Position-Weighted Sequence-Kernel Bayesian Optimization for Composite Laminate Stacking Sequences

कल्पना कीजिए कि आप एक गगनचुंबी इमारत का डिज़ाइन बना रहे हैं, लेकिन आपके भवन का निर्माण स्टील और कंक्रीट से नहीं, बल्कि हजारों छोटी, रंगीन कागज़ की शीटों से किया गया है। प्रत्येक शीट एक दिशा में अविश्वसनीय रूप से मजबूत है लेकिन दूसरी दिशा में कमजोर है। इमारत को हवा के विरुद्ध सीधा खड़ा रखने के लिए, आपको इन शीटों को एक बहुत ही विशिष्ट क्रम में रखना होगा। यदि आप सभी "मजबूत" शीटों को बाहर रखेंगे, तो इमारत सख्त हो सकती है लेकिन टूटकर मुड़ सकती है। यदि आप उन्हें बेतरतीब ढंग से मिला देते हैं, तो यह स्थिर तो हो सकती है लेकिन बहुत भारी हो जाएगी। यह उन इंजीनियरों के लिए दैनिक चुनौती है जो कंपोजिट सामग्री (composite materials) डिजाइन करते हैं, जैसे कि हवाई जहाजों, पवन टरबाइन ब्लेड और रेस कारों में उपयोग किया जाने वाला कार्बन फाइबर। इन संरचनाओं को हल्का और मजबूत बनाने का रहस्य केवल यह नहीं है कि आप किन सामग्रियों का उपयोग करते हैं, बल्कि यह भी है कि आप उन्हें कैसे व्यवस्थित करते हैं। हालाँकि, सैकड़ों परतों और प्रत्येक परत के दर्जनों संभावित कोणों के साथ, परतों को व्यवस्थित करने के तरीकों की संख्या इतनी विशाल है कि यह एक पहाड़ के आकार के ढेर में एक अकेली सटीक सुई खोजने जैसा है। हर एक संभावना को आज़माने में ब्रह्मांड के अस्तित्व से भी अधिक समय लग जाएगा।

यहीं से इस कागज़ की कहानी शुरू होती है। शोधकर्ताओं, किंगदाओ यूनिवर्सिटी ऑफ टेक्नोलॉजी के शिनरोंग लियांग, लियांग कॉन्ग और झाओजुन झांग ने इस "घास के ढेर में सुई" वाली समस्या को बिना बहुत अधिक कंप्यूटर समय खर्च किए हल करना चाहा। उन्होंने "बेयसियन ऑप्टिमाइज़ेशन" (Bayesian Optimization) नामक एक विधि का उपयोग करके सर्वोत्तम स्टैकिंग क्रम का अनुमान लगाने का एक चतुर नया तरीका विकसित किया। इसे एक स्मार्ट जासूस की तरह समझें जो केवल बेतरतीब ढंग से अनुमान नहीं लगाता, बल्कि हर सुराग से सीखता है। जासूस एक "सरोगेट मॉडल" (surrogate model) बनाता है—घास के ढेर का एक सरलीकृत, तेज़ चलने वाला मानचित्र—जो यह भविष्यवाणी करने में मदद करता है कि सबसे अच्छी सुइयाँ कहाँ छिपी हो सकती हैं। लेकिन यहाँ एक मोड़ है: कागज़ की शीटों को स्टैक करना केवल इस बारे में नहीं है कि आपके पास कौन से रंग हैं; यह इस बारे में है कि वे कहाँ हैं। स्टैक के बिल्कुल बाहरी हिस्से पर स्थित एक शीट बीच में स्थित शीट की तुलना में झुकने (bending) के लिए बहुत अधिक मायने रखती है। इस शोध पत्र में उन्होंने दो स्टैक के बीच "अंतर" को मापने का एक नया तरीका पेश किया है, जो बाहरी परतों को अधिक महत्व देता है। उन्होंने एक नियम भी जोड़ा ताकि यह सुनिश्चित हो सके कि जासूस एक ही समय में दो लगभग समान स्टैक का परीक्षण न करे, जिससे खोज को अधिक विस्तार से खोजने के लिए मजबूर किया जा सके।

