In situ local learning of dynamic network materials

पदार्थ को लंबे समय से एक निष्क्रिय मंच के रूप में देखा जाता रहा है जिस पर बल कार्य करते हैं, या एक स्थिर उपकरण के रूप में जिसे एक एकल, निश्चित कार्य करने के लिए बनाया गया है। एक पुल भार थामता है; एक स्प्रिंग ऊर्जा संचित करता है; एक लेंस प्रकाश को केंद्रित करता है। प्रत्येक मामले में, कार्य का निर्धारण निर्माण के दौरान सामग्री के आकार और संरचना के माध्यम से किया जाता है। यदि वातावरण बदलता है या कोई नया कार्य उत्पन्न होता है, तो सामग्री अनुकूलित नहीं हो सकती। इस सीमा ने एक अलग प्रकार के पदार्थ के प्रति बढ़ती रुचि को प्रेरित किया है: एक ऐसा पदार्थ जो सीखता है। जिस प्रकार एक जैविक मस्तिष्क चेहरे या ध्वनि को पहचानने के लिए अपने कनेक्शनों को समायोजित करता है, शोधकर्ता यह पता लगाने की कोशिश कर रहे हैं कि क्या पदार्थ के भीतर भौतिक बंधों और द्रव्यमानों को तरंगों से वस्तुओं को छिपाने या ध्वनियों को छाँटने जैसे जटिल कार्यों को करने के लिए ट्यून किया जा सकता है, वह भी केवल सही प्रकार के फीडबैक (प्रतिपुष्टि) का अनुभव करके। यह दृष्टिकोण सामग्री को एक तैयार उत्पाद के रूप में नहीं, बल्कि एक ऐसी प्रणाली के रूप में देखता है जो अपनी गति के माध्यम से बुद्धिमत्ता प्राप्त करने में सक्षम है।

मिशिगन विश्वविद्यालय के शोधकर्ताओं की एक टीम ने अब एक विशिष्ट दो-चरणीय भौतिक प्रोटोकॉल लागू करके इन गतिशील सामग्रियों को नए कार्यों को सीखने के लिए प्रशिक्षित करने का एक तरीका प्रदर्शित किया है। उन्होंने "इन सीटू लोकल लर्निंग" (in situ local learning) नामक एक विधि विकसित की है, जो स्प्रिंग्स और द्रव्यमानों के एक भौतिक नेटवर्क को अपने स्वयं के दोषों की गणना करने और सीधे भौतिक प्रणाली के भीतर अपने आंतरिक गुणों को समायोजित करने की अनुमति देती है। डिजिटल ट्विन (digital twin) पर निर्भर रहने के बजाय कि वह सामग्री को बताए कि कैसे बदलना है, शोधकर्ता सामग्री का उपयोग स्वयं आवश्यक समायोजनों की गणना करने के लिए करते हैं। इस प्रक्रिया में गति के दो अलग-अलग चरण शामिल हैं। पहले, सामग्री को एक इनपुट सिग्नल द्वारा संचालित किया जाता है, जैसे कि कंपन या बल, और इसकी प्रतिक्रिया मापी जाती है। यदि प्रतिक्रिया वांछित नहीं होती है, तो एक त्रुटि संकेत (error signal) उत्पन्न किया जाता है। इस त्रुटि को रिकॉर्ड किया जाता है, समय में उल्टा (reverse) किया जाता है, और दूसरे, पीछे की ओर जाने वाले ड्राइविंग सिग्नल के रूप में उसी भौतिक नेटवर्क में वापस भेजा जाता है। इस समय-उल्टे त्रुटि सिग्नल के प्रति सामग्री की प्रतिक्रिया को देखकर, प्रणाली यह पहचान सकती है कि किन आंतरिक कनेक्शनों को मजबूत या कमजोर करने की आवश्यकता है ताकि इसके प्रदर्शन में सुधार हो सके।

