Microstructural Generative Inverse Models for Additive Manufacturing Digital Twins

हवाई जहाजों, कारों और पावर प्लांट के धातु के पुर्जों को अक्सर धातु के सूक्ष्म पाउडर को परतों में पिघलाकर बनाया जाता है, जिसे एडिटिव मैन्युफैक्चरिंग (additive manufacturing) कहा जाता है। हालांकि यह विधि इंजीनियरों को ऐसे आकार बनाने की अनुमति देती है जो पहले कास्टिंग या फोर्जिंग द्वारा असंभव थे, लेकिन परिणामी सामग्रियां अप्रत्याशित व्यवहार कर सकती हैं। पारंपरिक धातुओं के विपरीत, जो अक्सर एकसमान और सुसंगत होती हैं, इन 3D-प्रिंटेड धातुओं में सूक्ष्म क्रिस्टलों के जटिल आंतरिक पैटर्न होते हैं। इन पैटर्नों को माइक्रोस्ट्रक्चर (microstructures) कहा जाता है, जो यह निर्धारित करते हैं कि धातु कितनी मजबूत होगी, वह गर्मी को कैसे संभालती है, और क्या वह दबाव में टूट जाएगी। प्रिंटिंग प्रक्रिया, परिणामी क्रिस्टल पैटर्न और पुर्जे की अंतिम मजबूती के बीच का संबंध अविश्वसनीय रूप से जटिल है। हजारों भौतिक नमूनों को प्रिंट करने और उन्हें नष्ट होने तक परीक्षण करने के माध्यम से इन संबंधों को समझने की कोशिश करना धीमा, महंगा और अक्सर पूरी तस्वीर पकड़ने में विफल रहता है।

इसे हल करने के लिए, वैज्ञानिक कंप्यूटर मॉडल का उपयोग करते हैं कि ये सामग्रियां कैसे व्यवहार करती हैं। हालांकि, इन सिमुलेशन को सही ढंग से काम करने के लिए आंतरिक क्रिस्टल पैटर्न की एक यथार्थवादी तस्वीर की आवश्यकता होती है। हाथ से या पुराने कंप्यूटर टूल्स के साथ इन यथार्थवादी तस्वीरों को बनाना कठिन है क्योंकि पैटर्न बहुत जटिल और विविध होते हैं। ओक रिज नेशनल लेबोरेटरी (Oak Ridge National Laboratory) के शोधकर्ताओं की एक टीम ने एक प्रकार के आर्टिफिशियल इंटेलिजेंस का उपयोग करके इन डिजिटल क्रिस्टल मानचित्रों को उत्पन्न करने का एक नया तरीका विकसित किया है। हर विवरण की गणना शून्य से करने के बजाय, उनका सिस्टम मौजूदा क्रिस्टल पैटर्न के एक विशाल पुस्तकालय से सीखता है और मांग पर नए, अत्यधिक यथार्थवादी पैटर्न बनाता है। यह दृष्टिकोण इंजीनियरों को एक भी भौतिक प्रोटोटाइप बनाए बिना यह पता लगाने की अनुमति देता है कि विभिन्न प्रिंटिंग सेटिंग्स अंतिम मजबूती को कैसे प्रभावित करती हैं।

शोधकर्ताओं ने आर्टिफिशियल इंटेलिजेंस के एक विशिष्ट प्रकार पर ध्यान केंद्रित किया जिसे 'डिनोइजिंग डिफ्यूजन मॉडल' (denoising diffusion model) कहा जाता है। कल्पना कीजिए कि एक तस्वीर को धीरे-धीरे ग्रे पिक्सेल के शोर (static noise) से ढक दिया गया है जब तक कि वह केवल एक धुंधला सा रूप न रह जाए। इस प्रकार का मॉडल उस प्रक्रिया को उलटने का तरीका सीखता है। यह एक खाली, शोर वाली छवि से शुरू होता है और धीरे-धीरे शोर को हटाता है, चरण दर चरण, जब तक कि एक स्पष्ट चित्र उभर न आए। इस अध्ययन में, "चित्र" परिदृश्य की तस्वीरें नहीं थे, बल्कि धातु के नमूने के भीतर क्रिस्टल के ओरिएंटेशन (orientation) दिखाने वाले विस्तृत मानचित्र थे। टीम ने अपने मॉडल को एक अन्य कंप्यूटर प्रोग्राम द्वारा उत्पन्न किए गए क्रिस्टल मानचित्रों के बड़े डेटासेट पर प्रशिक्षित किया। इन मानचित्रों में लेजर या इलेक्ट्रॉन बीम से प्रिंट की गई धातु के विशिष्ट घुमावदार पैटर्न शामिल थे। प्रशिक्षित होने के बाद, मॉडल पूरी तरह से नए क्रिस्टल मैप बना सकता था जो बिल्कुल असली की तरह दिखते और व्यवहार करते थे, जिसमें क्रिस्टलों के बीच की तीखी सीमाओं और उनके संरेखण (alignment) के सूक्ष्म बदलावों को भी पकड़ा गया था।

