जटिल मशीनों के डिजाइन की दुनिया में, एक स्मार्ट थर्मोस्टेट के अंदर के छोटे कंप्यूटरों से लेकर आधुनिक पावर ग्रिड के विशाल नियंत्रण प्रणालियों तक, इंजीनियरों को एक निरंतर समस्या का सामना करना पड़ता है: यह अनुमान लगाना कि कोई प्रणाली वास्तव में बनने से पहले उसका व्यवहार कैसा होगा। पारंपरिक तरीके उन गणितीय सूत्रों पर निर्भर करते हैं जो हर भौतिक नियम का वर्णन करते हैं, लेकिन ये सूत्र तब विफल हो जाते हैं जब प्रणालियाँ बहुत अधिक जटिल, बहुत पुरानी, या अनिश्चित मानवीय आदतों से प्रभावित हो जाती हैं। इस अंतर को भरने के लिए, डिजाइनरों ने एक अलग तरह के उपकरण की ओर रुख किया है: मशीन लर्निंग। ये ऐसे कंप्यूटर प्रोग्राम हैं जो कठोर नियमों का पालन करने के बजाय डेटा से पैटर्न सीखते हैं। वे मौसम के आधार पर यह अनुमान लगा सकते हैं कि एक घर कितनी ऊर्जा का उपयोग करेगा, या यह भविष्यवाणी कर सकते हैं कि कब कोई सेंसर विफल हो सकता है। हालाँकि, इन सीखने वाले प्रोग्रामों को उस सिमुलेशन सॉफ्टवेयर में डालना जिसका उपयोग इंजीनियर अपने सिस्टम को डिजाइन करने के लिए करते हैं, काफी कठिन रहा है। आमतौर पर, इसके लिए विभिन्न सॉफ्टवेयर टूल्स के बीच कस्टम ब्रिज (पुल) बनाने की आवश्यकता होती है, जो एक धीमी प्रक्रिया है, जिसमें गलतियों की संभावना अधिक होती है, और जिससे विभिन्न लर्निंग मेथड्स की निष्पक्ष तुलना करना कठिन हो जाता है।

पॉलिटेक्निको डी टोरिनो, इटली के शोधकर्ताओं की एक टीम ने इसे हल करने का एक नया तरीका पेश किया है, जिसे SAMpLE कहा जाता है। इसे एक यूनिवर्सल एडेप्टर के रूप में समझें जो किसी भी मशीन लर्निंग मॉडल को सीधे सिमुलेशन वातावरण में प्लग करने की अनुमति देता है, ठीक वैसे ही जैसे एक मानक इलेक्ट्रिकल कंपोनेंट। शोधकर्ताओं ने एक ऐसा फ्रेमवर्क बनाया है जो इन लर्निंग मॉडल्स को सिस्टम के मूल भागों के रूप में मानता है, जिससे वे बिना किसी विशेष, एक-बार के कनेक्शन के, बाकी डिजाइन के साथ सुचारू रूप से चल सकते हैं। यह दृष्टिकोण इंजीनियरों को यह परीक्षण करने की अनुमति देता है कि एक लर्निंग मॉडल एक वर्चुअल वातावरण में कितनी अच्छी तरह काम करता है, यह देखने के लिए कि क्या वह वास्तविक समय में बदलती स्थितियों के अनुकूल हो सकता है या यदि वह पहले से प्रशिक्षित होने पर बेहतर प्रदर्शन करता है। टीम ने प्रदर्शित किया कि यह तरीका विश्वसनीय रूप से काम करता है, जिसके परिणाम मूल लर्निंग प्रोग्रामों के लगभग समान होते हैं, जबकि यह विभिन्न प्रकार के लर्निंग एल्गोरिदम को एक ही परिस्थितियों में साथ-साथ टेस्ट करने की अनुमति भी देता है।

इस कार्य का मुख्य केंद्र यह है कि शोधकर्ताओं ने अपने सिमुलेशन को कैसे व्यवस्थित किया। उन्होंने 'टाइम्ड डेटाफ्लो' (Timed Dataflow) नामक एक विशिष्ट प्रकार के डिजिटल लॉजिक का उपयोग किया, जो कंप्यूटर कार्यों को व्यवस्थित करने का एक तरीका है ताकि वे एक सख्त, अनुमानित क्रम में हों, और डेटा को छोटे, नियमित टुकड़ों में प्रोसेस करें। यह संरचना मशीन लर्निंग के काम करने के तरीके से पूरी तरह मेल खाती है: दोनों एक सेट इनपुट लेते हैं, उन्हें प्रोसेस करते हैं, और एक विशिष्ट क्षण पर आउटपुट देते हैं। इस प्राकृतिक तालमेल को पहचानते हुए, टीम ने एक ऐसी प्रणाली बनाई जहाँ लर्निंग मॉडल को अनुवाद करने या अतिरिक्त सॉफ्टवेयर लेयर्स में लपेटने की आवश्यकता नहीं होती है। इसके बजाय, यह सिमुलेशन में एक मानक ब्लॉक बन जाता है, जो डेटा प्राप्त करता है, भविष्यवाणी करता है, और परिणाम को आगे बढ़ाता है, और यह सब सिस्टम के बाकी हिस्सों के समान ही एक ही क्लॉक साइकिल के भीतर होता है।