इस पद्धति की सुंदरता इसकी सरलता और स्थानीयता में निहित है। शोधकर्ताओं को नेटवर्क की पूरी स्थिति को मापने या केंद्रीय कंप्यूटर में जटिल गणना करने की आवश्यकता नहीं होती है। इसके बजाय, प्रत्येक व्यक्तिगत स्प्रिंग और द्रव्यमान को केवल अपने ठीक बगल में होने वाले बलों और गतिविधियों के बारे में जानने की आवश्यकता होती है। जब फॉरवर्ड सिग्नल और समय-उल्टा त्रुटि सिग्नल मिलते हैं, तो वे स्थानीय रूप से परस्पर क्रिया करते हैं ताकि एक ग्रेडिएंट (gradient) उत्पन्न हो सके, जो एक गणितीय दिशा है जो नेटवर्क के प्रत्येक भाग को बताती है कि उसे अधिक सख्त, भारी या गति के प्रति अधिक प्रतिरोधी बनना चाहिए। यह सामग्री को अपनी कठोरता, द्रव्यमान और आंतरिक घर्षण को एक साथ अपडेट करने की अनुमति देता है, जिससे वह प्रभावी रूप से अपने स्वयं के भौतिक गतिकी के माध्यम से एक नया व्यवहार "सीख" लेती है। शोधकर्ताओं ने इस ढांचे का परीक्षण यांत्रिक नोड्स और बंधों के एक अव्यवस्थित नेटवर्क पर किया, जो एक उलझे हुए स्प्रिंग्स और भारों के जाल जैसा दिख सकता है, और दिखाया कि यह वांछित परिणाम की परिभाषा बदलकर चार बहुत अलग कार्यों में महारत हासिल कर सकता है।

पहले प्रदर्शन में, सामग्री ने तरंगों के लिए एक ढाल (cloak) के रूप में कार्य करना सीखा। नेटवर्क के बीच में एक सख्त, भारी बाधा रखी गई थी, जो एक ऐसी विशेषता है जो सामान्यतः आने वाली तरंगों को बिखेर देती है और आगे की ओर एक अराजक स्थिति पैदा करती है। शोधकर्ताओं ने सामग्री के लिए एक लक्ष्य निर्धारित किया: लहरों को बाधा के पास से इस तरह गुजरने दें जैसे कि बाधा वहां मौजूद ही न हो। फॉरवर्ड और बैकवर्ड संकेतों को बार-बार लागू करके, नेटवर्क ने बाधा के आसपास के स्प्रिंग्स की कठोरता और द्रव्यमान को समायोजित किया। परिणाम एक ब्रॉडबैंड क्लोक (broadband cloak) था जो आवृत्तियों की एक विस्तृत श्रृंखला में काम करता है, जो बिखराव के हस्ताक्षर को दबा देता है और तरंगों को बाधा के पास से ऐसे बहने देता है जैसे कि वह अदृश्य हो। यह किसी पूर्व-लिखित ब्लूप्रिंट का पालन करके नहीं, बल्कि सामग्री द्वारा परीक्षण और त्रुटि के माध्यम से आवश्यक विन्यास की खोज करके प्राप्त किया गया था, जो केवल त्रुटि संकेत द्वारा निर्देशित था।

दूसरे कार्य के लिए सामग्री को एक ऐसा कार्य करने की आवश्यकता थी जो आमतौर पर साधारण लेंसों के लिए असंभव है: उस वस्तु के सूक्ष्म विवरणों को देखना जो तरंग की तरंग दैर्ध्य (wavelength) से भी छोटे हों। मानक भौतिकी में, ये सूक्ष्म विवरण "इवेनसेंट" (evanescent) तरंगों द्वारा ले जाए जाते हैं, जो लगभग तुरंत लुप्त हो जाते हैं और कभी भी दूर स्थित डिटेक्टर तक नहीं पहुँच पाते। शोधकर्ताओं ने नेटवर्क को एक ऐसे लेंस के रूप में प्रशिक्षित किया जो इस लुप्त होती जानकारी को पकड़ सके और इसे एक इमेज प्लेन तक पहुँचा सके। सामग्री ने तरंगों की निकट-क्षेत्र संरचना (near-field structure) को नियंत्रित करना सीखा, जिससे उन उच्च-आवृत्ति विवरणों को संरक्षित किया जा सके जो आमतौर पर गायब हो जाते हैं। विभिन्न अक्षर आकृतियों के साथ परीक्षण किए जाने पर, प्रशिक्षित नेटवर्क ने छवियों का सफलतापूर्वक पुनर्निर्माण किया, जिससे सिद्ध हुआ कि इसने स्पष्ट चित्र बनाने के लिए तरंग क्षेत्र के अदृश्य, क्षयकारी भागों का उपयोग करना सीख लिया है।