इस कार्य को जो चीज़ विशेष रूप से शक्तिशाली बनाती है, वह है पीढ़ी प्रक्रिया (generation process) को निर्देशित करने की क्षमता। शोधकर्ताओं ने दिखाया कि वे मॉडल को विशिष्ट निर्देश प्रदान करके ठीक से बता सकते हैं कि उन्हें किस प्रकार का क्रिस्टल पैटर्न चाहिए। वे मॉडल से एक ऐसा पैटर्न मांग सकते थे जिससे धातु का पुर्जा एक विशिष्ट मजबूती प्राप्त करेगा, या एक ऐसा जो किसी विशेष प्रिंटिंग गति और तापमान से मेल खाता हो। मॉडल ने इन निर्देशों को सुना और एक ऐसा क्रिस्टल मैप तैयार किया जो उन मानदंडों पर खरा उतरा। उदाहरण के लिए, एक ऐसे धातु के लिए पैटर्न बनाने के लिए कहा गया जो एक दिशा में बहुत मजबूत हो, तो मॉडल ने क्रिस्टलों को इस तरह से संरेखित किया जो ज्ञात भौतिक नियमों से मेल खाता है। अलग मजबूती के लिए कहने पर, इसने क्रिस्टलों को तदनुसार पुनर्व्यवस्थित किया। वांछित गुण से विशिष्ट आंतरिक संरचना की ओर पीछे की ओर काम करने की इस क्षमता को 'इनवर्स डिजाइन' (inverse design) कहा जाता है, और यह बेहतर सामग्रियां डिजाइन करने की दिशा में एक महत्वपूर्ण कदम है।

टीम ने अपने सिस्टम का कड़ाई से परीक्षण किया ताकि यह सुनिश्चित किया जा सके कि उत्पन्न मानचित्र न केवल दिखने में विश्वसनीय हैं बल्कि सांख्यिकीय रूप से भी सटीक हैं। उन्होंने कंप्यूटर-जनरेटेड मानचित्रों की तुलना मूल डेटा से की जिसका उपयोग मॉडल को प्रशिक्षित करने के लिए किया गया था। परिणामों ने दिखाया कि नए मानचित्रों ने वास्तविक डेटा की तरह ही क्रिस्टल के आकार और दिशाओं के बीच के जटिल संबंधों को पकड़ा। मॉडल ने विभिन्न प्रिंटिंग स्थितियों में पाए जाने वाले विशिष्ट टेक्सचर और ग्रेन साइज (grain sizes) को सफलतापूर्वक पुन: निर्मित किया। इसने विभिन्न निर्देशों को एक साथ जोड़ने में भी सफलता प्राप्त की, जैसे कि एक विशिष्ट टेक्सचर और एक विशिष्ट आकार को एक साथ मांगना, जिससे भौतिक रूप से तर्कसंगत परिणाम मिले। हालांकि, शोधकर्ताओं ने मॉडल की सीमाएं भी पाईं। जब मॉडल को दो ऐसे निर्देश दिए गए जो आपस में भौतिक रूप से विरोधाभासी थे, जैसे कि एक ऐसा क्रिस्टल पैटर्न मांगना जो ज्ञात रूप से कमजोर है लेकिन उच्च मजबूती की मांग करता है, तो सिस्टम ने मजबूती की आवश्यकता के ऊपर क्रिस्टल पैटर्न को प्राथमिकता दी। यह सुझाव देता है कि मॉडल ने सामग्री के व्यवहार के मूलभूत नियमों को सीख लिया है और वह उन्हें तोड़ने से इनकार करता है, भले ही उसे कितना भी मजबूर क्यों न किया जाए।

