🔬 condensed matter

Direct inference of viscoelastic memory from chirp rheometry via physics-informed Gaussian processes

यह शोध पत्र एक भौतिकी-सूचित गाऊसी प्रक्रिया (physics-informed Gaussian process) ढांचे को प्रस्तुत करता है जो कच्चे टाइम-डोमेन चप (chirp) रियोमेट्री डेटा से सीधे विस्कोइलास्टिक मेमोरी कर्नेल का अनुमान लगाता है, जो अनदेखे विरूपण इतिहासों के प्रति सामग्री की प्रतिक्रियाओं के तीव्र, पुन: प्रशिक्षण-मुक्त पूर्वानुमान और एक ही प्रयोग के भीतर सामग्री के विकास के समाधान को सक्षम करने के लिए पारंपरिक आवृत्ति-डोमेन न्यूनीकरण को दरकिनार करता है।

मूल लेखक: Isaac Y. Miranda-Valdez, Juha Koivisto, Mikko J. Alava

प्रकाशित 2026-08-18

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Isaac Y. Miranda-Valdez, Juha Koivisto, Mikko J. Alava

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कोमल पदार्थ, हमारे भोजन के जेल से लेकर हमारे शरीर के ऊतकों तक, एक अनूठी प्रकार की स्मृति रखते हैं। एक साधारण स्प्रिंग के विपरीत जो मुक्त होने पर तुरंत वापस आ जाता है, ये पदार्थ याद रखते हैं कि उन्हें अतीत में कैसे विकृत किया गया था। वे जो तनाव महसूस करते हैं, वह केवल उनके वर्तमान आकार से निर्धारित नहीं होता, बल्कि इस बात से भी निर्धारित होता है कि उन्हें पहले कैसे खींचा या दबाया गया था। यह वंशानुगत व्यवहार इस बात को समझने की कुंजी है कि ऐसे पदार्थ वास्तविक दुनिया की स्थितियों में कैसा प्रदर्शन करेंगे, फिर भी इसे मापना पारंपरिक रूप से एक धीमी और उबाऊ प्रक्रिया रही है। वैज्ञानिक आमतौर पर इन पदार्थों को एक विशिष्ट आवृत्ति (frequency) पर हिलाकर, सिग्नल के स्थिर होने का इंतजार करके, और फिर अगली आवृत्ति पर जाकर जांचते हैं। किसी पदार्थ के पूर्ण व्यवहार को समझने के लिए, इस प्रक्रिया में घंटों लग सकते हैं, जो उन पदार्थों के लिए अक्सर बहुत लंबा समय होता है जो माप के दौरान बदल रहे होते हैं या उम्र बढ़ रही होती है। इसके अलावा, डेटा के विश्लेषण के मानक तरीके में हजारों कच्चे मापों को कुछ सारांश संख्याओं में संकुचित करना शामिल है, जो अनिवार्य रूप से एक बड़ी मात्रा में जानकारी को हटा देता है और त्रुटियां पैदा कर सकता है।

आल्टा विश्वविद्यालय, फिनलैंड के शोधकर्ताओं की एक टीम ने इन सीमाओं को दरकिनार करने का एक नया तरीका विकसित किया है, जिससे वे एक एकल, तीव्र प्रयोग से पदार्थ की स्मृति को सीधे पढ़ सकते हैं। एक बार में एक आवृत्ति पर पदार्थ को हिलाने के बजाय, वे एक "चर्प" (chirp) सिग्नल का उपयोग करते हैं, जो केवल कुछ सेकंड में आवृत्तियों की एक विस्तृत श्रृंखला में निरंतर रूप से घूमता है। यह विधि डेटा का एक सघन प्रवाह उत्पन्न करती है, जो कुछ बिंदुओं को एकत्र करने में लगने वाले समय में हजारों स्ट्रेस और स्ट्रेन जोड़ों को कैप्चर करती है। शोधकर्ताओं ने इस कच्चे डेटा पर एक परिष्कृत सांख्यिकीय ढांचे को लागू किया, जिसे 'फिजिक्स-इन्फॉर्म्ड गॉसियन प्रोसेस' के रूप में जाना जाता है। डेटा को आवृत्ति सारांशों में बदलने के बजाय, यह दृष्टिकोण समय-डोमेन (time-domain) रिकॉर्ड की व्याख्या करने के लिए भौतिकी के मूलभूत नियमों का उपयोग करता है। यह पदार्थ की स्मृति को निर्माण खंडों (building blocks) के एक सेट के रूप में मानता है, और यह देखने के लिए विभिन्न गणितीय आकारों का परीक्षण करता है कि कौन सा प्रेक्षित तनाव (stress) की सबसे अच्छी व्याख्या करता है। ऐसा करके, यह विधि पदार्थ के विशिष्ट स्मृति नियमों की पहचान करती है और बिना किसी पूर्व-निर्धारित मॉडल को माने या कच्चे डेटा को हटाए, उन नियमों में अनिश्चितता को मापती है।