तीसरे उदाहरण ने दिखाया कि सामग्री घर्षण या डैम्पिंग (damping) का लाभ उठाने के लिए इसका उपयोग करना सीख सकती है। अधिकांश यांत्रिक प्रणालियों में, डैम्पिंग को एक बाधा के रूप में देखा जाता है जो ऊर्जा को सोख लेती है और गति को रोक देती है। यहाँ, शोधकर्ताओं ने नेटवर्क को इसके विपरीत करने के लिए कहा: एक निश्चित मात्रा में डैम्पिंग का उपयोग करके एक विशिष्ट क्षण पर गति का एक बड़ा, तीव्र उछाल पैदा करना। नेटवर्क में घर्षण को पुनर्वितरित करके, सामग्री ने अपने आंतरिक कंपनों को इस तरह व्यवस्थित करना सीखा कि वे रचनात्मक रूप से हस्तक्षेप (interfere) करें, जिससे आउटपुट पर एक शक्तिशाली क्षणिक स्पाइक (transient spike) उत्पन्न हो सके। यह संवर्धन समान या मानक डैम्पिंग के साथ संभव नहीं था, जो सिद्ध करता है कि सामग्री ने एक विशिष्ट लक्ष्य प्राप्त करने के लिए ऊर्जा अपव्यय (energy dissipation) को प्रबंधित करने का एक परिष्कृत, गैर-मानक तरीका सीख लिया है।

अंत में, शोधकर्ताओं ने उसी लर्निंग रूल को एक कार्य पर लागू किया जो मशीन लर्निंग के समान है: ध्वनियों का वर्गीकरण। उन्होंने नेटवर्क में तीन अलग-अलग स्वर ध्वनियों (vowel sounds) के ऑडियो वेवफॉर्म डाले और उन्हें तीन श्रेणियों में छाँटने के लिए कहा। नेटवर्क को ध्वनिविज्ञान या सिग्नल प्रोसेसिंग के नियमों के साथ प्रोग्राम नहीं किया गया था। इसके बजाय, इसे केवल यह बताया गया था कि प्रत्येक ध्वनि के लिए कौन सा आउटपुट क्षेत्र सक्रिय होना चाहिए। उसी स्थानीय शिक्षण प्रक्रिया के माध्यम से, सामग्री ने अपने आंतरिक मापदंडों को प्रत्येक स्वर के अद्वितीय टेम्पोरल पैटर्न (temporal patterns) को पहचानने के लिए समायोजित किया। इसने सही ध्वनि को सही आउटपुट चैनल की ओर निर्देशित करने में सफलता प्राप्त की, जिससे स्वरों के बीच अंतर करने में उच्च सटीकता प्राप्त हुई। इसने प्रदर्शित किया कि वही भौतिक प्रणाली एक क्लासिफायर (classifier) के रूप में कार्य कर सकती है, जो समय-निर्भर डेटा को संसाधित करती है और अपने सीखे हुए आंतरिक अवस्था के आधार पर निर्णय लेती है।

ये परिणाम इस बात का सुझाव देते हैं कि हम अपने डिजाइन और उपयोग के लिए सामग्रियों को कैसे तैयार करते हैं। एक विशिष्ट संरचना को एक विशिष्ट कार्य के लिए इंजीनियर करने के बजाय, हम एक सामग्री को एक लर्निंग रूल और एक लक्ष्य प्रदान कर सकते हैं, और उसे स्वयं समाधान खोजने दे सकते हैं। यह ढांचा भौतिक सामग्रियों और कृत्रिम बुद्धिमत्ता के बीच के अंतर को पाटता है, यह दिखाते हुए कि भौतिकी के नियमों का उपयोग सीधे हार्डवेयर में गणना और सीखने के लिए किया जा सकता है। सामग्री केवल दुनिया के प्रति प्रतिक्रिया नहीं देती; वह उससे सीखती है। हालांकि वर्तमान प्रदर्शन उन सिद्धांतों पर आधारित हैं जिन्हें वास्तविक हार्डवेयर में लागू किया जा सकता है, लेकिन यह दृष्टिकोण ऐसे सामग्रियों के लिए एक मार्ग प्रदान करता है जो बदलते परिवेश के अनुकूल हो सकें, अपने कार्यों की मरम्मत स्वयं कर सकें, या निर्मित होने के बाद नए कौशल प्राप्त कर सकें। 'इन सीटू' (in situ) टेम्पोरल रिस्पॉन्स सीखने की क्षमता का अर्थ है कि स्मार्ट सामग्रियों की अगली पीढ़ी को केवल इंजीनियरों द्वारा प्रोग्राम नहीं किया जाएगा, बल्कि वे स्वयं को प्रोग्राम करना सीख सकती हैं।