Machine-learning-based prediction of the mechanical properties of particulate-filled polymer composites

कल्पना कीजिए कि आप एक शेफ हैं जो एक आदर्श, सुपर-स्ट्रॉन्ग कुकी बनाने की कोशिश कर रहे हैं। आपके पास नरम आटे का एक कटोरा (पॉलिमर) है और चॉकलेट चिप्स की एक बाल्टी (कण) है। यदि आप इसमें बस मुट्ठी भर चिप्स डाल देते हैं, तो कुकी ठीक हो सकती है, लेकिन यदि आप इसमें पहाड़ों के बराबर चिप्स डाल देते हैं, तो आटा उन्हें एक साथ थाम नहीं पाता, और कुकी टूट जाती है। यदि चिप्स बहुत बड़े हैं, तो वे संरचना में छेद कर देते हैं; यदि वे बहुत छोटे हैं, तो वे चीनी के जिद्दी ढेले की तरह आपस में जुड़ सकते हैं। दशकों तक, चिप्स की सटीक मात्रा, उनका सही आकार और उन्हें कितनी देर तक मिलाना है, यह तय करना 'ट्रायल एंड एरर' (परीक्षण और त्रुटि) का खेल रहा है—सैकड़ों बैच बनाना, उन्हें तोड़ना और बेहतर होने की उम्मीद करना। यह "पार्टिकुलेट-फिल्ड पॉलिमर कंपोजिट" की दुनिया है, जिनका उपयोग हवाई जहाज के पुर्जों से लेकर तेजी से उपकरण बनाने तक में किया जाता है। वैज्ञानिक लंबे समय से जानते हैं कि इन सामग्रियों को मिलाने से अंतिम उत्पाद की मजबूती बदल जाती है, लेकिन हर संभावना को खुद बनाकर देखे बिना सटीक परिणाम का अनुमान लगाना एक बड़ा सिरदर्द रहा है।

यहाँ प्रवेश होता है डिजिटल 'सू-शेफ' (sous-chef) का: मशीन लर्निंग। हाथ से आटा गूंथने के बजाय, शोधकर्ता कंप्यूटर को उनके दिमाग में रेसिपी का स्वाद चखना सिखा रहे हैं। कंप्यूटर को हजारों उदाहरण खिलाकर कि क्या काम आया और क्या नहीं, कंप्यूटर उन छिपे हुए पैटर्न को पहचानना सीख जाता है जिन्हें मानवीय आँखें शायद मिस कर दें। यह एक छात्र को पहले से बनी हर कुकी की लाइब्रेरी देने और उससे सबसे मजबूत कुकी का गुप्त फॉर्मूला अनुमान लगाने के लिए कहने जैसा है। यह केवल कुकीज़ के बारे में नहीं है; यह एयरोस्पेस और विनिर्माण के लिए उन्नत सामग्रियां डिजाइन करने के बारे में है जो हल्की, मजबूत और अधिक विश्वसनीय हों। बड़ा सवाल यह है: क्या कंप्यूटर उस "स्वीट स्पॉट" (सही संतुलन) को सीख सकता है जहाँ कण और रेजिन मिलकर पूरी तरह काम करते हैं, और क्या वह हमें बता सकता है कि वहां तक पहुँचने के लिए उन्हें ठीक से कैसे मिलाया जाए?

इस अध्ययन में, जियांग्सू यूनिवर्सिटी ऑफ टेक्नोलॉजी और चाइना एकेडमी ऑफ मशीनरी साइंस एंड टेक्नोलॉजी ग्रुप के शोधकर्ताओं की एक टीम ने कंप्यूटर को कमान संभालने का निर्णय लिया। उन्होंने एक विशिष्ट प्रकार के "कुकी" पर ध्यान केंद्रित किया: एक मेटल-पाउडर/रेज़िन कंपोजिट। उन्होंने 25 अलग-अलग प्रयोगों से डेटा एकत्र किया जहाँ उन्होंने तीन मुख्य सामग्रियों में बदलाव किया: मिश्रण में धातु पाउडर की मात्रा (वॉल्यूम फ्रैक्शन), पाउडर के कणों का आकार (पार्टिकल साइज), और बॉल मिल में मिलाने का समय (बॉल-मिलिंग टाइम)। फिर उन्होंने इस डेटा को तीन अलग-अलग "डिजिटल दिमागों" (मशीन लर्निंग एल्गोरिदम) में डाला यह देखने के लिए कि कौन सा तन्य शक्ति (tensile strength - यानी खींचने वाले बल को सहने की क्षमता) का सबसे अच्छा अनुमान लगा सकता है।

