Two-Stage Deformable-Convolutional Inverse Design of Nanophotonic Absorbers from Optical Spectra

कल्पना कीजिए एक ऐसी दुनिया की जहाँ प्रकाश केवल चीजों से टकराकर वापस नहीं लौटता, बल्कि अविश्वसनीय सटीकता के साथ फंस जाता है, अवशोषित होता है और ऊष्मा या बिजली में बदल जाता है। यह नैनोफोटोनिक्स (nanophotonics) का खेल का मैदान है, एक ऐसा क्षेत्र जहाँ वैज्ञानिक प्रकाश की एक एकल तरंग (wavelength) से भी छोटे ढांचे बनाते हैं ताकि वे विद्युत चुम्बकीय तरंगों के व्यवहार को नियंत्रित कर सकें। इन संरचनाओं को सूक्ष्म जाल या फिल्टर के रूप में सोचें। एक लोकप्रिय प्रकार है मेटल-इंसुलेटर-मेटल (MIM) एब्जॉर्बर: एक सैंडविच की कल्पना करें जिसमें धातु की एक निचली परत है, बीच में एक इंसुलेटिंग सामग्री की परत है, और ऊपर धातु की एक परत है जिसे एक विशिष्ट, जटिल आकार में तराशा गया है। उस ऊपरी परत के आकार को बदलकर—जैसे कि उसकी भुजाओं को लंबा करना, अंतराल को संकरा करना, या कोनों को नुकीला बनाना—वैज्ञानिक यह तय कर सकते हैं कि वह 'सैंडविच' प्रकाश के किन रंगों को सोखेगा।

हालाँकि, चुनौती एक पहेली को उलटे क्रम में हल करने जैसी है। आमतौर पर, यदि आपके पास कोई आकार है, तो आप गणना कर सकते हैं कि प्रकाश उसे कैसे अवशोषित करेगा। लेकिन यदि आप कहें, "मुझे एक ऐसा उपकरण चाहिए जो ठीक इस विशिष्ट प्रकाश पैटर्न को अवशोषित करे," तो उस आकार को ढूँढना क्या करना है, यह एक दुःस्वप्न बन जाता है। यह कोई एक-से-एक मिलान नहीं है; कई अलग-अलग आकार समान परिणाम दे सकते हैं, और डिज़ाइन में मामूली बदलाव भी प्रदर्शन में भारी बदलाव ला सकते हैं। इसे इनवर्स डिज़ाइन प्रॉब्लम (inverse design problem) कहा जाता है। वर्षों से, वैज्ञानिकों ने सही आकार का अनुमान लगाने के लिए कंप्यूटरों का उपयोग करने की कोशिश की है, लेकिन परिणाम अक्सर धुंधले या भौतिक रूप से असंभव आते हैं, जैसे कि किसी फोटो को गीली उंगली से फैला दिया गया हो।

यह शोध पत्र इस पहेली को हल करने का एक चतुर तरीका पेश करता है, जो एक मास्टर मूर्तिकार की तरह कार्य करता है जो केवल आकार का अनुमान नहीं लगाता, बल्कि सही वक्रों को "महसूस" करना सीखता है। शोधकर्ताओं ने एक दो-चरणीय AI प्रणाली विकसित की है जो वांछित प्रकाश-अवशोषण पैटर्न लेता है और तुरंत एक स्पष्ट, साफ ब्लूप्रिंट निकाल देता है। उन्होंने पाया कि डिफॉर्मेबल कन्वोल्यूशन (deformable convolution) नामक एक विशेष प्रकार की AI परत का उपयोग करके—जो कंप्यूटर को एक कठोर ग्रिड के बजाय सही स्थानों को देखने के लिए अपनी "आंखों" को खींचने और स्थानांतरित करने की अनुमति देता है—वे अधिक सटीक डिज़ाइन बना सके। उन्होंने इसकी जांच एक दूसरे AI के माध्यम से की ताकि यह देखा जा सके कि क्या वे वास्तव में काम करते हैं, और पाया कि उनकी विधि न केवल दृश्य रूप से पूर्ण थी, बल्कि कार्यात्मक रूप से भी सटीक थी, जो प्रकाश को बिल्कुल इच्छानुसार पकड़ती है।

"आकार बदलने वाले" AI की कहानी

कल्पना कीजिए कि आप केवल किसी मशीन द्वारा उत्पन्न ध्वनि के विवरण के आधार पर उसका चित्र बनाने की कोशिश कर रहे हैं। यदि आप एक मानक पेंसिल का उपयोग करते हैं, तो आप एक अच्छी रूपरेखा बना सकते हैं, लेकिन विवरण धुंधले हो जाएंगे। आप एक गियर बना सकते हैं जो थोड़ा बड़ा है या एक अंतराल जो थोड़ा अधिक चौड़ा है, और मशीन काम नहीं करेगी। यही तब होता है जब कंप्यूटर मानक तरीकों का उपयोग करके नैनोफोटोनिक एब्जॉर्बर को डिजाइन करने की कोशिश करते हैं। वे सामान्य विचार को सही कर लेते हैं, लेकिन बारीक विवरण—पतली भुजाएं, नुकीले कोने, छोटे अंतराल—धुंधले हो जाते हैं।

