Learning Metamaterial Eigenmodes with Wavelet-Encoded Fourier Neural Operators

ध्वनि और कंपन ऐसी सामग्रियों के माध्यम से यात्रा करते हैं जो अक्सर आंखों से अदृश्य होती हैं, फिर भी वे यह तय करती हैं कि एक पुल हवा में कैसे डोलता है या एक इमारत भूकंप का सामना कैसे करती है। इंजीनियर लंबे समय से इन व्यवहारों की भविष्यवाणी करने के लिए 'फाइनाइट एलीमेंट एनालिसिस' (finite element analysis) नामक एक शक्तिशाली उपकरण पर भरोसा करते रहे हैं। यह विधि एक सामग्री को छोटे-छोटे बिंदुओं के ग्रिड में विभाजित करती है और प्रत्येक बिंदु के लिए जटिल भौतिक समीकरणों को हल करती है ताकि यह देखा जा सके कि तरंगें इसके माध्यम से कैसे चलती हैं। हालांकि यह अविश्वसनीय रूप से सटीक है, लेकिन यह प्रक्रिया धीमी और गणनात्मक रूप से भारी है। जब "मेटामटेरियल्स" (metamaterials)—कृत्रिम संरचनाएं जिन्हें प्राकृतिक सामग्रियों के विपरीत तरंगों को नियंत्रित करने के लिए इंजीनियर किया गया है—का डिजाइन तैयार किया जाता है, तो शोधकर्ताओं को अक्सर एक आदर्श आकार खोजने के लिए इन सिमुलेशन को हजारों बार चलाने की आवश्यकता होती है। आवश्यक समय एक ऐसे डिजाइन चक्र को, जिसे दिनों में पूरा होना चाहिए था, महीनों के चक्र में बदल सकता है, जिससे शोर-रद्द करने वाली दीवारों से लेकर भूकंप-रोधी नींव जैसे क्षेत्रों में नवाचार रुक जाता है।

ड्यूक यूनिवर्सिटी और कैलिफोर्निया इंस्टीट्यूट ऑफ टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने इस प्रक्रिया को एक हजार गुना तेज करने वाला एक नया दृष्टिकोण विकसित किया है, बिना सटीकता से समझौता किए। उन्होंने एक प्रकार के आर्टिफिशियल इंटेलिजेंस, जिसे 'न्यूरल ऑपरेटर' (neural operator) कहा जाता है, को एक तीव्र 'सरोगेट' (surrogate) के रूप में कार्य करने के लिए प्रशिक्षित किया है, जो धीमे और पारंपरिक सिमुलेशन का विकल्प बन सके। मानक कंप्यूटर प्रोग्रामों के विपरीत, जो एक विशिष्ट इनपुट को एक विशिष्ट आउटपुट से जोड़ने के लिए सीखते हैं, इस नए सिस्टम ने किसी दिए गए सामग्री के आकार के लिए तरंगों के पूरे संभावित परिवार की भविष्यवाणी करना सीखा। शोधकर्ताओं ने पाया कि इसे सफल बनाने के लिए, उन्हें कंप्यूटर को तरंगों के बारे में "बोलने" का एक नया तरीका सिखाना पड़ा, जिसमें 'वेवलेट एनकोडिंग' (wavelet encoding) नामक एक गणितीय तकनीक का उपयोग किया गया। इसने मॉडल को मांग पर विभिन्न कंपन पैटर्न, या "मोड्स" (modes), के बीच तुरंत स्विच करने की अनुमति दी, जिससे प्रभावी रूप से उस समस्या को हल किया गया जिसे पहले मशीन लर्निंग के लिए बहुत कठिन माना जाता था।

