कल्पना कीजिए कि आप यह भविष्यवाणी करने की कोशिश कर रहे हैं कि एक गगनचुंबी इमारत के चारों ओर एक तूफान कैसे घूमेगा, या एक रॉकेट इंजन ध्वनि की बाधा को तोड़ते समय कैसे गर्जना करेगा। दशकों से, वैज्ञानिक इन घटनाओं का अनुकरण (simulate) करने के लिए विशाल सुपरकंप्यूटरों का उपयोग करते रहे हैं, जिसमें वे हवा को छोटे, अदृश्य लेगो ब्लॉक्स में तोड़ देते हैं और गणना करते हैं कि प्रत्येक ब्लॉक अपने पड़ोसियों पर कैसे दबाव डालता है और उन्हें खींचता है। यह एक तूफान में गिरने वाली बूंद के पथ की भविष्यवाणी करने के लिए आकाश की हर दूसरी बूंद की गति की गणना करने जैसा है। हालांकि यह सटीक है, लेकिन यह तरीका इतना धीमा और बिजली का भूखा है कि केवल उड़ान के कुछ सेकंड का अनुकरण करने में ही घंटों या दिनों तक का समय लग सकता है। यह तेज़ विमानों या सुरक्षित रॉकेटों को डिजाइन करने वाले इंजीनियरों के लिए एक बड़ी बाधा है। इसे गति देने के लिए, शोधकर्ताओं ने "न्यूरल एमुलेटर्स" (neural emulators) को प्रशिक्षित करना शुरू कर दिया है—स्मार्ट कंप्यूटर प्रोग्राम जो हजारों पिछले सिमुलेशन का अध्ययन करके उत्तर का अनुमान लगाना सीखते हैं, बिल्कुल उस छात्र की तरह जो वास्तविक परीक्षा में महारत हासिल करने के लिए अभ्यास परीक्षण के उत्तरों को याद करता है। हालांकि, ये स्मार्ट अनुमान लगाने वाले अक्सर प्रवाह के सबसे चरम हिस्सों का सामना करते समय संघर्ष करते हैं, जैसे कि शॉकवेव्स (वायु दाब में अचानक, हिंसक उछाल) या जब उन्हें ऐसे परिदृश्यों की भविष्यवाणी करने के लिए कहा जाता है जो उन्होंने पहले नहीं देखे हैं, जिससे अक्सर ऐसे परिणाम मिलते हैं जो दिखने में तो सुचारू होते हैं लेकिन भौतिकी के मूलभूत नियमों को तोड़ देते हैं।

यह शोध पत्र एक पूरी तरह से GPU-संचालित वर्कफ़्लो पेश करता है जिसे विशेष रूप से हाइपरसोनिक प्रवाह (हवा की गति ध्वनि की गति से पांच गुना अधिक होना) के लिए एक "फिजिक्स एमुलेटर" बनाने के लिए डिज़ाइन किया गया है। लेखकों ने JAX-Fluids नामक एक विशेष सॉल्वर के साथ मिलकर, इन एमुलेटर्स को प्रशिक्षित करने के लिए एक तीन-चरणीय पाइपलाइन बनाई। पहले, उन्होंने इस डेटासेट को तेजी से उत्पन्न करने के लिए सॉल्वर का उपयोग किया। दूसरे, उन्होंने विभिन्न प्रकार के न्यूरल नेटवर्क (जिसमें एक "विज़न ट्रांसफार्मर" और एक "फ्लो मैचिंग" मॉडल शामिल है) को इस डेटा के पैटर्न सीखने के लिए प्रशिक्षित किया। अंत में, और सबसे महत्वपूर्ण बात, उन्होंने एक "फिजिक्स-अवेयर रिफाइनमेंट" (भौतिकी-जागरूक परिशोधन) चरण जोड़ा। केवल डेटा को याद करने के बजाय, सिस्टम अपने स्वयं के भविष्यवाणियों की जांच वास्तविक भौतिकी के नियमों (उन समीकरणों के विरुद्ध जो हवा की गति को नियंत्रित करते हैं) के विरुद्ध करता है और बिना किसी नए संदर्भ डेटा के अपनी गलतियों को सुधारता है। अध्ययन से पता चलता है कि जबकि विभिन्न मॉडलों की अलग-अलग ताकत होती है—कुछ अधिक डेटा के साथ बेहतर होते हैं, अन्य कम डेटा के साथ—एक स्मार्ट न्यूरल नेटवर्क और इस भौतिकी-आधारित स्व-सुधार का संयोजन एक ऐसा उपकरण बनाता है जो न केवल तेज़ है बल्कि विश्वसनीय भी है, जिससे इसे उन स्थितियों के लिए भी वास्तविक दुनिया के इंजीनियरिंग डिजाइन लूप में उपयोग किया जा सकता है जिन्हें मॉडल ने पहले कभी नहीं देखा है।