शोधकर्ताओं ने इस दृष्टिकोण का परीक्षण कई अलग-अलग कोमल पदार्थों पर किया, जिनमें से प्रत्येक एक अनूठी चुनौती पेश करता है। एक प्रयोग में, उन्होंने वर्मलाईक माइसेल्स (wormlike micelles) के एक घोल का विश्लेषण किया, जो एक प्रकार का कोमल पदार्थ है जो आमतौर पर एक एकल रिलैक्सेशन टाइम के साथ एक सरल तरल की तरह व्यवहार करता है। मानक पद्धति को इसकी पुष्टि करने के लिए एक लंबे फ्रीक्वेंसी स्वीप की आवश्यकता होती, लेकिन नए ढांचे ने केवल दो सेकंड के चर्प का विश्लेषण किया। डेटा इस बात को स्पष्ट करने के लिए पर्याप्त था कि सामग्री का एकल रिलैक्सेशन टाइम क्या है और यह पुष्टि करने के लिए कि यह लगभग ठीक एक क्लासिक तरल की तरह व्यवहार करता है, जिसमें केवल एक सूक्ष्म, मापने योग्य विचलन था जिसे इस विधि ने उच्च सटीकता के साथ पकड़ा। शोधकर्ताओं ने यह भी प्रदर्शित किया कि इस छोटे से डेटा विस्फोट से सीखा गया मॉडल केवल उपयोग किए गए विशिष्ट सिग्नल को याद नहीं कर रहा था। जब उन्होंने प्रशिक्षित मॉडल को एक पूरी तरह से अलग, लंबे चर्प पर लागू किया जिसमें एक अलग शुरुआती चरण (phase) और आवृत्ति सीमा थी, तो इसने सामग्री की प्रतिक्रिया का सटीक अनुमान लगाया, जिसमें वे आवृत्तियाँ भी शामिल थीं जिन्हें मूल लघु प्रयोग ने कभी छुआ भी नहीं था। इससे सिद्ध हुआ कि सिस्टम ने केवल परीक्षण सिग्नल के विशिष्ट पैटर्न को नहीं, बल्कि पदार्थ को नियंत्रित करने वाले वास्तविक भौतिक नियम को सीख लिया था।

इस पद्धति की शक्ति शोर वाले या जटिल पदार्थों के मामले में और भी स्पष्ट हो गई। सेलुलोज नैनोफाइबर हाइड्रो जेल के एक अध्ययन में, डेटा काफी अधिक शोर वाला था, ऐसी स्थिति जहाँ पारंपरिक विश्लेषण अक्सर विफल हो जाता है। नए ढांचे ने शोर से एक स्पष्ट, स्केल-फ्री मेमोरी पैटर्न सफलतापूर्वक निकाला, जो साठ गुना अधिक समय लेने वाले पारंपरिक माप के परिणामों से मेल खाता था। एक अन्य परीक्षण में, जिसमें एक फोटोपॉलिमर रेजिन शामिल था, पदार्थ ने दो अलग-अलग व्यवहारों को एक साथ प्रदर्शित किया: एक स्थायी इलास्टिक नेटवर्क और एक विसरित (dissipative), तरल जैसा अंश। यह विधि एक ही समय ट्रेस के भीतर इन दोनों योगदानों को अलग करने में सक्षम थी, जिससे यह मात्रा निर्धारित हुई कि कितना तनाव प्रत्येक तंत्र से आया और पदार्थ की आंतरिक संरचना की एक स्पष्ट तस्वीर मिली। अंत में, शोधकर्ताओं ने तकनीक का उपयोग वास्तविक समय में पदार्थ को बदलते हुए देखने के लिए किया। एक यूवी-क्योरिंग एक्रिलेट का विश्लेषण करके, उन्होंने पदार्थ के 'टाइम-इनवेरिएंस' के उल्लंघन का पता लगाया, यह देखते हुए कि जैसे-जैसे पदार्थ एक एकल चर्प प्रयोग के दौरान सख्त हो रहा था, उसकी श्यानता (viscosity) लगातार बढ़ रही थी। इसने उन्हें सीधे समय-डोमेन में रासायनिक उत्परिवर्तन (chemical mutation) की शुरुआत को ट्रैक करने की अनुमति दी, बिना इस बारे में किसी पूर्व-निर्धारित मॉडल की आवश्यकता के कि क्यूरिंग प्रक्रिया कैसे होनी चाहिए।