जासूस का नया मानचित्र: पोजीशन-वेटेड स्टैकिंग (Position-Weighted Stacking)

मुख्य समस्या जिसे टीम ने हल किया वह है एक कंपोजिट लैमिनेट के लिए आदर्श "स्टैकिंग सीक्वेंस" खोजना। वास्तविक दुनिया में, इन लैमिनेट्स को सख्त निर्माण नियमों का पालन करना होता है, जैसे कि सममित (symmetrical) होना (ऊपरी आधा हिस्सा निचले हिस्से का दर्पण होना) और एक ही कोण की बहुत अधिक परतों का एक साथ न होना। लक्ष्य संरचना की बकलिंग (दबाव के तहत झुकना और ढहना) का विरोध करने की क्षमता को अधिकतम करना और "बेंडिंग-ट्विस्टिंग कपलिंग" (bending-twisting coupling) नामक एक बुरी समस्या को कम करना है, जहाँ सामग्री को दबाने पर वह कॉर्कस्क्रू की तरह मुड़ जाती है।

इसे हल करने के लिए, लेखकों ने एक डिजिटल ढांचा बनाया जो एक हाई-स्पीड सिम्युलेटर के रूप में कार्य करता है। प्रत्येक संभावित स्टैक के लिए धीमे, भारी कंप्यूटर सिमुलेशन चलाने के बजाय, उन्होंने एक "सरोगेट मॉडल" का उपयोग किया। कल्पना कीजिए कि आप एक भूलभुलैया के माध्यम से सबसे अच्छा रास्ता खोजने की कोशिश कर रहे हैं। हर रास्ते पर चलने के बजाय, आप एक त्वरित रेखाचित्र बनाते हैं जो उन रास्तों पर आधारित है जिन्हें आपने पहले ही आज़माया है। यह रेखाचित्र भविष्यवाणी करता है कि कौन से अनछुए रास्ते आशाजनक दिखते हैं। इस शोध पत्र में, यह "रेखाचित्र" एक गौसियन प्रोसेस (Gaussian Process) है, जो एक सांख्यिकीय उपकरण है जो एक नए स्टैक के परिणाम की भविष्यवाणी इस आधार पर करता है कि वह उन स्टैक के कितने समान है जिनका कंप्यूटर ने पहले ही परीक्षण किया है।

लेकिन पिछले "रेखाचित्रों" के साथ एक समस्या थी। उन्होंने स्टैक में प्रत्येक परत को उतना ही महत्वपूर्ण माना जितना कि अन्य। लेखकों ने महसूस किया कि यह गलत था। भौतिकी में, एक बीम के बाहरी हिस्से की परतें केंद्र की परतों की तुलना में इसकी कठोरता में बहुत अधिक योगदान देती हैं। इसे ठीक करने के लिए, उन्होंने एक पोजीशन-वेटेड सीक्वेंस-कर्नेल (Position-Weighted Sequence-Kernel) का आविष्कार किया।

यहाँ उपमा है: कल्पना कीजिए कि आप दो अलग-अलग सैंडविचों का मूल्यांकन कर रहे हैं। एक में सबसे ऊपर और नीचे हैम का एक स्लाइस है, जबकि दूसरे में हैम बीच में छिपा हुआ है। भले ही दोनों सैंडविच में समान सामग्रियां हों, लेकिन बाहरी हिस्से में हैम वाला सैंडविच बहुत अलग (स्वाद और प्रदर्शन में) होता है। उनके द्वारा बनाया गया नया तरीका इसे समझता है। यह दो स्टैकिंग अनुक्रमों के बीच की "दूरी" को मापता है, लेकिन बाहरी परतों में अंतर को एक बड़ी बात मानता है, जबकि मध्य परतों में अंतर को एक छोटी बात मानता है। यह कंप्यूटर के "मानचित्र" को स्टैक की भौतिकी को पहले की तुलना में बहुत बेहतर ढंग से समझने की अनुमति देता है।

