Physics-Guided Interpretable Machine Learning Framework for Anomalous Transport in Crowded Media with Tunable Flexibility

तकनीकी सारांश: भीड़भाड़ वाले माध्यमों में असामान्य परिवहन के लिए भौतिकी-निर्देशित व्याख्यात्मक मशीन लर्निंग ढांचा

समस्या विवरण
जैविक कोशिकाओं, पॉलीमर जेल और कोलाइडल सस्पेंशन जैसे भीड़भाड़ वाले, विषम माध्यमों में परिवहन अक्सर शास्त्रीय ब्राउनियन गति से विचलित होता है, जो पावर-लॉ स्केलिंग द्वारा प्रदर्शित होने वाले असामान्य विसरण (anomalous diffusion) को दर्शाता है। ये विचलन क्राउडिंग (crowding), संरचना और नेटवर्क संरचना के युग्मित प्रभावों से उत्पन्न होते हैं। जबकि सैद्धांतिक ढांचे (जैसे, सामान्यीकृत लैंग्विन समीकरण) और डेटा-संचालित विधियां (जैसे, प्रक्षेपवक्र क्लस्टरिंग) मौजूद हैं, एक महत्वपूर्ण चुनौती बनी हुई है: विशिष्ट भौतिक मापदंडों (कुल आयतन अंश, अन्वेषक अंश और नेटवर्क लचीलापन) के व्यक्तिगत और युग्मित योगदानों को बहुआयामी मापदंड स्थानों में मात्रात्मक रूप से अलग करना। मौजूदा मशीन लर्निंग दृष्टिकोण अक्सर भौतिक व्याख्यात्मकता के बजाय भविष्य कहनेवाला प्रदर्शन (predictive performance) को प्राथमिकता देते हैं, जिससे विशिष्ट अंतर्निहित तंत्रों को भौतिक गुणों के साथ जोड़ने की उनकी क्षमता सीमित हो जाती है।

कार्यप्रणाली
लेखक एक भौतिकी-निर्देशित, व्याख्यात्मक मशीन लर्निंग (ML) ढांचे का विकास करते हैं जो ब्राउनियन क्लस्टर डायनेमिक्स (BCD) सिमुलेशन को सरोगेट मॉडलिंग और SHapley Additive exPlanations (SHAP) के साथ एकीकृत करता है।

1. सिमुलेशन मॉडल: अध्ययन एक बाइनरी कोलाइडल सिस्टम का उपयोग करता है जिसमें स्वतंत्र रूप से विसरित होने वाले "अन्वेषक" (explorer) कण और "टेम्प्लेट" (template) कण शामिल हैं जो एक अपरिवर्तनीय नेटवर्क बनाते हैं। यह प्रणाली तीन नियंत्रण मापदंडों द्वारा शासित है:

   • कुल आयतन अंश ($\Phi_{tot}$): समग्र क्राउडिंग को नियंत्रित करता है।
   • अन्वेषक अंश ($c_E$): संरचना को नियंत्रित करता है।
   • बॉन्ड लचीलापन ($p_{flex}$): एक ट्यूनेबल पैरामीटर जो नेटवर्क कनेक्टिविटी को बनाए रखते हुए बंधे हुए टेम्प्लेट कणों की गतिशीलता को नियंत्रित करता है (कठोर $p_{flex}=0$ से लेकर पूर्णतः लचीले $p_{flex}=1$ तक)।
     सिमुलेशन का विश्लेषण दो चरणों में किया जाता है: प्री-नेटवर्क (अपरिवर्तनीय एकत्रीकरण के दौरान) और पोस्ट-नेटवर्क (पूरी तरह से बने, पारगामी/परकोलेटेड टेम्प्लेट के भीतर)।

2. डिस्क्रिप्टर निष्कर्षण: BCD प्रक्षेपवक्रों (trajectories) से, लेखक संरचनात्मक और गतिशील डिस्क्रिप्टर निकालते हैं, जिनमें शामिल हैं:

   • संरचनात्मक: औसत न्यूनतम अन्वेषक-टेम्प्लेट पृथक्करण ($\langle r_{min}^{E-T} \rangle$) और सबसे बड़े क्लस्टर का अंश ($f_{max}^{(T)}$)।
   • गतिशील: मीन-स्क्वेर्ड डिस्प्लेसमेंट (MSD), स्थानीय प्रसार घातांक ($\alpha(t)$), इंटरमीडिएट स्कैटरिंग फंक्शन रिलैक्सेशन समय ($\tau_\alpha$), और विस्थापन-वितरण चौड़ाई ($w_v$)।

3. मशीन लर्निंग और व्याख्या: रैंडम फॉरेस्ट रिग्रेशन मॉडल को प्रशिक्षित किया जाता है ताकि निकाले गए डिस्क्रिप्टर्स को नियंत्रण मापदंडों ($\Phi_{tot}, c_E, p_{flex}$) से मैप किया जा सके। सरोगेट मॉडल के लिए SHAP विश्लेषण लागू किया जाता है ताकि:

   • वैश्विक विशेषता महत्व (प्रभाव द्वारा मापदंडों की रैंकिंग) को निर्धारित किया जा सके।
   • स्थानीय योगदान और सशर्त अंतःक्रियाओं (कैसे अन्य मापदंडों की स्थिति के आधार पर पैरामीटर का प्रभाव बदलता है) की पहचान की जा सके।
   • विस्तृत भौतिक विश्लेषण के लिए प्रतिनिधि सिमुलेशन अवस्थाओं का वस्तुनिष्ठ चयन किया जा सके।