इसे काम करने के योग्य बनाने के लिए, शोधकर्ताओं ने एक फ्रेमवर्क डिजाइन किया है जो इन लर्निंग मॉडल्स के उपयोग के दो अलग-अलग तरीकों का समर्थन करता है। पहला एक ऑफलाइन दृष्टिकोण है, जहाँ एक मॉडल को शक्तिशाली कंप्यूटरों का उपयोग करके अलग से प्रशिक्षित किया जाता है और फिर एक मानक प्रारूप में निर्यात किया जाता है जिसे सिमुलेशन पढ़ सके। यह इंजीनियरों को लोकप्रिय, बाहरी टूल्स के साथ बने मॉडल्स का उपयोग करने की अनुमति देता है बिना उन्हें फिर से लिखे। दूसरा एक ऑनलाइन दृष्टिकोण है, जहाँ मॉडल सिमुलेशन के चलते समय सीधे सीखता है। यह उन प्रणालियों के लिए उपयोगी है जिन्हें आने वाली नई जानकारी के अनुसार खुद को ढालने की आवश्यकता होती है, जैसे कि एक पावर ग्रिड जिसे मौसम या उपयोग में अचानक बदलाव के अनुसार खुद को समायोजित करना पड़ता है। फ्रेमवर्क दोनों तरीकों को सहजता से संभालता है, यह सुनिश्चित करते हुए कि चाहे मॉडल बाहर प्रशिक्षित किया गया हो या सिमुलेशन के अंदर, वह लगातार व्यवहार करता है और पूरे डिजाइन को तोड़े बिना बदला जा सकता है।

टीम ने अपने सिस्टम का परीक्षण वास्तविक दुनिया के डेटा का उपयोग करके किया जो दो अलग-अलग स्रोतों से लिया गया था: एक जो घरों के समूह में बिजली के उपयोग को ट्रैक करता है और दूसरा जो पूरे शहर की बिजली की मांग की निगरानी करता है। उन्होंने विभिन्न प्रकार के लर्निंग मॉडल्स का उपयोग करके सिमुलेशन चलाया, जिनमें सरल लीनियर प्रेडिक्टर्स और अधिक जटिल ट्री-बेस्ड सिस्टम शामिल थे। परिणामों ने दिखाया कि सिमुलेशन मूल लर्निंग प्रोग्रामों की भविष्यवाणियों को उल्लेखनीय सटीकता के साथ दोहरा सकता है। शहर के डेटा के लिए, जो एक सुचारू, अनुमानित पैटर्न का पालन करता था, मॉडल लगभग पूर्ण थे, जो मूल परिणामों के साथ बिना किसी अंतर के मेल खाते थे। घर के डेटा के लिए, जो बहुत अधिक शोर वाला और अनुमान लगाने में कठिन था, सिस्टम ने अभी भी अच्छा प्रदर्शन किया, हालांकि मॉडल्स को अनिश्चितता के साथ अधिक संघर्ष करना पड़ा। महत्वपूर्ण रूप से, शोधकर्ताओं ने पाया कि ऑनलाइन लर्निंग मॉडल्स, जो चलते समय अनुकूलित होते थे, स्थिर मॉडल्स (जिन्हें पहले से प्रशिक्षित किया गया था) की तुलना में अस्त-व्यस्त घर के डेटा को संभालने में काफी बेहतर थे।

