A Physics-Informed Digital Twin Framework for Health Vigilance and Indoor Air Quality Decision Support in Healthcare-Oriented Environments

कल्पना कीजिए कि आप एक व्यस्त अस्पताल के गलियारे में चल रहे हैं। आप हवा को देख नहीं सकते, लेकिन आप जानते हैं कि यह अदृश्य यात्रियों से भरी हुई है: धूल के नन्हे कण, कीटाणु, और सफाई के सामान या खाना पकाने से निकलने वाली रसायनों की सुगबुगाहट। लंबे समय से, वैज्ञानिक और भवन प्रबंधक इनडोर हवा को एक मूक फिल्म (साइलेंट मूवी) की तरह मानते आए हैं—वे अभिनेताओं (सेंसरों) को घूमते हुए देख सकते थे और देख सकते थे कि इस सटीक क्षण में क्या हो रहा है, लेकिन वे यह अनुमान नहीं लगा सकते थे कि आगे क्या होने वाला है। वे जानते थे कि यदि इस ठीक इसी सेकंड में हवा खराब थी, तो उन्हें यह नहीं पता था कि अगले 15 मिनट में यह और खराब होने वाली है या नहीं। यह एक बड़ी समस्या है क्योंकि यदि आपको पता है कि तूफान आ रहा है, तो आप खिड़कियां बंद कर सकते हैं; यदि आपको नहीं पता, तो आप भीग जाएंगे।

इस समस्या को हल करने के लिए, शोधकर्ता एक "डिजिटल ट्विन" (Digital Twin) बनाने की कोशिश कर रहे हैं। इसे एक रोबोट के रूप में नहीं, बल्कि कंप्यूटर के भीतर मौजूद एक कमरे के जादुई, अदृश्य दर्पण के रूप में सोचें। यह दर्पण केवल कमरे की नकल नहीं करता; यह उसकी आदतों को सीखता है। यह भौतिकी के नियमों (जैसे कि धुआं कैसे फैलता है या एक पंखा कमरे को कैसे साफ करता है) को स्मार्ट कंप्यूटर अनुमान (मशीन लर्निंग) के साथ मिलाकर भविष्य में झांकता है। लक्ष्य एक साधारण सेंसर की संख्याओं की सूची को एक क्रिस्टल बॉल में बदलना है जो डॉक्टरों और भवन प्रबंधकों को हवा के खतरनाक होने से पहले ही उसे सुरक्षित रखने में मदद करे।

---

अस्पताल की हवा के लिए अदृश्य क्रिस्टल बॉल

इस अध्ययन में, अहमद अल्बाशीर नामक एक शोधकर्ता विशेष रूप से उन स्थानों के लिए एक नया प्रकार का डिजिटल ट्विन बनाता है जहाँ स्वास्थ्य सर्वोपरि होता है, जैसे कि अस्पताल या क्लीनिक। बड़ी चुनौती क्या है? अधिकांश फैंसी वायु-भविष्यवाणी प्रणालियों को बहुत सारे गुप्त ब्लूप्रिंट (नक्शों) की आवश्यकता होती है: उन्हें जानना होता है कि हर कमरे का सटीक आकार क्या है, एयर कंडीशनिंग कितनी तेजी से हवा फेंकती है, और दीवारों के माध्यम से हवा के प्रवाह की जटिल गणित क्या है। लेकिन कई वास्तविक दुनिया की इमारतों में, विशेष रूप से पुरानी इमारतों या सीमित बजट वाली इमारतों में, किसी के पास ये ब्लूप्रिंट नहीं होते। उनके पास केवल सेंसर होते हैं।

अल्बाशीर का शोध पत्र एक साहसिक प्रश्न पूछता है: क्या हम बिना किसी बिल्डिंग ब्लूप्रिंट के, केवल सस्ते सेंसरों के डेटा का उपयोग करके एक स्मार्ट, भविष्य देखने वाली वायु प्रणाली बना सकते हैं?

