Physics-Informed Machine Learning in Prognostics and Health Management: A Systematic Literature Review

कल्पना कीजिए कि आप एक कंप्यूटर को यह सिखाने की कोशिश कर रहे हैं कि कोई मशीन कब खराब होगी, इसका पूर्वानुमान कैसे लगाया जाए। आपके पास इसे करने के दो मुख्य तरीके हैं। पहला तरीका ऐसा है जैसे आप कंप्यूटर को लाखों टूटी हुई और चालू मशीनों की तस्वीरें दिखा रहे हैं; वह तस्वीरों में पैटर्न पहचानकर सीखता है, लेकिन वह वास्तव में यह नहीं समझता कि मशीन क्यों टूटी। दूसरा तरीका ऐसा है जैसे आप कंप्यूटर को भौतिकी (फिजिक्स) की एक पाठ्यपुस्तक देते हैं और उससे शुरू से उत्तर की गणना करने के लिए कहते हैं; वह नियमों को पूरी तरह से समझता है, लेकिन अगर मशीन किसी अजीब या अप्रत्याशित तरीके से व्यवहार करती है, तो वह भ्रमित हो सकता है।

अब, एक तीसरे तरीके की कल्पना करें: कंप्यूटर को ये तस्वीरें और भौतिकी के नियम दोनों एक साथ सिखाना। इसे "फिजिक्स-इन्फॉर्म्ड मशीन लर्निंग" (Physics-Informed Machine Learning) कहा जाता है। यह एक छात्र को अभ्यास के सवाल देने और साथ में गुरुत्वाकर्षण के नियमों वाली एक संदर्भ शीट देने जैसा है, ताकि वे नए सवालों को तेज़ी से हल कर सकें और कम गलतियाँ करें। यह दृष्टिकोण "प्रोग्नोस्टिक्स एंड हेल्थ मैनेजमेंट" (PH de PHM) में एक चर्चित विषय बनता जा रहा है, जो कि केवल एक फैंसी शब्द है जिसका अर्थ है "यह भविष्यवाणी करना कि चीजें कब बीमार होंगी ताकि हम उन्हें क्रैश होने से पहले ठीक कर सकें।" उद्योग इसे बहुत महत्व देते हैं क्योंकि टूटी हुई मशीनें पैसा खर्च कराती हैं, देरी का कारण बनती हैं, और यहाँ तक कि खतरनाक भी हो सकती हैं।

यह शोध पत्र एक विशाल जासूसी कहानी है जहाँ लेखकों, क्रिस्टोफर ब्रौन, जूलियन राइबल और मार्को एफ. ह्यूबर ने यह देखने के लिए खोज की कि यह "हाइब्रिड" शिक्षण पद्धति वास्तव में वास्तविक दुनिया में कितनी अच्छी तरह काम कर रही है। उन्होंने केवल कुछ उदाहरण नहीं देखे; उन्होंने सच्चाई का पता लगाने के लिए 212 अलग-अलग वैज्ञानिक अध्ययनों की गहराई से जांच की। वे जानना चाहते थे कि: लोग किस प्रकार के भौतिक नियमों का उपयोग कर रहे हैं? वे इन्हें कंप्यूटर लर्निंग के साथ कैसे मिला रहे हैं? और क्या यह वास्तव में भविष्यवाणियों को बेहतर बनाता है?

यहाँ उन्हें क्या मिला। सबसे पहले, उन्होंने पाया कि हालांकि विचार बहुत अच्छा है, लेकिन यह क्षेत्र अभी भी थोड़ा अव्यवस्थित है। शोधकर्ताओं ने पाया कि अधिकांश अध्ययन केवल दो प्रकार की मशीनों पर केंद्रित हैं: लिथियम-आयन बैटरी (जैसे आपके फोन या इलेक्ट्रिक कार में होती हैं) और बेयरिंग (मोटरों के अंदर के छोटे पहिये)। यह ऐसा है जैसे दुनिया के हर शेफ ने केवल पिज्जा की अपनी रेसिपी को बेहतर बनाने की कोशिश की हो और बाकी सब कुछ छोड़ दिया हो। इस कारण से, हम बैटरी और बेयरिंग को ठीक करने के बारे में बहुत कुछ जानते हैं, लेकिन हम अभी अन्य मशीनों के बारे में ज्यादा नहीं जानते।

लेखकों ने सभी अध्ययनों को चार अलग-अलग "टीमों" में वर्गीकृत किया कि कैसे उन्होंने भौतिकी को लर्निंग के साथ मिलाया:

