Physics-Informed Neural Networks for 2D Plane Wave Scattering in Arbitrary Dielectric Structures

कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि तालाब में एक लहर पत्थर से टकराने पर कैसे आगे बढ़ती है। भौतिकी की दुनिया में, प्रकाश का व्यवहार उस लहर की तरह ही होता है, लेकिन पानी के बजाय, यह विद्युत और चुंबकीय क्षेत्रों का एक अदृश्य नृत्य है। जब यह प्रकाश किसी वस्तु—जैसे कि कांच के मनके या धातु के चिप—से टकराता है, तो यह बिखर जाता है, यानी सभी दिशाओं में उछलकर वापस जाता है। वैज्ञानिक दशकों से यह गणना करने की कोशिश कर रहे हैं कि यह प्रकीर्णन (scattering) ठीक कैसे होता है, इसके लिए वे संख्याओं के विशाल, जटिल ग्रिड का उपयोग करते हैं, जो बिल्कुल वैसा ही है जैसे तालाब के ऊपर हर पानी की बूंद को ट्रैक करने के लिए एक विशाल चेकरबोर्ड (शतरंज की बिसात) बना देना। लेकिन ये ग्रिड भारी होते हैं, धीमे होते हैं, और कभी-कभी आकार बहुत अजीब होने या सामग्रियां बहुत पेचीदा होने पर टूट जाते हैं।

यहाँ एक नए प्रकार के जासूस का प्रवेश होता है: फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINN)। एक मानक कंप्यूटर प्रोग्राम को एक ऐसे छात्र के रूप में सोचें जो पाठ्यपुस्तक को रट लेता है लेकिन खेल के नियमों को नहीं समझता। एक PINN, हालांकि, एक ऐसे छात्र की तरह है जिसे नियम पुस्तिका (भौतिकी के नियम) दी गई है और उसे पहेली को हल करने के लिए कहा गया है कि वह उन नियमों के अनुसार सटीक उत्तर खोजे, बिना किसी चेकरबोर्ड के। ग्रिड के बजाय, यह एक लचीला, मेश-फ्री (जाल-रहित) मस्तिष्क का उपयोग करता है जो सीधे प्रकाश तरंगों के आकार को सीखता है। यह शोध पत्र इस बात की गहराई से जांच करता है कि यह "नियमों का पालन करने वाला मस्तिष्क" प्रकाश के टकराने वाली अजीब, डाइइलेक्ट्रिक वस्तुओं (ऐसी सामग्रियां जो प्रकाश को गुजरने देती हैं लेकिन उसे धीमा कर देती हैं, जैसे कांच या प्लास्टिक) की बिखरी हुई दुनिया को कितनी अच्छी तरह संभाल सकता है, विशेष रूप से यह परीक्षण करते हुए कि क्या यह प्रकाश के दो मुख्य तरीकों को संभाल सकता है: अगल-बगल की हलचल (ट्रांसवर्स मैग्नेटिक - TM) और ऊपर-नीचे की हलचल (ट्रांसवर्स इलेक्ट्रिक - TE)।

---

शोध पत्र की कहानी: एक मस्तिष्क को प्रकाश देखना सिखाना

इस शोध पत्र के शोधकर्ताओं ने एक सुपर-स्मार्ट, मेश-फ्री फ्रेमवर्क बनाने का लक्ष्य रखा ताकि एक क्लासिक समस्या को हल किया जा सके: जब प्रकाश विभिन्न सामग्रियों से बनी 2D वस्तुओं से टकराता है, तो वह कैसे बिखरता है? उन्होंने केवल अनुमान नहीं लगाया; उन्होंने एक न्यूरल नेटवर्क बनाया—जो कृत्रिम बुद्धिमत्ता (AI) का एक प्रकार है—और इसे इलेक्ट्रोमैग्नेटिज्म के सख्त नियमों का पालन करने के लिए मजबूर किया। उन्होंने मैक्सवेल समीकरणों (बिजली और चुंबकत्व कैसे व्यवहार करते हैं, इसका नियम) को सीधे नेटवर्क के "लॉस फंक्शन" में समाहित किया। सरल शब्दों में, इसका अर्थ है कि जब भी AI प्रकाश की ऐसी लहर की भविष्यवाणी करता है जो भौतिकी के नियमों को तोड़ती है, तो उसे एक "दंड स्कोर" मिलता है। लक्ष्य इस स्कोर को तब तक कम करना है जब तक कि AI की भविष्यवाणी पूरी तरह से कानूनी (नियमों के अनुकूल) न हो जाए।

उन्होंने इस AI का परीक्षण चार अलग-अलग परिदृश्यों पर किया, जिसमें एक एकल कांच के सिलेंडर से लेकर तीन सिलेंडरों का एक अराजक समूह और यहाँ तक कि एक वर्ग, एक त्रिकोण और एक वृत्त का अजीब मिश्रण शामिल था। वे यह देखना चाहते थे कि क्या AI प्रकाश के दो अलग-अलग "मोड्स" के लिए बिखरे हुए प्रकाश क्षेत्रों की भविष्यवाणी कर सकता है: ट्रांसवर्स मैग्नेटिक (TM) और ट्रांसवर्स इलेक्ट्रिक (TE)।