बिना ब्लूप्रिंट वाला जादुई दर्पण

लेखक एक ऐसा ढांचा तैयार करते हैं जो एक जासूस की तरह काम करता है। इमारत के नक्शे की आवश्यकता होने के बजाय, यह प्रणाली उन सुरागों को देखती है जो सेंसर पीछे छोड़ते हैं। यह देखती है कि जब लोग बात करते हैं तो कार्बन डाइऑक्साइड (CO2) कैसे बढ़ता है, जब लोग चलते हैं तो ध्वनि स्तर कैसे बदलता है, और गंध (TVOCs) कैसे इधर-उधर बहती है। इन सुरागों को भौतिकी के एक सरलीकृत संस्करण (एक "मास-बैलेंस" समीकरण, जो बस एक फैंसी तरीका है यह कहने का कि "जो अंदर जाता है उसे बाहर आना चाहिए या रुकना चाहिए") के साथ जोड़कर, यह प्रणाली कमरे की हवा का एक कामकाजी मॉडल बनाती है।

इस प्रणाली को "स्वास्थ्य सतर्कता" (Health Vigilance) उपकरण के रूप में डिज़ाइन किया गया है। यह केवल एक थर्मामीटर नहीं है; यह एक गार्ड डॉग है जो घुसपैठिए के आने से पहले भौंकता है। यह अगले 15, 30 और 60 मिनट के लिए सूक्ष्म हानिकारक कणों, जिन्हें PM2.5 कहा जाता है (जो इतने छोटे होते हैं कि वे आपके फेफड़ों की गहराई तक जा सकते हैं), के स्तर की भविष्यवाणी करता है।

सिस्टम ने भविष्यवाणी करना कैसे सीखा

इस विचार का परीक्षण करने के लिए, शोधकर्ता ने सिस्टम को दो बहुत अलग जगहों से डेटा दिया: एक शांत प्रयोगशाला और एक एक-कमरे वाला अपार्टमेंट। सिस्टम को केवल पिछले 60 मिनट के सेंसर डेटा का उपयोग करके भविष्य की भविष्यवाणी करना सीखना था। इसने कई अलग-अलग "दिमाग" आर्किटेक्चर का परीक्षण किया, जिनमें कुछ पेड़ जैसी संरचना वाले निर्णय लेने वाले (जिन्हें LightGBM, XGBoost और CatBoost कहा जाता है) और कुछ डीप-लर्निंग न्यूरल नेटवर्क (LSTMs) शामिल थे।

हजारों सिमुलेशन चलाने के बाद, सिस्टम ने अपना विजेता खोज लिया। LightGBM मॉडल, जो 15 मिनट भविष्य की ओर देखता है, इस काम में सबसे अच्छा साबित हुआ।

• स्कोर: इसने औसत त्रुटि (RMSE) के 11.20 μg/m³ के साथ वायु गुणवत्ता की भविष्यवाणी की।
• वास्तविकता की जांच: हालांकि यह पूर्ण नहीं था, लेकिन यह केवल यह अनुमान लगाने (जिसका तरीका 'परसिस्टेंस' या 'Persistence' कहलाता है कि "हवा वैसी ही रहेगी जैसी अभी है") या पिछले 30 मिनट के साधारण औसत लेने से कहीं बेहतर था।

"ब्लैक बॉक्स" समस्या और भौतिकी का समाधान

AI के बारे में सबसे बड़ी शिकायतों में से एक यह है कि यह एक "ब्लैक बॉक्स" है—यह एक उत्तर देता है, लेकिन आपको पता नहीं होता कि क्यों। एक अस्पताल में, आपको जानने की आवश्यकता है कि हवा खराब क्यों हो रही है ताकि आप उसे ठीक कर सकें। क्या यह इसलिए है क्योंकि किसी ने खिड़की खोली? क्या यह इसलिए है क्योंकि कोई मशीन खराब हो गई है?

यह शोध पत्र एक "फिजिक्स लेयर" जोड़कर इस समस्या को हल करता है। भले ही सिस्टम को कमरे का सटीक आकार न पता हो, फिर भी यह दो मुख्य बलों की गणना करता है:

1. स्रोत (The Source): अंदर कितनी प्रदूषण पैदा हो रही है?
2. हटाना (The Removal): हवा खुद को कितनी तेजी से साफ कर रही है?

अध्ययन में कुछ दिलचस्प पाया गया: इन सेंसर-ओनली वातावरणों में, वायु गुणवत्ता 66.6% स्रोतों (अंदर उत्पन्न होने वाले प्रदूषण) द्वारा संचालित थी और केवल 33.4% हटाने (हवा के साफ होने) द्वारा संचालित थी। इसके अलावा, सिस्टम ने खोजा कि प्रदूषण लगभग पूरी तरह से TVOCs (वाष्पशील कार्बनिक यौगिक, जैसे सफाई या खाना पकाने की गंध) द्वारा संचालित था, जिसने स्रोत गतिविधि का लगभग 100% हिस्सा संभाला। यह उपयोगकर्ता को बताता है: "हे, हवा खराब हो रही है क्योंकि कुछ प्रदूषण पैदा कर रहा है, न कि इसलिए कि वेंटिलेशन काम करना बंद कर गया है।"