कच्चे समय-डोमेन रिकॉर्ड को सत्य के प्राथमिक स्रोत के रूप में मानकर, यह दृष्टिकोण कोमल पदार्थ को समझने के तरीके को बदल देता है। यह स्पेक्ट्रल एस्टीमेशन और मॉडल फिटिंग की धीमी, चरण-दर-चरण प्रक्रिया को एक एकल, एकीकृत निष्कर्ष समस्या (inference problem) से बदल देता है। परिणाम स्वरूप, यह एक ऐसी विधि है जो तेज है, शोर के प्रति अधिक मजबूत है, और उन भौतिक गुणों को प्रकट करने में सक्षम है जो पहले छिपे हुए थे या जिन्हें खोजने के लिए अत्यधिक लंबे मापों की आवश्यकता थी। यह वैज्ञानिकों को कोमल पदार्थों की स्मृति को उस स्पष्टता के साथ देखने का एक तरीका प्रदान करता है जो पहले पहुंच से बाहर थी, जिससे प्रयोग के कुछ सेकंड के डेटा को इस विस्तृत मानचित्र में बदल दिया जाता है कि एक पदार्थ अपने अतीत को कैसे याद रखता है।

तकनीकी सारांश: चिरप रियोमेट्री (Chirp Rheometry) के माध्यम से विस्कोइलास्टिक मेमोरी का प्रत्यक्ष अनुमान: भौतिकी-सूचित गाऊसी प्रक्रिया (Physics-Informed Gaussian Processes)

समस्या विवरण
कोमल पदार्थ (Soft materials) विस्कोइलास्टिक व्यवहार प्रदर्शित करते हैं जहाँ प्रतिबल (stress) केवल तात्कालिक विकृति (instantaneous strain) पर नहीं, बल्कि संपूर्ण विरूपण इतिहास के भारित समाकलन (weighted integral) पर निर्भर करता है। इस "मेमोरी" की पहचान करना वास्तविक दुनिया के लोडिंग के तहत पदार्थ के व्यवहार की भविष्यवाणी करने के लिए महत्वपूर्ण है। मानक रियोलॉजिकल दृष्टिकोण, स्मॉल एम्प्लीट्यूड ऑसिलेटरी शीयर (SAOS), पुनरुत्पादक (reproducible) तो है, लेकिन इसके दो व्यावहारिक सीमाएँ हैं: (1) पूर्ण फ्रीक्वेंसी स्वीप (frequency sweeps) समय लेने वाले होते हैं (मिनटों से घंटों तक), जो विकसित होते तंत्रों जैसे कि जेलिंग या एजिंग (aging) वाले पदार्थों के लिए अनुपयुक्त हैं; और (2) कंस्ट्रिट्यूटिव इन्फरेंस (constitutive inference) केवल स्पेक्ट्रल एस्टीमेशन (फूरियर ट्रांसफॉर्मेशन) के बाद होता है, जिसका अर्थ है कि सिग्नल रिडक्शन के दौरान उत्पन्न शोर और परिमित-विंडो आर्टिफैक्ट्स (finite-window artifacts) अपरिवर्तनीय रूप से फिट किए गए मॉडल में प्रसारित हो जाते हैं।