अच्छी खबर: TM मोड
ट्रांसवर्स मैग्नेटिक (TM) पोलराइजेशन के लिए, AI एक सितारा साबित हुआ। इसने बिखरे हुए प्रकाश क्षेत्रों की अविश्वसनीय सटीकता के साथ भविष्यवाणी की। जब उन्होंने एकल और दोहरे सिलेंडरों के ज्ञात गणितीय उत्तरों के साथ AI के परिणामों की तुलना की, तो त्रुटियां बहुत कम थीं—ज्यादातर 0.1 (या 10%) से नीचे रहीं। यहाँ तक कि जब उन्होंने इसके सामने तीन सिलेंडर रखे, तब भी AI ने जटिल अंतःक्रियाओं को सुचारू रूप से संभाला। शोध पत्र सुझाव देता है कि इन आकारों के लिए, AI ने भौतिकी को इतनी अच्छी तरह से सीखा कि वह प्रकाश के व्यवहार की लगभग सटीक भविष्यवाणी कर सकता है, जो पारंपरिक, भारी-भरकम सिमुलेशन विधियों के परिणामों से मेल खाता है।

बुरी खबर: TE मोड और "तेज किनारे" की समस्या
हालाँकि, ट्रांसवर्स इलेक्ट्रिक (TE) पोलराइजेशन के साथ चीजें कठिन हो गईं। यहाँ, AI लड़खड़ा गया। शोध पत्र बताता है कि जब प्रकाश दो सामग्रियों के बीच एक तेज सीमा (जैसे कांच के सिलेंडर का किनारा) से टकराता है, तो TE मोड के लिए गणित "सिंगुलर" (एकल/असाधारण) हो जाता है। कल्पना कीजिए कि आप एक चिकना वक्र (curve) खींचने की कोशिश कर रहे हैं जिसे अचानक एक विशिष्ट बिंदु पर अनंत गति से ऊपर-नीचे कूदना पड़ता है; एक न्यूरल नेटवर्क, जो चिकने, कोमल वक्रों को पसंद करता है, भ्रमित हो जाता है और गलतियाँ करने लगता है। TE मोड के लिए त्रुटियां बहुत बड़ी थीं—कभी-कभी लगभग 100% तक गलत—क्योंकि AI सामग्रियों के गुणों में अचानक, झटकेदार बदलावों को नहीं संभाल सका।

समाधान: "सॉफ्टनिंग" (कोमल बनाने का) तरीका
शोधकर्ताओं ने हार नहीं मानी; उन्होंने एक चतुर समाधान निकाला। उन्होंने महसूस किया कि समस्या गणित में सीमा की "तीक्ष्णता" (sharpness) थी। इसलिए, उन्होंने एक हाइपरबोलिक टेंगेंट कर्व का उपयोग करके एक "स्मूथिंग फंक्शन" पेश किया। इसे एक तेज धार वाले चाकू के किनारे को थोड़ा सैंडपेपर से घिसकर एक ढलान बनाने जैसा समझें। उन्हें यह बताकर कि सामग्रियां एक बहुत छोटी दूरी (लगभग $10^{-3}$ माइक्रोमीटर, जो नैनोमीटर रेंज में है) के भीतर धीरे-धीरे बदलती हैं, न कि तुरंत कूदती हैं, गणित ने उन असंभव सिंगुलैरिटीज़ को रोक दिया।

जब उन्होंने इस "घिसाई" वाले तरीके को लागू किया, तो TE मोड के लिए AI का प्रदर्शन आसमान छूने लगा। त्रुटियां काफी कम हो गईं, और भविष्यवाणियां बेंचमार्क समाधानों (जिन्हें पारंपरिक फाइनाइट-डिफरेंस टाइम-डोमेन विधि का उपयोग करके निकाला गया था) के बहुत करीब पहुँच गईं।

उन्होंने क्या पाया और क्या नहीं पाया
शोध पत्र निष्कर्ष निकालता है कि यह मेश-फ्री, फिजिक्स-इन्फॉर्म्ड दृष्टिकोण मजबूत और स्केलेबल है। यह सभी परीक्षित आकारों के लिए TM पोलराइजेशन के लिए खूबसूरती से काम करता है। TE पोलराइजेशन के लिए, यह उतना ही अच्छा काम करता है यदि आप तेज किनारों को संभालने के लिए स्मूथिंग ट्रिक का उपयोग करते हैं। लेखक स्पष्ट रूप से नोट करते हैं कि इस स्मूथिंग के बिना, यह विधि जटिल संरचनाओं में TE मोड के लिए विफल हो जाती है। वे यह भी पुष्टि करते हैं कि यह विधि स्थिर रूप से अभिसरित (converge) होती है, जिसका अर्थ है कि AI प्रशिक्षण के दौरान अटकता नहीं है या अनियंत्रित नहीं होता है; यह समाधान को लगातार सीखता है।

यह अध्ययन भौतिक प्रयोगों (लेजर और कांच के साथ) के माध्यम से नहीं, बल्कि संख्यात्मक सिमुलेशन के माध्यम से किया गया था। उन्होंने एकल सिलेंडर, संकेंद्रित शैल (concentric shells), तीन-सिलेंडर क्लस्टर और अनियमित आकारों का परीक्षण किया। परिणाम दर्शाते हैं कि जबकि AI प्रकाश के प्रकीर्णन की भविष्यवाणी करने के लिए एक शक्तिशाली उपकरण है, इसे TE मोड के सबसे कठिन, नुकीले गणितीय कोनों को संभालने के लिए थोड़ी मदद (स्मूथिंग फंक्शन) की आवश्यकता होती है। शोध पत्र सुझाव देता है कि यह फ्रेमवर्क विशाल, कठोर ग्रिड की आवश्यकता के बिना जटिल इलेक्ट्रोमैग्नेटिक समस्याओं को हल करने की दिशा में एक आशाजनक कदम है, लेकिन यह 3D आकृतियों और और भी अधिक जटिल सामग्रियों के लिए भविष्य के कार्य के द्वार खुले रखता है।