शोधकर्ताओं ने तीन अलग-अलग तरीकों का परीक्षण किया: एक सरल रैखिक मॉडल जिसे LASSO कहा जाता है, एक "पड़ोस" शैली का मॉडल जिसे KNN कहा जाता है, और एक अधिक जटिल, लचीला मॉडल जिसे सपोर्ट वेक्टर रिग्रेशन (SVR) कहा जाता है। LASSO को एक ऐसे छात्र के रूप में सोचें जो डेटा में केवल सीधी रेखाएं देखता है, KNN को एक ऐसे छात्र के रूप में जो इस आधार पर अनुमान लगाता है कि उसके पिछले समान प्रयोगों ने क्या किया था, और SVR को एक ऐसे छात्र के रूपά जो डेटा को पूरी तरह से फिट करने के लिए जटिल, घुमावदार वक्र (curves) बना सकता है। परिणाम स्पष्ट थे: सरल रैखिक छात्र (LASSO) संघर्ष कर रहा था, वह लगभग आधी बार गलत उत्तर दे रहा था। पड़ोस वाले छात्र (KNN) ने बेहतर प्रदर्शन किया, लेकिन SVR छात्र असली सितारा था। इसने शक्ति का अनुमान 0.95 की सटीकता (R²) के साथ लगाया, जिसका अर्थ है कि यह वास्तविक दुनिया के प्रयोगों के लगभग सटीक था।

शोधकर्ताओं ने केवल भविष्यवाणी करने पर ही नहीं रोका; वे अनुकूलन (optimize) भी करना चाहते थे। उन्होंने एक "जेनेटिक एल्गोरिदम" (GA) का उपयोग किया, जो एक डिजिटल विकास सिम्युलेटर (evolution simulator) के रूप में कार्य करता है। कल्पना कीजिए कि 500 वर्चुअल रेसिपी की एक आबादी है। कंप्यूटर सबसे मजबूत रेसिपी चुनता है, उनकी सामग्रियों को मिलाता है (क्रॉसओवर), और कभी-कभी यह देखने के लिए एक रैंडम बदलाव (म्यूटेशन) डालता है कि क्या यह और भी बेहतर हो सकता है। 500 पीढ़ियों के बाद, इस डिजिटल विकास ने "परफेक्ट रेसिपी" तैयार की। कंप्यूटर ने सुझाव दिया कि सबसे मजबूत कंपोजिट 34.9% के पार्टिकल वॉल्यूम फ्रैक्शन, 32.3 μm के पार्टिकल साइज और 3.6 घंटे के बॉल-मिलिंग समय के साथ बनाया जाएगा।

यह देखने के लिए कि क्या यह डिजिटल रेसिपी वास्तव में काम करती है, टीम ने इन सटीक नंबरों का उपयोग करके तीन वास्तविक नमूने बनाए। परिणाम रोमांचक थे: वास्तविक नमूनों की तन्य शक्ति (tensile strength) 64.15, 63.49 और 62.76 MPa थी। यह कंप्यूटर के 63.72 MPa के अनुमान के अविश्वसनीय रूप से करीब था, जिसमें त्रुटि 0.36% जितनी कम थी। अध्ययन ने सामग्री के कुछ दिलचस्प "फ्लेवर प्रोफाइल" भी प्रकट किए: जैसे-जैसे उन्होंने अधिक कण जोड़े, मजबूती बढ़ी, लेकिन केवल एक बिंदु (लगभग 35%) तक; बहुत अधिक जोड़ने से वह कमजोर हो गई। इसी तरह, पार्टिकल साइज का भी एक स्वीट स्पॉट 32.3 μm के आसपास था; बहुत छोटा या बहुत बड़ा होने पर, मजबूती गिर गई। मिक्सिंग टाइम भी मायने रखता था, लेकिन थोड़ा ही—बहुत अधिक मिक्सिंग ने वास्तव में मजबूती को थोड़ा नुकसान पहुँचाया।

अंततः, यह पेपर दिखाता है कि हमें सुपर-स्ट्रॉन्ग सामग्रियां बनाने के लिए केवल अनुमान या अंतहीन ट्रायल-एंड-एरर पर निर्भर रहने की आवश्यकता नहीं है। मशीन लर्निंग का उपयोग करके, विशेष रूप से जेनेटिक एल्गोरिदम द्वारा ट्यून किए गए SVR मॉडल का उपयोग करके, वैज्ञानिक मेटल-पाउडर/रेज़िन कंपोजिट के लिए एकदम सही रेसिपी तेजी से खोज सकते हैं। अध्ययन बताता है कि यह दृष्टिकोण न केवल अत्यधिक सटीक है, बल्कि इंजीनियरों की अगली पीढ़ी को वास्तविक दुनिया की सामग्री समस्याओं को हल करने के लिए आर्टिफिशियल इंटेलिजेंस का उपयोग करने के लिए शिक्षित करने का एक शक्तिशाली उपकरण भी है। कंप्यूटर ने केवल अनुमान नहीं लगाया; इसने खेल के नियमों को सीखा और जीतने वाला कदम खोजा, यह साबित करते हुए कि जब धातु और रेज़िन को मिलाने की बात आती है, तो थोड़ी सी डिजिटल बुद्धिमत्ता बहुत काम आती है।