Machine Learning-Based Prediction and Optimization of Ship Design Particulars for CO₂ Emission Reduction

समुद्र की कल्पना एक विशाल, हलचल भरे राजमार्ग के रूप में करें जहाँ विशाल जहाज ट्रक और बसें हैं, जो आपके स्नीकर्स से लेकर आपके भोजन तक सब कुछ ले जा रहे हैं। दशकों से, जो लोग इन जहाजों को डिजाइन करते हैं—नौसेना वास्तुकार (naval architects)—वे एक सटीक रेसिपी को पूर्ण करने की कोशिश करने वाले मास्टर शेफ की तरह रहे हैं। वे पुराने जमाने की कुकबुक (भौतिकी समीकरणों) और स्वाद परीक्षण (परीक्षण और त्रुटि) का उपयोग यह पता लगाने के लिए करते हैं कि जहाज कितना बड़ा होना चाहिए, उसे पानी में कितनी गहराई तक बैठना चाहिए, और इसके इंजन को कितना ईंधन जलाना चाहिए। लेकिन दुनिया बदल रही है। "क्लाइमेट पुलिस" (अंतर्राष्ट्रीय नियामक) अब यह मांग कर रहे हैं कि ये जहाज कम प्रदूषण फैलाएं, और पुरानी कुकबुक कभी-कभी बहुत धीमी या बहुत सरल होती है, जो विभिन्न प्रकार के जहाजों, विशेष रूप से छोटे जहाजों को संभालने के लिए सक्षम नहीं है जो नदियों और तटों के आसपास दौड़ते हैं।

यहाँ मशीन लर्निंग का प्रवेश होता है, जो एक डिजिटल प्रशिक्षु (apprentice) है जो एक सेकंड में हज़ार रेसिपी का स्वाद ले सकता है और उन पैटर्न को पहचान सकता है जिन्हें इंसान शायद मिस कर दें। इसे एक सुपर-स्मार्ट जासूस के रूप में सोचें जो जहाजों के वास्तविक व्यवहार के बारे में डेटा के ढेर को देखता है और एक भी धातु का टुकड़ा काटने से पहले एक आदर्श डिजाइन का अनुमान लगाने की कोशिश करता है। बड़ा सवाल केवल यह नहीं है कि "क्या हम एक जहाज बना सकते हैं?" बल्कि यह है कि "क्या हम एक ऐसा जहाज बना सकते हैं जो हमें वहां तक पहुँचा सके बिना ग्रह को जलाए?" यहीं कहानी रोमांचक हो जाती है: अतीत से सीखने के लिए कंप्यूटर का उपयोग करके एक स्वच्छ भविष्य का निर्माण करना।

जहाज डिजाइनर का नया क्रिस्टल बॉल

इस अध्ययन में, बांग्लादेश के शोधकर्ताओं की एक टीम ने निर्णय लिया कि वे जहाज डिजाइनरों को एक गंभीर अपग्रेड देंगे। केवल पारंपरिक गणित पर निर्भर रहने के बजाय, उन्होंने मशीन लर्निंग का उपयोग करके एक डिजिटल "क्रिस्टल बॉल" बनाया। उन्होंने अपने कंप्यूटर को तीन बहुत अलग प्रकार के जहाजों के डेटा की एक विशाल लाइब्रेरी दी: कार्गो वेसल्स (भारी माल वाहक), ऑयल टैंकर (तरल वाहक), और पैसेंजर शिप (नदी की बसें)। वे यह देखना चाहते थे कि क्या कंप्यूटर कुछ बुनियादी तथ्यों को देख सकता है—जैसे कि जहाज कितना बड़ा है, उसकी गति कितनी है, और वह कितना वजन ढोता है—और फिर सटीक डिजाइन विवरणों की भविष्यवाणी कर सकता है, विशेष रूप से कितने इंजन पावर की आवश्यकता है।

शोधकर्ताओं ने केवल एक अनुमान लगाने वाला खेल नहीं चुना; उन्होंने चार अलग-अलग प्रकार के AI जासूसों के बीच चार-तरफा दौड़ आयोजित की:

1. आर्टिफिशियल न्यूरल नेटवर्क (ANN): इसे कई परतों वाले मस्तिष्क के रूप में सोचें, जो जटिल, टेढ़े-मेढ़े पैटर्न को पहचानने में माहिर है।
2. रैंडम फॉरेस्ट (RF): विशेषज्ञों की एक भीड़ की कल्पना करें जो उत्तर पर मतदान कर रही है; यह बहुत स्थिर है और इसे धोखा देना कठिन है।
3. सपोर्ट वेक्टर रिग्रेशन (SVR): एक तेज, सटीक उपकरण जो सबसे अच्छे उत्तरों को बाकी सब से अलग करने के लिए एक रेखा खींचता है।
4. गौसियन प्रोसेस रिग्रेशन (GPR): सतर्क गणितज्ञ जो न केवल एक उत्तर देता है बल्कि यह भी कहता है, "मुझे इस बारे में यकीन है, लेकिन यहाँ संभावनाओं की एक सीमा भी है।"

बड़ी खोज: आसान और कठिन
जब दौड़ शुरू हुई, तो परिणाम आश्चर्यजनक रूप से स्पष्ट थे। AI जासूस इंजन पावर की भविष्यवाणी करने में अद्भुत थे। यदि आप उन्हें जहाज का आकार और गति बताते, तो वे अविश्वसनीय सटीकता के साथ इंजन के आकार का अनुमान लगा सकते थे। यह वैसा ही है जैसे यदि आप किसी कार के वजन और गति को देख सकें और तुरंत जान सकें कि उसके इंजन को कितना बड़ा होना चाहिए।

हालाँकि, वे एक विशिष्ट विवरण के साथ एक दीवार से टकरा गए: ब्लॉक कोएफिशिएंट (block coefficient)। सरल शब्दों में, यह एक संख्या है जो बताती है कि जहाज का पानी के नीचे का आकार कितना "बॉक्सी" (डिब्बे जैसा) या "स्ट्रीमलाइन्ड" (सुव्यवस्थित) है। AI इस बात का सीधे अनुमान लगाने में संघर्ष कर गया। यह एक गुप्त वस्तु के सटीक आकार का अनुमान लगाने जैसा है जिसे केवल उसके वजन को महसूस करके लगाया जाता है; इसमें बहुत सारे चर (variables) एक साथ क्रिया करते हैं।

चतुर समाधान
यहीं पर शोधकर्ता रचनात्मक हुए। चूंकि AI "बॉक्सीनेस" (डिब्बे जैसा आकार) का सीधे अनुमान लगाने में बुरा था, इसलिए उन्होंने खेल बदल दिया। AI से आकार का अनुमान लगाने के बजाय, उन्होंने उससे डिस्प्लेसमेंट (वह मात्रा जो जहाज पानी को हटाता है, जो मूल रूप से पानी में उसका वजन है) का अनुमान लगाने के लिए कहा। AI इसमें शानदार था! एक बार जब कंप्यूटर को वजन पता चल गया, तो शोधकर्ताओं ने एक सरल भौतिकी नियम का उपयोग करके वहां से "बॉक्सीनेस" की गणना की। यह यह समझने जैसा था कि आप केक के आकार का सीधा अनुमान नहीं लगा सकते, लेकिन यदि आप सामग्री के वजन का अनुमान लगाते हैं, तो आप आकार आसानी से निकाल सकते हैं। इस दो-चरणीय ट्रिक ने पूरी डिजाइन प्रक्रिया को अधिक विश्वसनीय और भौतिक रूप से तर्कसंगत बना दिया।