इस उपलब्धि का मूल आधार यह है कि शोधकर्ताओं ने कंप्यूटर को सामग्री के आकार और उससे गुजरने वाली तरंगों के बीच के संबंध को समझने के तरीके को कैसे सिखाया। मेटामटेरियल्स अक्सर दोहराने वाली वर्गाकार इकाइयों से बने होते हैं, और ध्वनि या कंपन उनके माध्यम से कैसे चलता है, यह इन इकाइयों की ज्यामिति पर निर्भर करता है। अतीत में, यदि कोई इंजीनियर जानना चाहता था कि एक विशिष्ट तरंग कैसे व्यवहार करेगी, तो उसे एक पूर्ण, धीमा सिमुलेशन चलाना पड़ता था। हालाँकि, नया मॉडल भौतिकी के अंतर्निहित नियमों को इतनी गहराई से सीख लेता है कि वह परिणाम की लगभग तुरंत भविष्यवाणी कर सकता है। चुनौती यह थी कि किसी भी एकल आकार के लिए, तरंग के कंपन करने का केवल एक ही तरीका नहीं होता; कई वैध पैटर्न होते हैं, जिनमें से प्रत्येक की अपनी आवृत्ति (frequency) होती है। मानक मशीन लर्निंग मॉडल इस मामले में संघर्ष करते हैं क्योंकि उन्हें आमतौर पर एक दिए गए प्रश्न के लिए एक एकल, अद्वितीय उत्तर खोजने के लिए डिज़ाइन किया गया होता है। शोधकर्ताओं ने इस समस्या को मॉडल को विशिष्ट "चाबियों" (keys) के साथ 'कंडीशन' (condition) करके हल किया, जो उसे यह बताती हैं कि किस कंपन पैटर्न की भविष्यवाणी करनी है।

इन चाबियों को काम करने योग्य बनाने के लिए, टीम ने कंप्यूटर में जानकारी फीड करने के विभिन्न तरीकों का परीक्षण किया। उन्होंने संख्याओं के सरल, समान ग्रिड और चिकनी तरंगों पर आधारित पैटर्न का उपयोग किया, लेकिन ये विधियाँ मॉडल को विभिन्न कंपन पैटर्न के बीच अंतर करने के लिए पर्याप्त विवरण देने में विफल रहीं। सफलता तब मिली जब उन्होंने 'वेवलेट एनकोडिंग' का उपयोग किया। एक वेवलेट को एक छोटे, स्थानीयकृत रिपल (ripple) के रूप में समझें जो सूचना के बारे में बताता है कि तरंग कहाँ है और वह कितनी तेजी से दोलन कर रही है। तरंग की दिशा और उसके विशिष्ट कंपन पैटर्न को इन समृद्ध, विस्तृत मानचित्रों में अनुवादित करके, शोधकर्ताओं ने न्यूरल नेटवर्क को एक स्पष्ट संकेत दिया। इसने मॉडल को यह सीखने में सक्षम बनाया कि एक ही सामग्री के आकार के लिए, "चाबी" बदलने से एक पूरी तरह से अलग, फिर भी समान रूप से वैध, कंपन पैटर्न प्राप्त होगा। सिस्टम ने इन मोड्स के बीच 'डिटरमिनिस्टिक' (deterministic) रूप से स्विच करना सीखा, जिसका अर्थ है कि इसे पहले कंपन पैटर्न को दिखाने, फिर दूसरे को दिखाने के लिए कहा जा सकता था, और यह पूरी निरंतरता के साथ काम कर सकता था।

शोधकर्ताओं ने इस प्रणाली का परीक्षण दो बहुत ही अलग प्रकार की सामग्रियों पर किया। पहला प्रकार "कंटीन्यूअस" (continuous) था, जहाँ सामग्री के गुण एक बिंदु से दूसरे बिंदु तक सुचारू रूप से बदलते हैं, जैसे कि एक ग्रेडिएंट। दूसरा प्रकार "बाइनरी" (binary) था, जिसमें दो सामग्रियों के बीच स्पष्ट, अलग सीमाएँ होती हैं, जैसे स्टील और रबर का चेकरबोर्ड। परिणाम आश्चर्यजनक थे। मॉडल ने चिकनी, निरंतर सामग्रियों पर असाधारण रूप से अच्छा प्रदर्शन किया, तरंग पैटर्न की भविष्यवाणी इतनी कम त्रुटियों के साथ की कि वे मुश्किल से दिखाई दें। बाइनरी सामग्रियों पर, जिनमें तीखे किनारे होते हैं, सटीकता थोड़ी कम थी, लेकिन फिर भी उल्लेखनीय रूप से उच्च थी। शोधकर्ताओं ने पाया कि सामग्रियों के बीच सीमा जितनी जटिल होती है, मॉडल के लिए समस्या उतनी ही कठिन हो जाती है, जो कि स्पेक्ट्रल सूचना को संसाधित करने के तरीके के कारण एक अंतर्निहित सीमा है। हालाँकि, इन कठिन मामलों में भी, मॉडल ने तरंगों की आवश्यक संरचना को कैप्चर करते हुए उच्च स्तर की निष्ठा बनाए रखी।