हाइपरसोनिक स्पीडस्टर की कहानी

समस्या: वास्तविकता की धीमी गति
एक हाइपरसोनिक वाहन (जो मैक 5 या उससे अधिक की गति से उड़ता है) को डिजाइन करने की कल्पना एक मैराथन दौड़ते समय एक उत्कृष्ट कृति (masterpiece) बनाने की कोशिश करने जैसी है। वाहन के चारोंกัน हवा कुछ अजीब कर रही है: यह दब रही है, गर्म हो रही है, और शॉकवेव्स बना रही है जो अदृश्य दीवारों की तरह काम करती हैं। इसे सटीक रूप से सिम्युलेट करने के लिए, इंजीनियर पारंपरिक रूप से "कंप्यूटेशनल फ्लूइड डायनेमिक्स" (CFD) का उपयोग करते हैं। कल्पना कीजिए कि यह पूरे वाहन को कवर करने वाले पानी के गुब्बारों का एक विशाल ग्रिड है। यह देखने के लिए कि हवा कैसे चलती है, कंप्यूटर को यह गणना करनी पड़ती है कि प्रत्येक गुब्बारा अपने पड़ोसियों पर कैसे दबाव डालता है, हर छोटे कदम पर। यह अविश्वसनीय रूप से सटीक है, लेकिन यह बहुत ही धीमा भी है। यदि आप रॉकेट के नाक के शंकु (nose cone) के लिए 1,000 अलग-अलग आकारों का परीक्षण करना चाहते हैं, तो आपको कंप्यूटर के पूरा होने के लिए वर्षों तक प्रतीक्षा करनी पड़ सकती है।

समाधान: स्मार्ट प्रशिक्षु (Apprentice)
यहाँ "फिजिक्स एमुलेटर" आता है। यह एक न्यूरल नेटवर्क है—एक प्रकार का AI—जो एक सुपर-फास्ट प्रशिक्षु के रूप में कार्य करता है। हर एक गुब्बारे की परस्पर क्रिया की गणना शून्य से करने के बजाय, प्रशिक्षु रॉकेट के आकार और हवा की गति को देखता है, और फिर हजारों पिछले सिमुलेशन से जो उसने सीखा है, उसके आधार पर तुरंत "अनुमान" लगाता है कि वायु प्रवाह कैसा दिखेगा। यह एक ऐसे शेफ की तरह है जिसने हजार सूप चखे हैं और सामग्री को देखकर तुरंत बता सकता है कि नया सूप कैसा होगा, बिना उसे वास्तव में पकाए।

हालांकि, एक पेच है। ये AI प्रशिक्षु सामान्य आकार का अनुमान लगाने में बहुत अच्छे हैं, लेकिन वे विवरणों में गलती कर देते हैं। हाइपरसोनिक उड़ान में, विवरण ही सब कुछ हैं। हवा केवल सुचारू रूप से नहीं बहती; यह "शॉक्स" (shocks) बनाती है—दबाव और तापमान में अचानक, हिंसक उछाल। यदि AI शॉक को गलत जगह पर अनुमानित करता है, या यदि वह नकारात्मक तापमान की भविष्यवाणी करता है (जो भौतिक रूप से असंभव है), तो डिजाइन बेकार है। इसके अलावा, यदि आप AI को ऐसी गति के लिए रॉकेट डिजाइन करने के लिए कहते हैं जो उसने पहले कभी नहीं देखी है, तो वह एक ऐसा परिणाम दिखा सकता है जो दिखने में तो अच्छा है लेकिन भौतिकी के नियमों को तोड़ देता है।

नया वर्कफ़लो: तीन-चरणीय प्रशिक्षण शिविर
लेखकों ने एक बेहतर प्रशिक्षु को प्रशिक्षित करने के लिए पूरी तरह से GPU-आधारित वर्कफ़्लो बनाया। उन्होंने केवल मॉडल पर डेटा नहीं डाला; उन्होंने JAX-Fluids नामक एक विशेष टूल का उपयोग करके तीन चरणों वाला प्रशिक्षण शिविर बनाया, जो एक ऐसा सॉल्वर है जो ग्राफिक्स कार्ड (GPUs) पर चल सकता है और, महत्वपूर्ण रूप से, "उल्टा सोच" (differentiable) सकता है।