लेखकों ने निर्णय लिया कि वे कंप्यूटर को एक "जादुई पेंसिल" देंगे जो खिंच सकती है और स्थानांतरित हो सकती है। तकनीकी शब्दों में, उन्होंने डिफॉर्मेबल कन्वोल्यूशन का उपयोग किया। एक सामान्य कंप्यूटर विज़न सिस्टम में, AI एक निश्चित ग्रिड के माध्यम से छवि को देखता है, जैसे एक कठोर फ्रेम वाली खिड़की। वह केवल वही देख सकता है जो उसके फ्रेम के भीतर है। लेकिन एक डिफॉर्मेबल कन्वोल्यूशन एक लचीली खिड़की की तरह है जो मुड़ और झुक सकती है। यदि AI नैनोडिवाइस की एक पतली, घुमावदार भुजा देखता है, तो वह उस वक्र का पूरी तरह से अनुसरण करने के लिए अपनी खिड़की को खींच सकता है, बजाय इसके कि वह वक्र को एक वर्गाकार बॉक्स में फिट करने की कोशिश करे।

दो-चरणीय नृत्य

शोधकर्ताओं ने केवल इस जादुई पेंसिल पर भरोसा नहीं किया; उन्होंने सर्वोत्तम परिणाम प्राप्त करने के लिए AI को एक दो-चरणीय नृत्य सिखाया।

चरण 1: कच्चा स्केच (सुपरवाइज्ड लर्निंग)
सबसे पहले, उन्होंने AI को बुनियादी आकार बनाना सिखाया। उन्होंने इसे हजारों प्रकाश पैटर्न और उनके संबंधित सही आकारों के उदाहरण दिखाए। AI ने एक "कच्चा स्केच" बनाना सीखा जो सामान्य लेआउट को सही ढंग से प्राप्त करता था। यह कारों की तस्वीरें देखकर कार बनाना सीखने जैसा था; वह जानता था कि पहिए और बॉडी कहाँ होनी चाहिए, लेकिन रेखाएं थोड़ी नरम थीं।

चरण 2: फाइन-ट्यूनिंग (एडवरसेरियल रिफाइनमेंट)
एक बार जब AI के पास एक अच्छा स्केच आ गया, तो उन्होंने एक दूसरा AI, एक "क्रिटिक" (आलोचक) पेश किया। इस क्रिटिक का काम स्केच को देखना और कहना था, "वह अंतराल बहुत चौड़ा लग रहा है," या "वह कोना बहुत गोल है।" फिर पहले AI ने इन गलतियों को सुधारने के लिए प्रयास किया ताकि वह क्रिटिक को मूर्ख बना सके। एडवरसेरियल ट्रेनिंग नामक यह प्रक्रिया, बारी-बारी से चलने वाला संवाद, रेखाओं को तीक्ष्ण बनाता है। परिणाम एक ऐसा डिज़ाइन था जो न केवल एक अच्छा अनुमान था, बल्कि एक स्पष्ट, हाई-डेफिनिशन ब्लूप्रिंट था।

उन्हें क्या मिला

परिणाम प्रभावशाली थे। जब उन्होंने अपने नए "जादुई पेंसिल" तरीके की तुलना पुराने "कठोर ग्रिड" तरीकों से की, तो अंतर स्पष्ट था।

• स्पष्ट छवियां: उनकी विधि ने 20.79 dB (सिग्नल गुणवत्ता का एक माप) के साथ एक स्ट्रक्चरल सिमिलरिटी स्कोर 0.85 के साथ चित्र बनाए। यह मानक तरीकों से काफी बेहतर है, जो लगभग 18.63 dB और 0.76 का स्कोर करते हैं।
• बेहतर ज्यामिति: जब उन्होंने वास्तविक आकारों को देखा, तो नए तरीके ने 96.23% समय (डाइस स्कोर 0.9623) सीमाओं को सही पाया। इसने आकारों के किनारों को 95.50% समय भी सही पाया।
• वास्तविक दुनिया की जाँच: सबसे महत्वपूर्ण परीक्षण यह देखना था कि क्या वे आकार वास्तव में काम करते हैं। उन्होंने AI के डिजाइनों को लिया और उन्हें एक अलग, प्री-ट्रेंड कंप्यूटर मॉडल के माध्यम से चलाया जो यह सिम्युलेट करता है कि प्रकाश डिवाइस के साथ कैसे इंटरैक्ट करता है। उनके द्वारा बनाए गए डिजाइनों ने केवल 0.0805 की त्रुटि (RMSE) और 0.79 के सहसंबंध (R²) के साथ मूल लक्ष्य से मेल खाते हुए प्रकाश अवशोषण पैटर्न उत्पन्न किए। यह सुझाव देता है कि डिज़ाइन केवल सुंदर चित्र नहीं हैं; वे वास्तविक दुनिया में काम करने की संभावना रखते हैं।