सबसे महत्वपूर्ण निष्कर्षों में से एक विभिन्न लर्निंग मेथड्स की निष्पक्ष तुलना करने की क्षमता थी। क्योंकि फ्रेमवर्क प्रत्येक मॉडल को एक मानक घटक के रूप में मानता है, इंजीनियर कॉन्फ़िगरेशन फ़ाइल में एक सेटिंग बदलकर एक प्रकार के लर्निंग एल्गोरिदम से दूसरे प्रकार के लर्निंग एल्गोरिदम पर स्विच कर सकते हैं। उन्हें कोड को फिर से लिखने या सिमुलेशन को फिर से बनाने की आवश्यकता नहीं होती है। यह सीधे तौर पर तुलना करने की अनुमति देता है कि विभिन्न एल्गोरिदम बिल्कुल समान परिस्थितियों और समान डेटा का उपयोग करके कैसा प्रदर्शन करते हैं। टीम ने प्रत्येक सिमुलेशन में लगने वाले समय और उनकी भविष्यवाणियों की सटीकता को मापा, और पाया कि कुछ तरीके दूसरों की तुलना में बहुत तेज़ थे, जबकि कुछ डेटा के प्रकार के आधार पर अधिक सटीक थे। इस तरह की सीधी तुलना हासिल करना पहले कठिन था, क्योंकि विभिन्न लर्निंग टूल्स के लिए अक्सर अलग-अलग सेटअप की आवश्यकता होती थी जिससे निष्पक्ष तुलना असंभव हो जाती थी।

शोधकर्ताओं ने यह भी सत्यापित किया कि यह प्रणाली विभिन्न परिदृश्यों में विश्वसनीय रूप से काम करती है। उन्होंने दिखाया कि केवल इनपुट फाइलों को बदलकर उसी सिमुलेशन कोड का उपयोग घर के डेटा और शहर के डेटा दोनों के लिए किया जा सकता है, बिना किसी अंतर्निहित सॉफ्टवेयर को बदले। यह पोर्टेबिलिटी बताती है कि इस फ्रेमवर्क को ऊर्जा ग्रिड के प्रबंधन से लेकर स्वायत्त वाहनों के डिजाइन तक, कई अलग-अलग इंजीनियरिंग समस्याओं पर लागू किया जा सकता है। सिस्टम में डेटा की गुणवत्ता और मॉडल्स के प्रदर्शन की जांच करने के लिए उपकरण भी शामिल हैं, जो इस बात की स्पष्ट रिपोर्ट प्रदान करते हैं कि भविष्यवाणियां वास्तविकता से कितनी मेल खाती हैं। यह पारदर्शिता इंजीनियरों को परिणामों पर भरोसा करने और यह समझने में मदद करती है कि मॉडल कहाँ विफल हो रहा है।

हालांकि यह प्रणाली शक्तिशाली है, शोधकर्ता इसकी वर्तमान सीमाओं के प्रति भी स्पष्ट हैं। इसे विशिष्ट प्रकार के डेटा और मॉडल्स के साथ काम करने के लिए डिज़ाइन किया गया है, और यह इस बात पर निर्भर करता है कि मॉडल्स को एक मानक प्रारूप में निर्यात किया गया है। टीम ने उल्लेख किया कि जबकि ऑनलाइन लर्निंग मॉडल्स परिवर्तन के अनुकूल होने के लिए उत्कृष्ट थे, उन्हें ऑफलाइन मॉडल्स की तुलना में अधिक सावधानीपूर्वक सेटअप की आवश्यकता थी। उन्होंने यह भी बताया कि यह प्रणाली मूल्यांकन और डिजाइन के लिए एक उपकरण है, न कि वास्तविक भौतिक हार्डवेयर का विकल्प। लक्ष्य इंजीनियरों को कुछ भी बनाने से पहले बेहतर निर्णय लेने में मदद करना है, जिससे विफलता का जोखिम कम हो और समय एवं धन की बचत हो सके।

यह कार्य इंजीनियरों द्वारा डिजाइन प्रक्रिया में आर्टिफिशियल इंटेलिजेंस को एकीकृत करने के तरीके में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। लर्निंग टूल्स और सिमुलेशन सॉफ्टवेयर के बीच कस्टम, एड-हॉक कनेक्शन की आवश्यकता को हटाकर, यह फ्रेमवर्क नए विचारों के साथ प्रयोग करना और विभिन्न दृष्टिकोणों की तुलना करना आसान बनाता है। यह मशीन लर्निंग को एक विशेष, कठिन-से-उपयोग किए जाने वाले एड-ऑन से बदलकर एक मानक, विश्वसनीय इंजीनियरिंग टूलकिट का हिस्सा बना देता है। जैसे-जैसे प्रणालियाँ अधिक जटिल और डेटा-संचालित होती जा रही हैं, कल के डिजाइनों को मजबूत, कुशल और वास्तविक दुनिया के लिए तैयार सुनिश्चित करने के लिए इस तरह के उपकरण आवश्यक हो जाएंगे। शोधकर्ताओं ने अपना कोड और डेटा दूसरों के लिए उपलब्ध करा दिया है, जिससे व्यापक समुदाय को अपने काम पर निर्माण करने और वर्चुअल प्रोटोटाइपिंग में नई संभावनाओं को तलाशने के लिए आमंत्रित किया गया है।