1. चरण 1: डेटा फैक्ट्री (हाई-फिडेलिटी जनरेशन)
   सबसे पहले, उन्होंने हाइपरसोनिक प्रवाह सिमुलेशन का एक विशाल पुस्तकालय बनाने के लिए JAX-Fluids का उपयोग किया। उन्होंने केवल एक आकार का उपयोग नहीं किया; उन्होंने स्क्रैमजेट (एक प्रकार का हाइपरसोनिक इंजन) की ज्यामिति और आने वाली हवा की गति को बदला। इसने 7,000 से अधिक अद्वितीय परिदृश्यों का एक डेटासेट बनाया। इसे ऐसे समझें जैसे प्रशिक्षु 7,000 अलग-अलग उड़ान मैनुअल के पुस्तकालय को पढ़ रहा है।

2. चरण 2: क्लासरूम (प्री-ट्रेनिंग)
   इसके बाद, उन्होंने इस लाइब्रेरी पर विभिन्न प्रकार के न्यूरल नेटवर्क को प्रशिक्षित किया। उन्होंने दो मुख्य "आर्किटेक्चर" (AI के मस्तिष्क को व्यवस्थित करने के तरीके) का परीक्षण किया:

• AB-UPT: यह मॉडल वायु प्रवाह को व्यक्तिगत बिंदुओं के बादल की तरह मानता है। यह बहुत लचीला और सटीक है जब इसके पास बहुत अधिक डेटा होता है, लेकिन यह धीमा और कम्प्यूटेशनल रूप से भारी है।
• ViT (विज़न ट्रांसफार्मर): यह मॉडल वायु प्रवाह को इमेज पैच के ग्रिड की तरह मानता है, ठीक वैसे ही जैसे कोई इंसान फोटो को देखता है। यह अविश्वसनीय रूप से तेज़ और कुशल है। दिलचस्प बात यह है कि जब डेटा कम था (केवल 50 उदाहरण), तो ViT बेहतर प्रदर्शन करता था क्योंकि इसकी ग्रिड संरचना ने इसे स्थान को समझने में "हेड स्टार्ट" दिया था।
• फ्लो मैचिंग (Flow Matching): उन्होंने एक संभाव्य (probabilistic) मॉडल भी आज़माया जो केवल एक उत्तर नहीं देता बल्कि संभावित उत्तरों की एक सीमा प्रदान करता है, जिससे एक अंतर्निर्मित "अनिश्चितता मीटर" मिलता है। यह यह जानने के लिए बहुत अच्छा था कि AI कब अनुमान लगा रहा है, हालांकि यह औसत रूप से थोड़ा कम सटीक था।

परिणामों ने दिखाया कि एक ट्रेड-ऑफ है: यदि आपके पास बहुत बड़ा डेटासेट है, तो पॉइंट-आधारित मॉडल (AB-UPT) सबसे सटीक है। यदि आपके पास सीमित डेटा है, तो ग्रिड-आधारित मॉडल (ViT) तेज़ी से सीखता है।

3. चरण 3: फिजिक्स चेक (टारगेट-फ्री रिफाइनमेंट)
   यही इस पेपर का गुप्त मंत्र है। AI अपना होमवर्क पूरा करने के बाद, वे केवल रुके नहीं। उन्होंने AI के उत्तरों की जांच करने के लिए भौतिकी के वास्तविक नियमों के विरुद्ध JAX-Fluids सॉल्वर का उपयोग किया।

• सामान्यतः, AI को ठीक करने के लिए, आपको "सही उत्तर" (ग्राउंड ट्रुथ) की आवश्यकता होती है ताकि उसे दिखाया जा सके कि वह कहाँ गलत हुआ। लेकिन इंजीनियरिंग में, आप अक्सर एक ऐसे नए डिजाइन का परीक्षण करना चाहते हैं जिसके लिए आपके पास अभी तक सिमुलेशन नहीं है।
• लेखकों की विधि "टारगेट-फ्री" है। वे AI की भविष्यवाणी लेते हैं, उसे भौतिकी सॉल्वर में वापस फीड करते हैं, और पूछते हैं: "क्या यह भविष्यवाणी द्रव्यमान और ऊर्जा के संरक्षण को संतुष्ट करती है?" यदि उत्तर नहीं है, तो सॉल्वर एक "रेसिड्यूल" (यह मापने का तरीका कि भौतिकी कितनी टूटी हुई है) की गणना करता है और AI को खुद को ठीक करने के लिए एक संकेत भेजता है।
• यह एक छात्र की तरह है जो एक टेस्ट देता है, फिर गणित के नियमों के विरुद्ध अपने काम की जांच करता है। यदि वह देखता है कि उसने किसी नियम का उल्लंघन किया है, तो वह शिक्षक द्वारा ग्रेड दिए जाने की प्रतीक्षा किए बिना उत्तर को ठीक करता है।