"जादुई पेंसिल" क्यों महत्वपूर्ण है

शोधकर्ताओं ने गहराई से अध्ययन किया कि उनका डिफॉर्मेबल कन्वोल्यूशन इतना अच्छा क्यों काम कर रहा था। उन्होंने "ऑफसेट्स" (offsets) को देखा—जिस तरह से AI ने अपनी खिड़की को खींचा। उन्होंने पाया कि AI ने इस लचीलेपन का सबसे अधिक उपयोग तब किया जब वह मोटा, बड़े पैमाने का लेआउट और मध्यवर्ती विवरण बना रहा था। यह ऐसा था जैसे AI एक घुमावदार सड़क का सटीक रास्ता खोजने के लिए अपनी लचीली खिड़की का उपयोग कर रहा था, इससे पहले कि वह सड़क का निर्माण पूरा करे। दिलचस्प बात यह है कि जब तक वह अंतिम, सूक्ष्म विवरण बना रहा था, खिड़की फिर से अधिक कठोर हो गई, जिससे पता चलता है कि सही आकार खोजने का भारी काम प्रक्रिया के शुरुआती चरणों में हुआ था।

उन्होंने अन्य प्रकार की "स्मार्ट" पेंसिल का भी परीक्षण किया, जैसे डायनेमिक कन्व (Dynamic Conv) और ODConv, जो चित्र के स्टाइल को बदलने की कोशिश करते हैं न कि खिड़की की स्थिति को। वे उतने प्रभावी नहीं रहे। यह सुझाव देता है कि इन सूक्ष्म, जटिल नैनोडिवाइसों के लिए, पिक्सेल के वजन को बदलने के बजाय सैंपलिंग बिंदुओं (खिड़की) को भौतिक रूप से स्थानांतरित करने की क्षमता अधिक महत्वपूर्ण है।

जादू की सीमाएं

हालांकि परिणाम मजबूत हैं, लेखक यह दावा करने में सावधान हैं कि उन्होंने सब कुछ हल कर लिया है।

• यह एक सिमुलेशन है: "प्रमाण" कि डिज़ाइन काम करते हैं, एक कंप्यूटर सिमुलेशन (फॉरवर्ड सरोगेट) से आता है, न कि लैब में लेजर के साथ डिवाइस बनाकर परीक्षण करने से। हालांकि सिमुलेशन बहुत अच्छा है, वास्तविक दुनिया में सूक्ष्म खामियां हो सकती हैं जिन्हें AI ने नहीं देखा।
• एक उत्तर, कई नहीं: इनवर्स समस्या जटिल है क्योंकि कई अलग-अलग आकार एक ही प्रकाश पैटर्न उत्पन्न कर सकते। यह AI आपको एक "सर्वश्रेष्ठ अनुमान" आकार देता है। यह आपको उन अन्य संभावित आकारों को नहीं दिखाता जो काम भी कर सकते हैं। यदि आपको विभिन्न विकल्पों की आवश्यकता है, तो यह विधि बहुत कठोर हो सकती है।
• टोपोलॉजी ग्लिच (Topology Glitches): लगभग 75% समय, AI ने आकार की "कनेक्टिविटी" को एकदम सही पाया (यानी कोई आकस्मिक पुल या टूटे हुए द्वीप नहीं)। लेकिन शेष 25% मामलों में, उसने छोटी गलतियाँ कीं, जैसे दो हिस्सों को जोड़ देना जिन्हें अलग होना चाहिए था। यह AI डिज़ाइन में एक आम समस्या है जिस पर अभी भी काम करने की आवश्यकता है।

निष्कर्ष

यह शोध पत्र दिखाता है कि AI को अपनी "आंखों को खींचने" की क्षमता देकर और उसे दो सावधानीपूर्वक चरणों में—पहले बड़ी तस्वीर, फिर बारीक विवरण—सिखाकर, हम नैनोफोटोनिक उपकरणों को पहले की तुलना में बहुत अधिक सटीकता के साथ डिजाइन कर सकते हैं। यह विधि बताती है कि इन सूक्ष्म, जटिल संरचनाओं के लिए, जिस तरह से हम इमेज को सैंपल करते हैं, वह उतना ही महत्वपूर्ण है जितना कि वह गणित जिसका हम गणना के लिए उपयोग करते हैं। यह प्रकाश अवशोषण की अराजक, गैर-विशिष्ट दुनिया को एक पूर्वानुमानित, डिजाइन योग्य विज्ञान में बदलने की दिशा में एक कदम है, भले ही हमें 100% सुनिश्चित होने के लिए अभी भी वास्तविक उपकरणों को बनाने की आवश्यकता हो।