शायद सबसे महत्वपूर्ण खोज नए तरीके की तीव्र गति थी। जबकि एक पारंपरिक कंप्यूटर सिमुलेशन को एक मानक प्रोसेसर पर एक एकल तरंग पैटर्न को हल करने में लगभग एक सेकंड का समय लगता है, प्रशिक्षित न्यूरल ऑपरेटर उसी कार्य को लगभग एक मिलीसेकंड में पूरा कर देता है। यह तीन आदेशों (orders of magnitude) की गति वृद्धि है। एक डिजाइन प्रक्रिया के लिए, जिसमें आकार को अनुकूलित करने के लिए हजारों सिमुलेशन चलाने की आवश्यकता होती है, यह अंतर परिवर्तनकारी है। यह घंटों या दिनों के कार्य को मिनटों में बदल देता है। यह मॉडल हल्का भी है, जिसे केवल लगभग दो गीगाबाइट मेमोरी की आवश्यकता होती है, जिसका अर्थ है कि यह विशाल सुपरकंप्यूटरों के बजाय साधारण उपभोक्ता-ग्रेड कंप्यूटरों पर भी चल सकता है।

अध्ययन ने यह भी गहराई से समझाया कि यह दृष्टिकोण क्यों काम करता है। शोधकर्ताओं ने दिखाया कि मॉडल की सफलता इस बात पर बहुत अधिक निर्भर करती है कि इनपुट डेटा को कैसे एनकोड किया गया है। यदि जानकारी बहुत सरल है, तो मॉडल तरंगों और आकार के बीच जटिल संबंधों को नहीं सीख सकता। यदि जानकारी बहुत विरल (sparse) है, तो मॉडल धुंधले और दानेदार परिणाम उत्पन्न करता है। वेवलेट एनकोडिंग ने एक आदर्श संतुलन बनाया, जिसने स्थानिक (spatial) और आवृत्ति (frequency) दोनों डोमेन में पर्याप्त विवरण प्रदान किया ताकि मॉडल भौतिकी को सटीक रूप से सीख सके। यह अंतर्दृष्टि बताती है कि तरंगों या कंपन से जुड़ी अन्य जटिल समस्याओं के लिए, डेटा को कंप्यूटर के सामने प्रस्तुत करने का तरीका उसके आर्किटेक्चर जितना ही महत्वपूर्ण है।

अंत में, यह कार्य प्रदर्शित करता है कि मशीन लर्निंग केवल सरल संबंधों का अनुमान लगाने से कहीं अधिक कर सकती है; यह भौतिकी की जटिल, बहु-समाधान समस्याओं को हल करना सीख सकती है। एक शक्तिशाली न्यूरल ऑपरेटर और एक चतुर एनकोडिंग रणनीति को जोड़कर, शोधकर्ताओं ने मेटामटेरियल्स के डिजाइन को तेज करने के लिए एक उपकरण बनाया है। यह ध्वनि और कंपन को नियंत्रित करने के लिए नए विचारों के परीक्षण को गति देने का मार्ग खोलता है, जिससे बेहतर शोर इन्सुलेशन, अधिक प्रभावी भूकंपीय सुरक्षा और उन्नत ध्वनिक उपकरण संभव हो सकते हैं। यह पद्धति गहरे भौतिक ज्ञान की आवश्यकता को प्रतिस्थापित नहीं करती है, बल्कि उस कम्प्यूटेशनल बाधा को हटा देती है जिसने लंबे समय से नए सामग्री डिजाइनों की खोज को धीमा कर दिया था। जैसा कि शोधकर्ताओं ने उल्लेख किया, यह दृष्टिकोण ध्वनिक मेटामटेरियल्स के सिमुलेशन और डिजाइन को अत्यधिक तेज करने का एक मार्ग प्रदान करता है, जिससे जो कभी एक धीमी, पुनरावृत्ति वाली प्रक्रिया थी, वह एक तेज़, गतिशील प्रक्रिया बन गई है।