एक दिलचस्प आर्टिफैक्ट (artifact) उत्पन्न मानचित्रों में दिखाई दिया: क्रिस्टल कभी-कभी आंतरिक रूप से थोड़े मुड़े हुए (twists) दिखे जो प्रशिक्षण डेटा में मौजूद नहीं थे। शोधकर्ताओं ने इसका श्रेय स्वयं आर्टिफिशियल इंटेलिजेंस की प्रकृति को दिया, जो चिकनी, निरंतर छवियां बनाने के लिए डिज़ाइन की गई है, जबकि वास्तविक धातु क्रिस्टल के किनारे तीखे और स्पष्ट होते हैं। उन्होंने पाया कि जनरेशन प्रक्रिया को कई बार चलाने और परिणाम को परिष्कृत करने से, वे इन आंतरिक घुमावों को कम कर सकते थे, हालांकि वे उन्हें पूरी तरह से समाप्त नहीं कर सके। इस मामूली खामी के बावजूद, सिस्टम धातु के हिस्सों के यथार्थवादी 'डिजिटल ट्विन्स' बनाने के लिए एक मजबूत उपकरण साबित हुआ।

इस कार्य का अंतिम लक्ष्य नए 3D-प्रिंटेड पुर्जों के प्रमाणन (certification) की गति को बढ़ाना है। वर्तमान में, एक नए धातु घटक को सुरक्षित उपयोग के लिए प्रमाणित करने हेतु व्यापक परीक्षण और सिमुलेशन की आवश्यकता होती है। इस AI का उपयोग करके हजारों थोड़े अलग माइक्रोस्ट्रक्चर संस्करण उत्पन्न करके, इंजीनियर सभी पर सिमुलेशन चला सकते हैं ताकि संभावित परिणामों की सीमा को समझा जा सके। पुर्जे की मजबूती के लिए केवल एक संख्या प्राप्त करने के बजाय, वे एक 'प्रोबेबिलिटी डिस्ट्रीब्यूशन' (probability distribution) प्राप्त कर सकते हैं, जो सबसे संभावित मजबूती और विफलता की संभावना को दर्शाता है। अनिश्चितता परिमाणीकरण (uncertainty quantification) के रूप में जानी जाने वाली यह पद्धति, सामग्री की विश्वसनीयता की गहरी समझ प्रदान करती है। शोधकर्ताओं ने एक माइक्रोस्ट्रक्चर के एक हजार संस्करण उत्पन्न करके और प्रत्येक के लिए मजबूती की संभावित सीमा की गणना करके इसे प्रदर्शित किया। परिणामों ने दिखाया कि जबकि औसत मजबूती सुसंगत थी, डेटा में एक मापने योग्य प्रसार (spread) था, जो निर्माण प्रक्रिया में प्राकृतिक विविधताओं को ध्यान में रखने के महत्व को रेखांकित करता है।

यह कार्य कम्प्यूटेशनल मैटेरियल साइंस के क्षेत्र में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। उन्नत आर्टिफिशियल इंटेलिजेंस को भौतिक सिमुलेशन के साथ जोड़कर, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो मांग पर यथार्थवादी, जटिल भौतिक संरचनाएं उत्पन्न कर सकता है। यह क्षमता वैज्ञानिकों को भौतिक प्रोटोटाइप बनाए बिना संभव सामग्री डिजाइनों के विशाल स्थान को बहुत तेज़ी से खोजने की अनुमति देती है। यह क्रिस्टल की सूक्ष्म दुनिया और इंजीनियरिंग प्रदर्शन की व्यापक दुनिया के बीच के अंतर को पाटता है, जो हमारे भविष्य के बुनियादी ढांचे के महत्वपूर्ण घटकों को डिजाइन करने का एक नया तरीका प्रदान करता है। अपनी आंतरिक संरचना के आधार पर कोई सामग्री कैसे व्यवहार करेगी, इसका अनुमान लगाने और उस संरचना को विशिष्ट आवश्यकताओं को पूरा करने के लिए डिजाइन करने की क्षमता, अधिक सुरक्षित, अधिक कुशल और अधिक अभिनव धातु पुर्जों के वादे को वास्तविकता के करीब लाती है।