1. द डेटा डिपर्स (अवलोकन संबंधी पूर्वाग्रह/Observational Bias): इन शोधकर्ताओं ने कंप्यूटर को अधिक उदाहरण सिखाने के लिए नकली डेटा (सिमुलेशन) बनाने के लिए भौतिकी का उपयोग किया। यह एक वीडियो गेम ट्रेनर द्वारा खिलाड़ी को असली बॉस का सामना करने से पहले कुशल बनाने के लिए हजारों अभ्यास स्तर उत्पन्न करने जैसा है।
2. द आर्किटेक्ट बिल्डर्स (आगमनात्मक पूर्वाग्रह/Inductive Bias): इन शोधकर्ताओं ने भौतिकी के नियमों को सीधे कंप्यूटर के मस्तिष्क की संरचना में बनाया। यह एक ऐसा घर बनाने जैसा है जिसकी दीवारें ऐसी हैं जिन्हें गिराया नहीं जा सकता, जिससे कंप्यूटर केवल उन्हीं तरीकों से सोचने के लिए मजबूर होता है जो भौतिक रूप से तर्कसंगत हों।
3. द रूल एनफोर्सर्स (लर्निंग बायस/Learning Bias): इन शोधकर्ताओं ने एक "डांटने" वाली प्रणाली जोड़ी। यदि कंप्यूटर ऐसी भविष्यवाणी करता है जो भौतिकी के नियमों को तोड़ती है, तो उसे दंड मिलता है। यह एक ऐसे शिक्षक की तरह है जो आपको हर बार लाल निशान देता है जब आप यह कहने की कोशिश करते हैं कि हीलियम गुब्बारे के बिना एक गेंद ऊपर तैर सकती है।
4. द टीम प्लेयर्स (हाइब्रिड दृष्टिकोण/Hybrid Approaches): इन शोधकर्ताओं ने भौतिकी मॉडल और लर्निंग मॉडल को दो अलग-अलग दोस्तों के रूप में रखा जो एक-दूसरे से बात करते हैं। एक गणित करता है, दूसरा पैटर्न पहचानता है, और वे काम साझा करते हैं।

बड़ी खबर क्या है? लगभग हर मामले में, भौतिकी को लर्निंग के साथ मिलाने से कंप्यूटर चीजों के टूटने की भविष्यवाणी करने में बेहतर हो गया। भविष्यवाणियाँ अधिक सटीक थीं, विशेष रूप से तब जब सीखने के लिए वास्तविक डेटा कम था। हालाँकि, लेखक बहुत सावधान हैं कि वे इसे बहुत अधिक बढ़ा-चढ़ाकर न बताएं। वे बताते हैं कि भले ही लोग दावा करते हैं कि ये विधियाँ कंप्यूटर को अधिक "समझने योग्य" या "सुरक्षित" बनाती हैं, लेकिन यह निश्चित रूप से कहने के लिए अभी पर्याप्त प्रमाण नहीं है। यह कहने जैसा है कि एक नई कार "सुरक्षित" है क्योंकि इसमें एयरबैग हैं, लेकिन अभी तक किसी ने यह साबित करने के लिए इसे दुर्घटनाग्रस्त नहीं किया है कि यह वास्तव में जीवन बचाती है।

एक अन्य पेचीदा हिस्सा यह है कि कई विधियाँ बहुत विशिष्ट हैं। एक विधि जो बैटरी को ठीक करने के लिए बनाई गई है, वह पंप पर काम नहीं कर सकती। यह एक ऐसी चाबी रखने जैसा है जो केवल एक विशिष्ट दरवाजा खोलती है; यह उस दरवाजे के लिए बहुत अच्छी है, लेकिन आप इसका उपयोग पूरे घर को खोलने के लिए नहीं कर सकते। लेखकों ने यह भी देखा कि अधिकांश स्मार्ट सिस्टम अभी भी केवल "प्रोटोटाइप" हैं जो एक लैब में बैठे हैं। उन्हें अभी इतना टेस्ट नहीं किया गया है कि यह देखा जा सके कि क्या वे मशीन के अंदर एक छोटे चिप पर चल सकते हैं या क्या वे एक फैक्ट्री फ्लोर की अस्त-व्यस्त, शोर भरी वास्तविकता को संभाल सकते हैं।

अंत में, शोध पत्र सुझाव देता है कि फिजिक्स-इन्फॉर्म्ड मशीन लर्निंग एक शक्तिशाली उपकरण है जो पहले से ही आशाजनक परिणाम दिखा रहा है, लेकिन यह अभी तक कोई जादुई छड़ी नहीं है। यह तब सबसे अच्छा काम करता है जब हमारे पास अच्छे भौतिक नियम हों और उन्हें मिलाने के लिए पर्याप्त डेटा हो। इस क्षेत्र का भविष्य ऐसे उपकरण बनाने पर निर्भर करता है जो किसी भी मशीन पर काम कर सकें, न कि केवल बैटरी और बेयरिंग पर, और यह साबित करने पर भी कि वे वास्तव में हमारी सुरक्षा और हमारे पैसे के भरोसे के लायक विश्वसनीय हैं। तब तक, यह एक बहुत ही रोमांचक, बहुत व्यस्त, लेकिन अभी भी विज्ञान का एक बहुत युवा क्षेत्र है।