स्मार्ट खोज: केवल अनुमान लगाना नहीं, बल्कि सीखना

एक बार मानचित्र बन जाने के बाद, टीम को घास के ढेर को खोजने के लिए एक रणनीति की आवश्यकता थी। उन्होंने "अपर कॉन्फिडेंस बाउंड" (Upper Confidence Bound - UB) के साथ बेयसियन ऑप्टिमाइज़ेशन नामक रणनीति का उपयोग किया। इसे "हॉट एंड कोल्ड" (Hot and Cold) के खेल के रूप में समझें। कंप्यूटर अपने मानचित्र को देखता है और दो प्रश्न पूछता है: "मुझे कहाँ लगता है कि सबसे अच्छा स्टैक है?" और "मैं कहाँ सबसे अधिक भ्रमित हूँ?"

UCB रणनीति इन दोनों के बीच संतुलन बनाती है। यह एक ऐसी जगह चुनती है जो या तो बहुत अच्छी दिखती है (उच्च अनुमानित स्कोर) या जहाँ बहुत अनिश्चितता है (आश्चर्य की उच्च संभावना)। यह सुनिश्चित करता है कि खोज एक छोटे से क्षेत्र में न फंस जाए बल्कि नई संभावनाओं को तलाशती रहे।

हालाँकि, टीम ने एक खामी देखी कि कैसे वे आमतौर पर एक साथ कई उम्मीदवारों को चुनते हैं (बैच सैंपलिंग)। यदि वे केवल शीर्ष 5 "सबसे गर्म" स्थानों को चुनते हैं, तो वे ऐसे 5 स्टैक चुन सकते हैं जो लगभग एक जैसे हों, जिनमें केवल मामूली और बेकार अंतर हों। यह 5 जासूसों को एक ही गली की जाँच करने के लिए भेजने जैसा होगा। इसे ठीक करने के लिए, उन्होंने एक मिनिमम विदिन-बैच सीक्वेंस-डिस्टेंस कंस्ट्रेंट (Minimum Within-Batch Sequence-Distance Constraint) जोड़ा।

यह नियम कहता है: "आप सर्वश्रेष्ठ उम्मीदवार चुन सकते हैं, लेकिन आपको यह भी सुनिश्चित करना होगा कि वे एक-दूसरे से पर्याप्त रूप से भिन्न हों।" यदि कोई उम्मीदवार पहले से चुने गए बैच के बहुत समान है, तो कंप्यूटर उसे छोड़ देता है और अगले सबसे अच्छे विकल्प को देखता है जो उससे दूर है। यह प्रत्येक परीक्षण दौर के साथ खोज को "घास के ढेर" में अधिक क्षेत्र कवर करने के लिए मजबूर करता है, जिससे प्रक्रिया बहुत अधिक कुशल हो जाती है।

उन्होंने क्या पाया: स्मार्ट, तेज़ और अधिक स्थिर

शोधकर्ताओं ने अपनी नई विधि का परीक्षण पुरानी तकनीकों के विरुद्ध किया, जिसमें रैंडम गेसिंग (बेतरतीब अनुमान) और मानक जेनेटिक एल्गोरिदम (जो विकास की नकल करते हैं) शामिल हैं। उन्होंने विभिन्न परतों की संख्या (16 से 40 तक) और अनुमत कोणों के विभिन्न सेटों के साथ सिमुलेशन चलाए।

परिणाम स्पष्ट थे। उनकी नई पोजीशन-वेटेड सीक्वेंस-कर्नेल विधि ने अन्य तरीकों की तुलना में लगातार बेहतर स्टैकिंग अनुक्रम तेजी से खोजे।