निष्कर्ष: वास्तव में क्या हुआ?
प्रयोगों ने कुछ दिलचस्प अंतर्दक्साइड प्रकट किए:

• रिफाइनमेंट चमत्कार करता है: जब उन्होंने इस भौतिकी-आधारित परिशोधन को लागू किया, तो "रेसिड्यूल्स" (टूटी हुई भौतिकी की मात्रा) नाटकीय रूप रूप से गिर गए। उदाहरण के लिए, द्रव्यमान संरक्षण में त्रुटि लगभग 0.31 से गिरकर 0.10 हो गई। AI बहुत अधिक भौतिक रूप से सुसंगत हो गया।
• नए डेटा की आवश्यकता नहीं: सबसे अच्छी बात यह है कि इस परिशोधन के लिए किसी नए, महंगे सिमुलेशन की आवश्यकता नहीं थी। इसे केवल मेश (ग्रिड) और डिजाइन मापदंडों की आवश्यकता थी। इसका मतलब है कि इंजीनियर बिना किसी अतिरिक्त लागत के नए, untested डिजाइनों के लिए AI को परिष्कृत कर सकते हैं।
• सटीकता बनाम निरंतरता: दिलचस्प बात यह है कि जबकि परिशोधन ने भौतिकी को बहुत अधिक सुसंगत बनाया, इसने समग्र रूप से प्रवाह क्षेत्र के "लुक" को बहुत अधिक नहीं बदला। प्री-ट्रेन्ड मॉडल पहले से ही बड़े चित्र के लिए काफी अच्छा था; परिशोधन ने केवल स्थानीय विवरणों को साफ किया ताकि यह सुनिश्चित हो सके कि वे प्रकृति के नियमों का पालन करते हैं।
• अनिश्चितता मायने रखती है: संभाव्य मॉडल (फ्लो मैचिंग) अनिश्चितता के बारे में उपयोगकर्ता को बताने में सबसे अच्छा था। इसने शॉकवेव्स के पास उच्च अनिश्चितता दिखाई, जो इंजीनियरों के लिए एक महत्वपूर्ण सुरक्षा विशेषता है।

यह क्यों महत्वपूर्ण है
लेखक सुझाव देते हैं कि यह वर्कफ़्लो इंजीनियरों के हाइपरसोनिक वाहनों को डिजाइन करने के तरीके को बदल सकता है। हर नए विचार के लिए सिमुलेशन चलाने में दिनों तक प्रतीक्षा करने के बजाय, वे मिलीसेकंड में हजारों डिजाइनों का पता लगाने के लिए इस एमुलेटर का उपयोग कर सकते हैं। यदि कोई डिजाइन आशाजनक दिखता है, तो वे केवल दोबारा जांच करने के लिए पूर्ण, धीमे सिमुलेशन को चला सकते हैं। "टारगेट-फ्री" परिशोधन का अर्थ है कि वे अभी तक सिम्युलेट नहीं किए गए डिजाइनों के लिए भी AI को ट्यून कर सकते हैं, जिससे यह सुनिश्चित हो सके कि भौतिकी बनी रहे, बिना कम्प्यूटेशनल लागत के।

संक्षेप में, यह शोध पत्र हमें केवल एक तेज़ कैलकुलेटर नहीं देता है; यह हमें एक स्मार्ट, स्व-सुधार करने वाला प्रशिक्षु देता है जो भौतिकी के नियमों का सम्मान करता है, भले ही वह अनुमान लगा रहा हो। यह सुझाव देता है कि AI की गति को भौतिकी सॉल्वर की कठोरता के साथ जोड़कर, हम अंततः उन जटिल, उच्च-गति प्रवाहों से निपट सकते हैं जो लंबे समय से आधुनिक इंजीनियरिंग के लिए एक बाधा रहे हैं।