क्रिस्टल बॉल का एक अंधा मोड़ (Blind Spot) है

यहाँ कहानी का सबसे ईमानदार हिस्सा है: क्रिस्टल बॉल पूर्ण नहीं है।

• अच्छी खबर: सिस्टम मध्यम परिवर्तनों को पकड़ने में बहुत अच्छा है। यदि वायु गुणवत्ता गिरना शुरू होती है, तो यह आमतौर पर इसे पकड़ लेता है। इसने 83.3% मध्यम प्रदूषण घटनाओं (जब PM2.5 15 μg/m³ को पार कर गया) को सफलतापूर्वक पहचाना।
• बुरी खबर: सिस्टम "आकस्मिक हमलों" (Surprise Attacks) के मामले में संघर्ष करता है। जब वायु गुणवत्ता अचानक खतरनाक स्तर ( 35 μg/m³ से ऊपर) तक पहुँच जाती है, तो सिस्टम अक्सर इसे मिस कर देता है। वास्तव में, गंभीर स्पाइक्स के लिए, डिटेक्शन रेट 0.000% था। मॉडल बहुत अधिक सतर्क रहने की प्रवृत्ति रखता है, जिससे तीखे उतार-चढ़ाव दब जाते हैं ताकि वह बार-बार गलत चेतावनी न दे, लेकिन इसका मतलब है कि वह सबसे खतरनाक क्षणों को भी मिस कर देता है।
• अनिश्चितता: सिस्टम यह भी बताने की कोशिश करता है कि वह कितना आश्वस्त है। यह अपने अनुमान के चारों ओर एक "सुरक्षा क्षेत्र" (95% प्रेडिक्शन इंटरवल) बनाता है। हालाँकि, वास्तविक वायु गुणवत्ता केवल 82.3% बार इस सुरक्षा क्षेत्र के भीतर आई, जबकि सिस्टम ने पूरे 95% की उम्मीद की थी। यह बताता है कि हालांकि सिस्टम उपयोगी है, लेकिन जब हवा वास्तव में अराजक (chaotic) हो जाती है, तो यह थोड़ा डगमगा जाता है।

डैशबोर्ड: नंबरों को कार्रवाई में बदलना

अंत में, शोधकर्ता ने परिणामों को दिखाने के लिए एक रंगीन, इंटरैक्टिव डैशबोर्ड (Streamlit नामक टूल का उपयोग करके) बनाया है। कल्पना कीजिए कि एक स्क्रीन है जहाँ आप वर्तमान वायु गुणवत्ता देख सकते हैं, एक ग्राफ देख सकते हैं कि 15 मिनट में यह कैसा दिखेगा, और एक "क्या होगा यदि?" (What If?) सिम्युलेटर है।

• सिम्युलेटर: आप हवा को शुद्ध करने वाले यंत्र (Air Purifier) को बंद करने या खिड़की खोलने का नाटक कर सकते हैं। सिस्टम तुरंत दिखाता है कि इसके भौतिक नियमों के आधार पर प्रदूषण कैसे बढ़ेगा या घटेगा।
• लक्ष्य: यह कोई मेडिकल डिवाइस नहीं है जो अपने आप जान बचाएगा। यह एक रिसर्च-ग्रेड टूल है जिसे उन जगहों के सुविधा प्रबंधकों (Facility Managers) की मदद करने के लिए डिज़ाइन किया गया है जिनके पास फैंसी ब्लूप्रिंट नहीं हैं, ताकि वे बेहतर और तेज़ निर्णय ले सकें।

निष्कर्ष

यह शोध पत्र सुझाव देता है कि हमें इनडोर वायु गुणवत्ता की निगरानी के लिए महंगे और जटिल बिल्डिंग मैप्स की आवश्यकता नहीं है। हम केवल सेंसर और स्मार्ट गणित का उपयोग करके एक "लाइटवेट" डिजिटल ट्विन बना सकते हैं। यह क्रमिक परिवर्तनों को पहचानने और यह समझने के लिए कि प्रदूषण का कारण क्या है (मुख्यतः स्रोत, न कि वेंटिलेशन की विफलता) बहुत अच्छा काम करता है। हालाँकि, यह स्वीकार करता है कि यह अभी तक अचानक, गंभीर प्रदूषण स्पाइक्स की सटीक भविष्यवाणी करने के लिए तैयार नहीं है। यह एक शक्तिशाली पहला कदम है एक ऐसे भविष्य की ओर जहाँ हर कमरे का एक संरक्षक हो जो हवा पर नज़र रखे, उसकी आदतों को सीखे, और हमें चेतावनी दे कि हवा सांस लेने के लिए बहुत गंदी होने से पहले ही।