चिरप रियोमेट्री एक समाधान प्रदान करती है जो घंटों के माप को सेकंडों में संकुचित कर देती है, जिससे सघन टाइम-डोमेन डेटा ( $10^3$ – $10^4$ स्ट्रेस-स्ट्रेन जोड़े) प्राप्त होता है। हालांकि, चिरप डेटा के लिए मानक विश्लेषण पाइपलाइन SAOS की नकल करती है: सघन टाइम सीरीज़ को विंडो किया जाता है और स्टोरेज ( $G'$ ) और लॉस ( $G''$ ) मॉड्युली का अनुमान लगाने के लिए फूरियर ट्रांसफॉर्म किया जाता है। यह प्रक्रिया मापे गए अधिकांश सूचना को त्याग देती है, जिससे एक "अनुमानित बाधा" (inferential bottleneck) उत्पन्न होती है जहाँ स्पेक्ट्रल एस्टीमेशन में पूर्वाग्रह (biases) रिकवर किए गए कंस्ट्रिट्यूटिव लॉ की सटीकता को सीमित कर देते हैं। इसके अलावा, रियोलॉजी में मौजूदा मशीन लर्निंग दृष्टिकोण अक्सर सामान्यीकरण (generalizability) की कमी प्रदर्शित करते हैं; विशिष्ट वेवफॉर्म पर प्रशिक्षित मॉडल अक्सर अलग-अलग विरूपण प्रोटोकॉल के प्रति प्रतिक्रिया की भविष्यवाणी करने में विफल रहते हैं क्योंकि वे अंतर्निहित पदार्थ के गुणों के बजाय वेवफॉर्म-विशिष्ट मैपिंग सीख लेते हैं।

कार्यप्रणाली (Methodology)
लेखक एक भौतिकी-सूचित गाऊसी प्रोसेस (GP) ढांचे का प्रस्ताव करते हैं जो मध्यवर्ती स्पेक्ट्रल एस्टीमेशन को दरकिनार करते हुए, सीधे टाइम-डोमेन में प्रत्यक्ष संभाव्य कंस्ट्रिट्यूटिव इन्फरेंस (direct probabilistic constitutive inference) करता है।

भौतिकी-सूचित फीचर निर्माण (Physics-Informed Feature Construction): यह ढांचा मापे गए स्ट्रेन-रेट इतिहास ( $\dot{\gamma}$ ) को उम्मीदवार मेमोरी कर्नेल ( $\phi_i$ ) के साथ कॉज़ल कन्वोल्यूशन (causal convolutions) के रूप में उपयोग करके बोल्ट्ज़मैन सुपरपोजिशन सिद्धांत को सीधे GP इनपुट स्पेस में समाहित करता है। कच्चे समय निर्देशांकों के बजाय, इनपुट फीचर्स को निर्मित किया जाता है:
$\sigma(t) = \sum_{i=1}^n c_i x_i(t; \kappa)$
जहाँ $x_i(t) = \int_0^t \phi_i(t-t'; \kappa) \dot{\gamma}(t') dt'$ है। यहाँ $\kappa$ आकार मापदंडों (जैसे रिलैक्सेशन टाइम, फ्रैक्शनल एक्सपोनेंट्स) को दर्शाता है और $c_i$ स्केलर प्रीफैक्टर्स (जैसे मॉड्युली, विस्कोसिटी) हैं।
गाऊसी प्रोसेस रिग्रेशन (Gaussian Process Regression): इन इंजीनियर फीचर्स से मापे गए स्ट्रेस के मानचित्र पर एक GP असाइन किया जाता है।
- लीनियर कर्नेल (Linear Kernel): रैखिक विस्कोइलास्टिक शासन (linear viscoelastic regime) में पदार्थों के लिए, एक लीनियर कर्नेल का उपयोग किया जाता है। यह GP को फीचर स्पेस में बेयस लीनियर रिग्रेशन के समकक्ष बनाता है, जहाँ पोस्टीरियर सेंसिटिविटीज ( $\partial \bar{\sigma} / \partial x_i$ ) सीधे कंस्ट्रिट्यूटिव प्रीफैक्टर्स ( $c_i$ ) प्रदान करती हैं।
- RBF कर्नेल (RBF Kernel): उन मामलों के लिए जहाँ रैखिकता या टाइम-ट्रांसलेशन इनवेरिएंस (time-translation invariance) को नहीं माना जा सकता (जैसे उत्परिवर्तित होने वाले पदार्थ), एक रेडियल बेसिस फंक्शन (RBF) कर्नेल एक नॉन-लीनियर स्ट्रेस-फीचर मैप की अनुमति देता है। GP प्रेडिक्शन की फीचर्स के प्रति टाइम-रिज़ॉल्व्ड सेंसिटिविटी, पदार्थ के विकास के निदान के रूप में कार्य करती है।
मॉडल चयन और प्रशिक्षण (Model Selection and Training): यह ढांचा सभी मापदंडों (शेप पैरामीटर्स $\kappa$ और GP हाइपरपैरामीटर्स) पर संयुक्त रूप से ELBO (एविडेंस लोअर बाउंड) को मैक्सिमाइज करके प्रशिक्षित होता है। उम्मीदवार कंस्ट्रिट्यूटिव लॉ (जैसे मैक्सवेल, फ्रैक्शनल मैक्सवेल, स्कॉट ब्लेयर, फ्रैक्शनल केल्विन-वोइग्ट) के बीच मॉडल चयन AIC और BIC सूचना मानदंडों का उपयोग करके किया जाता है, जिसे सीधे कच्चे टाइम-डोमेन डेटा से गणना की जाती है।