दौड़ का विजेता
तो, कौन सा AI जासूस जीता? यह जहाज पर निर्भर करता है।

• गौसियन प्रोसेस रिग्रेशन (GPR) सबसे सुसंगत ऑल-राउंडर था, जिसने सभी प्रकार के जहाजों के लिए अच्छा प्रदर्शन किया।
• सपोर्ट वेक्टर रिग्रेशन (SVR) ऑयल टैंकरों के लिए स्टार रहा।
• रैंडम फॉरेस्ट पैसेंजर जहाजों के लिए सबसे स्थिर था।
• न्यूरल नेटवर्क जटिल वक्रों को सीखने में अच्छे थे लेकिन सबसे सुसंगत नहीं थे।

पेपर सुझाव देता है कि हर जहाज के लिए काम करने वाला कोई एक "जादुई हथियार" वाला AI नहीं है। इसके बजाय, सबसे अच्छा दृष्टिकोण यह है कि विशिष्ट कार्य के लिए सही जासूस को चुना जाए।

भविष्यवाणी से अनुकूलन (Optimization) तक
अध्ययन केवल अनुमान लगाने पर नहीं रुका। शोधकर्ताओं ने अपने सर्वश्रेष्ठ प्रदर्शन करने वाले मॉडलों को एक "डिजाइन ऑप्टिमाइज़र" में डाला। एक वीडियो गेम की कल्पना करें जहाँ आपको एक जहाज बनाना होता है, लेकिन आपके पास ईंधन का एक सख्त बजट है। कंप्यूटर ने जहाज के डिजाइन को बदलने के लिए AI की भविष्यवाणियों का उपयोग किया—उसकी लंबाई, चौड़ाई या ड्राफ्ट को बदलना—जब तक कि उसे वह संस्करण न मिल गया जिसमें सबसे कम इंजन पावर का उपयोग होता है और फिर भी सभी सुरक्षा नियमों का पालन होता है।

परिणामों ने दिखाया कि कार्गो जहाजों के लिए, मॉडल अविश्वसनीय रूप से सटीक था (98.9% मिलान), और ऑयल टैंकरों तथा पैसेंजर जहाजों के लिए, यह अभी भी बहुत मजबूत था (लगभग 90% मिलान)। इसका मतलब है कि यह उपकरण केवल एक सैद्धांतिक खिलौना नहीं है; यह वास्तव में इंजीनियरों को ऐसे जहाज डिजाइन करने में मदद कर सकता है जो पहले स्केच से ही कम ईंधन जलाते हैं और कम CO₂ पैदा करते हैं।

एक कमी (The Catch)
शोधकर्ता अपने काम की सीमाओं के बारे में ईमानदार हैं। वे स्वीकार करते हैं कि उनका "क्रिस्टल बॉल" उनके क्षेत्र के विशिष्ट जहाजों के सेट पर प्रशिक्षित था। जबकि यह उनके लिए बहुत अच्छा काम करता है, वे 100% सुनिश्चित नहीं हो सकते कि यह पूरी तरह से अलग प्रकार के जहाज के लिए काम करेगा जिसे उन्होंने कभी नहीं देखा है। यह उस शेफ की तरह है जो बांग्लादेशी व्यंजन पकाने में मास्टर है; यदि उन्हें कभी आजमा हुआ कोई विशिष्ट फ्रांसीसी व्यंजन बनाने के लिए कहा जाए, तो उन्हें संघर्ष करना पड़ सकता है। पेपर सुझाव देता है कि हालांकि यह प्रारंभिक डिजाइन के लिए एक बड़ा कदम है, मॉडलों को दुनिया के हर जहाज के लिए भरोसेमंद होने से पहले और भी विविध डेटा पर परीक्षण करने की आवश्यकता है।

संक्षेप में, यह पेपर दिखाता है कि स्मार्ट AI के साथ थोड़ी सी चतुर भौतिकी ट्रिक्स को जोड़कर, हम ऐसे जहाज डिजाइन कर सकते हैं जो न केवल तेजी से बनाए जाते हैं, बल्कि ग्रह के लिए भी दयालु होते हैं। यह एक ऐसे भविष्य की ओर एक आशाजनक शुरुआत है जहाँ कल के जहाज उतने ही कुशल होंगे जितने कि वे शक्तिशाली हैं।