसरा कहता है, "प्रवाह धीमा है।" साथ मिलकर, वे निष्कर्ष निकालते हैं, "आह, यह एक गाढ़ा, चिपचिपा तरल होना चाहिए!" यह चरण सुनिश्चित करता है कि कंप्यूटर केवल अनुमान नहीं लगा रहा है; वह चर (variables) के बीच के संबंध की गणना कर रहा है, ठीक वैसे ही जैसे एक भौतिक विज्ञानी करेगा।

3. संलयन (भौतिकी-निर्देशित फ्यूजन)
अंत में, PRIMS इन सभी सुरागों को एक साथ लाता है। यह अनुवादित संकेतों और गणना की गई श्यानता को लेता है और उन्हें "सेल्फ-अटेंशन" तंत्र का उपयोग करके मिश्रित करता है। यह इसे यह तय करने की अनुमति देता है कि विशिष्ट तरल की पहचान करने के लिए कौन से सुराग सबसे महत्वपूर्ण हैं। यह एक न्यायाधीश की तरह है जो अंतिम निर्णय लेने से पहले सभी साक्ष्यों को सुनता है। क्योंकि सुराग भौतिक नियमों पर आधारित थे, इसलिए निर्णय बहुत अधिक विश्वसनीय है, भले ही मामला कठिन क्यों न हो।

परिणाम: स्मार्ट, छोटे और मजबूत

शोधकर्ताओं ने पाँच अलग-अलग तरल पदार्थों पर PRIMS का परीक्षण किया: नाइट्रोजन (एक गैस), पानी, आइसोप्रोपिल अल्कोहल, इथेनॉल और एसीटोन। उन्होंने इन तरल पदार्थों को विभिन्न तापमानों, दबावों और प्रवाह गतियों सहित कई बदलती परिस्थितियों के दौर से गुजारा।

परिणाम प्रभावशाली थे। PRIMS ने औसतन सटीकता स्कोर (F1-score) 98.92% प्राप्त किया। इसे समझने के लिए, सर्वश्रेष्ठ पिछले "स्टेट-ऑफ-द-आर्ट" कंप्यूटर मॉडल (जैसे iTransformer) ने लगभग 97.37% प्राप्त किया था। लेकिन असली जादू इसके आकार में है। वे विशाल मॉडल जो PRIMS की सटीकता के करीब थे, बहुत बड़े थे, जिनमें लगभग 6.5 मिलियन पैरामीटर (सोचिए इन्हें कंप्यूटर के मस्तिष्क में कनेक्शन की संख्या के रूप में) थे। हालाँकि, PRIMS ने इसे केवल 0.46 मिलियन पैरामीटर के साथ कर दिखाया। यह आकार में 14 गुना कमी है!

यह महत्वपूर्ण है क्योंकि छोटे मॉडल (जैसे अस्पतालों में उपयोग किए जाने वाले माइक्रोफ्लुइडिक चिप्स या पर्यावरणीय सेंसर) को बिना किसी विशाल कंप्यूटर सर्वर की आवश्यकता के, बैटरी से चलने वाले छोटे उपकरणों पर चलाया जा सकता है। PRIMS न केवल सटीक है; यह कुशल भी है।

यह क्यों मायने रखता है: नियमों से सीखना, न कि केवल उदाहरणों से

इस शोध पत्र का सबसे रोमांचक हिस्सा यह है कि PRIMS "आउट-ऑफ-डिस्ट्रीब्यूशन" (out-of-distribution) परीक्षणों को कैसे संभालता है। यह एक फैंसी तरीका है यह कहने का कि: "क्या होगा यदि हम इसका परीक्षण ऐसे तापमान या प्रवाह गति पर करें जो इसने पहले कभी नहीं देखी है?"

जब शोधकर्ताओं ने उन तापमानों पर मॉडल का परीक्षण किया जिन पर उन्हें प्रशिक्षित नहीं किया गया था, तो पुराने मॉडल बिखरने लगे। उदाहरण के लिए, एक विशिष्ट तापमान पर, एक प्रतिस्पर्धी मॉडल की सटीकता काफी गिर सकती है क्योंकि उसने पहले कभी उस विशिष्ट संख्या संयोजन को नहीं देखा था। हालाँकि, PRIMS मजबूत बना रहा। क्योंकि इसने अंतर्निहित भौतिक नियमों (जैसे तापमान के साथ श्यानता कैसे बदलती है) को सीख लिया था, यह बिना पुन: प्रशिक्षण (retraining) के नई स्थितियों के अनुकूल होने में सक्षम था। शोध पत्र सुझाव देता है कि इन भौतिक संबंधों को सीधे आर्किटेक्चर में शामिल करके, मॉडल "पर्यावरण-स्वतंत्र" (environment-independent) बनना सीख जाता है।

शोधकर्ताओं ने मॉडल के "मस्तिष्क" को भी देखा कि वह क्या सीख रहा है। उन्होंने पाया कि PRIMS का वह हिस्सा जो "गतिशील श्यानता" (dynamic viscosity) के लिए जिम्मेदार है, प्रत्येक तरल के लिए बहुत स्पष्ट, अलग समूह बनाता है, लगभग रंग के आधार पर मार्बल्स को छाँटने जैसा। यह पुष्टि करता है कि मॉडल केवल याद नहीं कर रहा था; यह वास्तव में तरल पदार्थों के बीच के भौतिक अंतर को सीख रहा था।

निष्कर्ष

PRIMS दिखाता है कि जब आप कंप्यूटर को भौतिकी के नियम सिखाते हैं, तो वह एक बहुत बेहतर जासूस बन जाता है। यह केवल अतीत को याद नहीं करता; यह वर्तमान को समझता है और भविष्य की भविष्यवाणी कर सकता है, यहाँ तक कि उन स्थितियों में भी जिन्हें इसने पहले कभी नहीं देखा है। डीप लर्निंग को फ्लूइड मैकेनिक्स के कालातीत नियमों के साथ जोड़कर, लेखकों ने एक ऐसा उपकरण बनाया है जो न केवल अधिक सटीक है, बल्कि इतना छोटा भी है कि भविष्य के नन्हे चिप्स में फिट हो सके। हालाँकि शोध पत्र नोट करता है कि यह वर्तमान में सरल, सुव्यवस्थित प्रवाह (लैमिनर फ्लो) पर केंद्रित है और इसमें और भी अधिक भौतिक बाधाओं को जोड़कर सुधार किया जा सकता है, लेकिन परिणाम एक शक्तिशाली नए दिशा की ओर संकेत करते हैं: ऐसा AI बनाना जो प्रकृति के नियमों का सम्मान करता है।