मुख्य परिणाम (Key Results)
इस ढांचे को पांच अलग-अलग प्रायोगिक परिदृश्यों में मान्य किया गया:

वॉर्मलाइक माइसेल्स में मैक्सवेलियन मेमोरी (Maxwellian Memory in Wormlike Micelles): वॉर्मलाइक माइसेलर समाधान पर 2-सेकंड के चिरप पर लागू किया गया, इस पद्धति ने क्लासिकल मैक्सवेल और अन्य फ्रैक्शनल वेरिएंट्स के ऊपर एक फ्रैक्शनल मैक्सवेल लिक्विड (FML) मॉडल को चुना। इसने एक रिलैक्सेशन टाइम ( $\tau_c \approx 1.49$ s) और एक फ्रैक्शनल एक्सपोनेंट ( $\beta \approx 0.014$ ) को रिकवर किया जो इसे मैक्सवेल लिमिट के करीब रखता है। महत्वपूर्ण रूप से, इसने एक विशिष्ट आवृत्ति ( $\omega_c \approx 0.67$ rad/s) को भी इन्फर किया जो प्रशिक्षण चिरप के उत्तेजित फ्रीक्वेंसी बैंड के बाहर था, जो प्रशिक्षण विंडो से परे एक्सट्रपलेशन करने की क्षमता को प्रदर्शित करता है।
प्रोटोकॉल स्वतंत्रता (Protocol Independence): 2-सेकंड के चिरप पर प्रशिक्षित एक GP का परीक्षण एक स्वतंत्र 14-सेकंड के चिरप के विरुद्ध किया गया जिसमें अलग बैंडविड्थ, अवधि और प्रारंभिक चरण (phase) था। प्रशिक्षित GP ने उच्च सटीकता के साथ स्ट्रेस रिस्पॉन्स की भविष्यवाणी की (RMSE प्रशिक्षण फिट के तुलनीय), और सही ढंग से टर्मिनल क्रॉसओवर फ्रीक्वेंसी को हल किया, जो पुष्टि करता है कि विधि एक कंस्ट्रिट्यूटिव लॉ सीखती है न कि केवल एक वेवफॉर्म-विशिष्ट मैपिंग।
क्रिटिकल जेल्स में स्केल-फ्री मेमोरी (Scale-Free Memory in Critical Gels): सेलुलोज नैनोफाइबर हाइड्रो जेल के एक शोर वाले 7-सेकंड के चिरप पर, पद्धति ने एक स्कॉट ब्लेयर (क्रिटिकल जेल) मेमोरी कर्नेल को रिकवर किया। इसने $R^2 = 0.863$ का निर्धारण गुणांक प्राप्त किया और एक फ्रैक्शनल एक्सपोनेंट ( $\alpha \approx 0.063$ ) और क्वैसी-प्रॉपर्टी ( $V$ ) की पहचान की जो एक 451-सेकंड के डिस्क्रीट फ्रीक्वेंसी स्वीप के अनुरूप था, जबकि चिरप डेटा उससे दो क्रम छोटा और काफी अधिक शोर वाला था।
फोटोपॉलिमर रेजिन में स्ट्रेस अपोर्शनमेंट (Stress Apportionment in Photopolymer Resins): एक फ्रैक्शनल केल्विन-वोइग्ट (FKV) मॉडल द्वारा मॉडल किए गए फोटोपॉलिमर रेजिन के लिए, ढांचे ने स्ट्रेस रिस्पॉन्स को दो समानांतर मेमोरी फीचर्स (एक क्वैसी-इलास्टिक नेटवर्क और एक पावर-लॉ डिसिपेटिव ब्रांच) में सफलतापूर्वक विभाजित किया। इसने इस विभाजन में अनिश्चितता को क्वांटिफाई किया और नेटवर्क ब्रांच में एक कमजोर पावर-लॉ रिलैक्सेशन को हल किया जिसे शोर के कारण मानक फूरियर विश्लेषण पकड़ने में विफल रहा था।
पदार्थ उत्परिवर्तन का पता लगाना (Detection of Material Mutation): एक UV-क्योरिंग एक्रिलेट सिस्टम पर लागू, इस ढांचे ने टाइम-ट्रांसलेशन इनवेरिएंस उल्लंघन का पता लगाने के लिए RBF कर्नेल का उपयोग किया। मेमोरी फीचर (जिसे डायनेमिक विस्कोसिटी के रूप में व्याख्या किया गया है) के प्रति GP प्रेडिक्शन की टाइम-रिज़ॉल्व्ड सेंसिटिविटी ने एकल चिरप के दौरान +8.1% की निरंतर वृद्धि दिखाई, जिसने बिना किसी निर्धारित काइनेटिक मॉडल के पदार्थ उत्परिवर्तन (क्रॉसलिंकिंग) की शुरुआत को सीधे कैप्चर किया। उसी सामग्री पर बाद के क्यूरिंग चरण में एक नियंत्रण माप ने ऐसा कोई ड्रिफ्ट नहीं दिखाया।