मुख्य परिणाम

• संरचनात्मक बंधन (Structural Confinement): SHAP विश्लेषण प्रकट करता है कि कुल आयतन अंश ($\Phi_{tot}$) अन्वेषक बंधन (separation distance) का प्रमुख चालक है, जबकि संरचना ($c_E$) मुख्य रूप से टेम्प्लेट-नेटवर्क कनेक्टिविटी को निर्धारित करती है। बॉन्ड लचीलापन ($p_{flex}$) स्थानीय बंधन वातावरण को परिभाषित करने में माध्यमिक लेकिन गैर-नगण्य भूमिका निभाता है।
• परिवहन गतिशीलता: ढांचा पुष्टि करता है कि हालांकि संरचना ($c_E$) दीर्घकालिक परिवहन घातांक ($\alpha$) को नियंत्रित करने वाला प्रमुख वैश्विक कारक है, परिवहन प्रतिक्रिया युग्मित प्रभावों का परिणाम है। SHAP निर्भरता प्लॉट दर्शाते हैं कि क्राउडिंग और लचीलेपन का प्रभाव स्वतंत्र रूप से कार्य करने के बजाय, मापदंड स्थान में सशर्त रूप से बदलता रहता है।
• रिलैक्सेशन और बॉन्ड लचीलापन: एक केंद्रीय निष्कर्ष चरण-निर्भर भूमिका है।
  • प्री-नेटवर्क: रिलैक्सेशन लगभग पूरी तरह से क्राउडिंग द्वारा नियंत्रित होता है; बॉन्ड लचीलेपन का न्यूनतम प्रभाव पड़ता है।
  • पोस्ट-नेटवर्क: बॉन्ड लचीलापन रिलैक्सेशन के एक विशिष्ट और महत्वपूर्ण नियामक के रूप में उभरता है। एक पारगामी (percolated) नेटवर्क की उपस्थिति में, बढ़ा हुआ लचीलापन स्थानीय बॉन्ड पुनर्गठन को बढ़ावा देता है जो क्षणिक रूप से पिंजरे में फंसे (caged) कणों को मुक्त करने की सुविधा प्रदान करता है। यह प्रभाव उच्च अन्वेषक अंश वाले सिस्टम में सबसे अधिक स्पष्ट होता है, जहाँ बार-बार होने वाली अन्वेषक-टेम्प्लेट अंतःक्रियाएं स्थानीय नेटवर्क पुनर्गठन को संचालित करती हैं।
• विस्थापन सांख्यिकी (Displacement Statistics): नेटवर्क निर्माण व्यवस्थित रूप से अन्वेषक कणों को स्थानीयकृत करता है, जिससे विस्थापन वितरण संकुचित हो जाता है। जबकि क्राउडिंग और संरचना समग्र विस्तार को नियंत्रित करते हैं, बॉnd लचीलापन स्थानीयकरण की सीमा को नियंत्रित करता है, जहाँ लचीले नेटवर्क कठोर नेटवर्क की तुलना में संकीर्ण और अधिक सजातीय विस्थापन परिदृश्य उत्पन्न करते हैं।

महत्व और दावे
यह शोध जटिल परिवहन घटनाओं में युग्मित भौतिक तंत्रों को अलग करने के लिए एक मात्रात्मक पद्धति स्थापित करने का दावा करता है। इसके प्राथमिक योगदान हैं:

1. नियंत्रण पैरामीटर के रूप में बॉन्ड लचीलेपन की पहचान: यह कार्य प्रदर्शित करता है कि बॉन्ड लचीलापन केवल एक संरचनात्मक विवरण नहीं है, बल्कि विषम कोलाइडल नेटवर्क में रिलैक्सेशन के लिए एक विशिष्ट भौतिक नियंत्रण पैरामीटर है। यह एक गतिशील नियामक के रूप में कार्य करता है जो अपरिवर्तनीय नेटवर्क टोपोलॉजी को बदले बिना क्षणिक पिंजरे (caging) के प्रभाव को कम कर सकता है।
2. एकीकृत ढांचा: लेखक एक सामान्य ढांचे का प्रस्ताव करते हैं जो ML का उपयोग केवल भविष्यवाणी या पोस्ट-हॉक विश्लेषण के लिए करने से आगे बढ़कर, इसे भौतिक-आधारित सिमुलेशन, सरोगेट मॉडलिंग और SHAP व्याख्या के साथ जोड़ता है। यह ढांचा बहुआयामी मापदंड स्थानों को अंतर्निहित परिवहन तंत्रों से व्यवस्थित रूप से जोड़ता है।
3. मात्रात्मक एट्रिब्यूशन: यह अध्ययन यह समझने के लिए एक कठोर, मात्रात्मक आधार प्रदान करता है कि क्राउडिंग, संरचना और लचीलेपन के सापेक्ष योगदान एक सीमित वातावरण के तरल-सदृश अवस्था से पारगामी (percolated) नेटवर्क में विकसित होने के साथ कैसे विकसित होते हैं।

लेखक इस कार्य को सिमुलेशन-प्रयोग तालमेल की दिशा में एक कदम के रूप में देखते हैं, यह सुझाव देते हुए कि ऐसे व्याख्यात्मक ढांचे उन जटिल सॉफ्ट-मैटर सिस्टम के व्यवस्थित अन्वेषण में मार्गदर्शन कर सकते हैं जहाँ कई परस्पर क्रिया करने वाले चर परिवहन व्यवहार को नियंत्रित करते हैं।