• बेहतर सटीकता: जब उन्होंने कंप्यूटर के "रेखाचित्र" की वास्तविक भौतिकी से तुलना की, तो नए तरीके ने पुराने तरीकों की तुलना में, जो परतों की स्थिति को अनदेखा करते थे, परिणामों की अधिक सटीक भविष्यवाणी की और स्टैक को सही क्रम में रैंक किया।
• दक्षता: 140 "प्रयासों" (कंप्यूटर समय के सीमित बजट) के एक परीक्षण में, उनकी विधि ने मानक चार-कोण सेट के लिए 5 में से 4 रन (80%) में सबसे अच्छा संभव स्टैक पाया, और अधिक जटिल आठ-कोण सेट के लिए 100% सफलता दर (5 में से 5 रन) हासिल की। इसके विपरीत, रैंडम गेसिंग ने मानक सेट में केवल 20% सफलता प्राप्त की।
• स्थिरता: यह विधि केवल भाग्यशाली नहीं थी; यह विश्वसनीय थी। चाहे उन्होंने किसी भी अलग रैंडम सीड से शुरुआत की हो, परिणाम लगातार उच्च रहे।
• "ट्विस्ट" कारक: अपने लक्ष्य में "बेंडिंग-ट्विस्टिंग कपलिंग" के लिए दंड (penalty) शामिल करके, उन्होंने सफलतापूर्वक ऐसे स्टैक खोजे जो न केवल मजबूत थे बल्कि दबने पर मुड़ते भी नहीं थे। उन्होंने पाया कि एक मध्यम दंड गुणांक (एक विशिष्ट संख्या जिसका उपयोग उन्होंने लक्ष्यों को संतुलित करने के लिए किया) ने बकलिंग स्ट्रेंथ के एक बहुत छोटे हिस्से (0.35%) को खोए बिना ट्विस्टिंग को लगभग 49% कम कर दिया।

यह सुनिश्चित करने के लिए कि उनका "रेखाचित्र" झूठ नहीं बोल रहा है, उन्होंने अपने द्वारा खोजे गए सर्वश्रेष्ठ स्टैक को अबाकस (Abaqus) नामक एक भारी-भरकम, वास्तविक दुनिया के भौतिकी सिमुलेशन के माध्यम से चलाया। परिणामों ने एक मजबूत सहसंबंध दिखाया: उनके द्वारा चुने गए स्टैक ने विस्तृत सिमुलेशन में सबसे अच्छा प्रदर्शन किया। हालांकि सरल कंप्यूटर "रेखाचित्र" और भारी-भरकम सिमुलेशन के बीच पूर्ण मिलान नहीं था (कुछ भविष्यवाणी पूर्वाग्रह था), नए तरीके द्वारा पहचाने गए उच्च-प्रदर्शन वाले स्टैक लगातार उच्च-प्रदर्शन वाले क्षेत्र में रहे, जो सर्वोत्तम डिज़ाइनों को खोजने के लिए ढांचे की क्षमता की पुष्टि करते हैं।

निष्कर्ष

यह शोध पत्र यह दावा नहीं करता है कि इसने इंजीनियरिंग की हर समस्या को हल कर दिया है। लेखक सावधानीपूर्वक नोट करते हैं कि उनकी विधि सरल भौतिकी मॉडल पर निर्भर करती है और अभी तक वास्तविक दुनिया के निर्माण दोषों या जटिल क्षति परिदृश्यों पर इसका परीक्षण नहीं किया गया है। हालाँकि, कंप्यूटर सिमुलेशन की दुनिया के भीतर, उन्होंने एक महत्वपूर्ण सुधार प्रदर्शित किया है।

कंप्यूटर को यह सिखाकर कि परतों के स्थान के बारे में कैसे परवाह की जाए, न कि केवल यह कि वे क्या हैं, और खोज को विविध विकल्पों को देखने के लिए मजबूर करके, उन्होंने एक ऐसा उपकरण बनाया है जो सबसे अच्छे कंपोजिट डिज़ाइन तेजी से और अधिक विश्वसनीयता के साथ खोजता है। यह एक याद दिलाता है कि कभी-कभी, एक विशाल पहेली को हल करने की कुंजी केवल अधिक मेहनत से देखना नहीं है, बल्कि स्मार्ट तरीके से देखना है—यह समझना कि स्टैक की बाहरी परतें वास्तव में सबसे अधिक मायने रखती हैं।