महत्व और दावे (Significance and Claims)
यह पेपर दावा करता है कि यह स्पेक्ट्रल एस्टीमेशन और उसके बाद कंस्ट्रिट्यूटिव फिटिंग के अनुक्रम को बदलकर, सीधे कच्चे टाइम-डोमेन डेटा पर आधारित एक एकल भौतिकी-सूचित संभाव्य अनुमान समस्या के रूप में चिरप विश्लेषण की सीमाओं को हल करता है।

प्रत्यक्ष अनुमान (Direct Inference): विधि वेवफॉर्म के बजाय मेमोरी कर्नेल (एक कंस्ट्रिट्यूटिव प्रॉपर्टी) को इन्फर करती है, जिससे बिना रिट्रेनिंग के अनऑब्जर्व्ड विरूपण इतिहास पर भविष्यवाणियां करना संभव होता है।
शोर और कम अवधि के प्रति मजबूती (Robustness to Noise and Short Duration): टाइम-रिज़ॉल्व्ड डेटा की पूरी डेंसिटी का उपयोग करके, ढांचा उन छोटे या शोर वाले रिकॉर्ड से कंस्ट्रिट्यूटिव पैरामीटर्स को रिकवर करता है जहाँ पारंपरिक फूरियर-आधारित तरीके विफल हो जाते हैं या स्पार्स, आर्टिफैक्ट-युक्त अनुमान देते हैं।
अनिश्चितता मात्रा निर्धारण (Uncertainty Quantification): संभाव्य फॉर्मूलेशन सभी इन्फर्ड पैरामीटर्स (मॉड्युली, एक्सपोनेंट्स, रिलैक्सेशन टाइम्स) के लिए क्वांटिफाइड अनिश्चितता प्रदान करता है और कंस्ट्रिट्यूटिव फीचर्स और ऑब्जर्वेशन नॉइज़ के बीच वेरिएंस डिकंपोजिशन की अनुमति देता है।
मॉडल-मुक्त डायग्नोस्टिक्स (Model-Free Diagnostics): टाइम-रिज़ॉल्व्ड सेंसिटिविटी गैर-स्थिरता (पदार्थ विकास) और गैर-रैखिकता का पता लगाने के लिए एक डायग्नोस्टिक टूल के रूप में कार्य करती है, जो एक प्रोटोकॉल-स्वतंत्र स्ट्रक्चरल परिवर्तन का फिंगरप्रिंट प्रदान करती है।

लेखक निष्कर्ष निकालते हैं कि यह दृष्टिकोण भौतिकी-सूचित फीचर निर्माण को रियोलॉजी में सामान्यीकरण योग्य मशीन लर्निंग के एक मार्ग के रूप में स्थापित करता है, जो एकल लघु प्रयोग से सीधे मॉडल चयन, अनिश्चितता-जागरूक पैरामीटर एस्टीमेशन और साक्ष्य-आधारित परिकल्पना परीक्षण को संभालने में सक्षम है।

इसी तरह के और पेपर