Federated Scientific Machine Learning Framework for Multi-Scale Inverse Parameter Identification: Application to Nonlocal Strain Gradient Plasticity
यह अध्ययन एक नवीन इनवर्स फेडरेटेड साइंटिफिक मशीन लर्निंग (I-FedSciML) ढांचे को प्रस्तुत करता है जो कच्चे डेटा को केंद्रीकृत किए बिना, विविध सूक्ष्म-स्तरीय प्रयोगात्मक डेटासेट्स के माध्यम से नॉनलोकल स्ट्रेन ग्रेडिएंट प्लास्टिसिटी मॉडल मापदंडों के गोपनीयता-संरक्षित, सहयोगात्मक अंशांकन को सक्षम बनाता है, जो महत्वपूर्ण शोर की स्थितियों में भी उच्च भविष्य कहनेवाला सटीकता प्राप्त करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
मानव बाल या रेत के कण के पैमाने पर, धातु के मुड़ने और खिंचने के नियमों को नियंत्रित करने वाले नियम बदलने लगते हैं। रोज़मर्रा की दुनिया में, एक ही सामग्री के एक मोटे स्टील बीम और एक पतले स्टील तार को मोड़ने पर समान व्यवहार करना चाहिए; उनकी मजबूती धातु का एक निश्चित गुण है। लेकिन जब वैज्ञानिक धातु के नमूने के आकार को सूक्ष्म स्तर तक छोटा कर देते हैं, तो वे कुछ अप्रत्याशित पाते हैं: नमूना जितना छोटा होता है, वह उतना ही मजबूत हो जाता है। एक छोटी तार एक मोटे तार की तुलना में बहुत अधिक मरोड़ने का विरोध करती है, और एक सूक्ष्म बीम झुकने का विरोध उस बल के साथ करती है जिसे शास्त्रीय भौतिकी (classical physics) समझा नहीं सकती। यह घटना, जिसे 'आकार-निर्भर प्लास्टिकता' (size-dependent plasticity) कहा जाता है, इसलिए होती है क्योंकि धातु की आंतरिक संरचना—विशेष रूप से सूक्ष्म दोष जिन्हें 'डिसलोकेशन' (dislocations) कहा जाता है जो इसे विकृत होने देते हैं—तब अलग तरह से संचित होती है जब नमूना इतना छोटा होता है। इन सूक्ष्म संरचनाओं के व्यवहार की भविष्यवाणी करने के लिए, इंजीनियर जटिल गणितीय मॉडल का उपयोग करते हैं जिनमें इस अतिरिक्त मजबूती को ध्यान में रखने के लिए एक विशेष "लंबाई पैमाना" (length scale) शामिल होता है। हालाँकि, इन मॉडलों के लिए सटीक संख्याएँ निर्धारित करना एक कठिन समस्या रही है। इन्हें कैलिब्रेट करने के लिए आवश्यक डेटा विभिन्न प्रयोगशालाओं में किए गए नाजुक प्रयोगों से आता है, जो अक्सर अलग-अलग सामग्रियों पर आधारित होता है, और परिणाम विरल और बिखरे हुए होते हैं। पारंपरिक रूप से, शोधकर्ताओं को प्रत्येक प्रयोग का अलग-थलग विश्लेषण करना पड़ता था, जिससे अक्सर इस बात पर अनिश्चित या विरोधाभासी उत्तर मिलते थे कि सामग्री वास्तव में क्या कर रही है।
शोधकर्ताओं की एक टीम ने अब इन बिखरे हुए प्रयोगों को बिना उनके कच्चे डेटा (raw data) को हिलाए-डुलाए, इस पहेली को सुलझाने का एक नया तरीका प्रस्तावित किया है। उन्होंने 'इनवर्स फेडरेटेड साइंटिफिक मशीन लर्निंग' (inverse federated scientific machine learning) नामक एक प्रणाली विकसित की है, जो एक ऐसी विधि है जो कई कंप्यूटरों को एक-दूसरे से सीखने की अनुमति देती है जबकि उनकी निजी जानकारी सुरक्षित रहती है। कल्पना कीजिए कि विभिन्न देशों के वैज्ञानिकों का एक समूह है, जिनमें से प्रत्येक के पास धातु के एक टुकड़े पर अपने अद्वितीय प्रयोगात्मक परिणाम हैं। अपने संवेदनशील डेटा को एक केंद्रीय सर्वर पर भेजने के बजाय जहाँ उसे खोया या चुराया जा सकता है, वे केवल वे "पाठ" (lessons) भेजते हैं जो उन्होंने अपने स्वयं के डेटा से सीखे हैं। समन्वयक इन पाठों को मिलाकर एक समझ विकसित करता है, जो अधिक स्मार्ट और साझा होती है, जिसे फिर वैज्ञानिकों को उनके स्थानीय मॉडल को परिष्कृत करने के लिए वापस भेजा जाता है। इस अध्ययन में, शोधकर्ताओं ने इस दृष्टिकोण को एक 'नॉनलोकल स्ट्रेन ग्रेडिएंट प्लास्टिकिटी मॉडल' के छिपे हुए मापदंडों की पहचान करने के लिए लागू किया। उन्होंने प्रत्येक अलग प्रयोग को—चाहे वह निकेल की एक पतली बीम हो, तांबे का तार हो, या एल्युमीनियम की पन्नी—एक डिजिटल नेटवर्क में एक स्वतंत्र "क्लाइंट" के रूप में माना। सिस्टम ने प्रत्येक नमूने की विशिष्ट ज्यामिति, जैसे कि उसकी मोटाई और ग्रेन साइज (grain size), को सीधे उन विशिष्ट संख्याओं के साथ मैप करना सीखा जो उस धातु के सटीक टुकड़े के लिए भौतिक मॉडल को काम करने के योग्य बनाती हैं।
शोधकर्ताओं ने इस ढांचे का परीक्षण चार अलग-अलग प्रकार के सूक्ष्म प्रयोगों के वास्तविक डेटा का उपयोग करके किया: एनेल्ड निकेल बीम को मोड़ना, LIGA निकेल फॉयल को मोड़ना, एल्युमीनियम बीम को मोड़ना, और पतले तांबे के तारों को मरोड़ना। प्रत्येक मामले में, सिस्टम ने हर एक प्रयोग के लिए मापदंडों का एक अनूठा सेट सफलतापूर्वक पहचाना, भले ही डेटा विभिन्न स्रोतों से आया हो और उसके आकार व प्रकार अलग-अलग हों। निकेल बीम के लिए, मॉडल ने सीखा कि सामग्री की मजबूती काफी हद तक इस बात पर निर्भर थी कि बीम कितनी मोटी थी, जिससे उसने उच्च सटीकता के साथ प्रयोगात्मक वक्रों (experimental curves) को सटीक रूप से पुनरुत्पादित किया। तांबे के तारों के मामले में भी यही हुआ; सिस्टम ने सही ढंग से भविष्यवाणी की कि विभिन्न व्यास के तारों को मरोड़ने के लिए कितने बल की आवश्यकता होती है, और तनाव के तहत उनके सख्त होने के सूक्ष्म अंतरों को पकड़ा। परिणाम उल्लेखनीय रूप से सटीक थे, मॉडल की भविष्यवाणियाँ प्रयोगात्मक मापों के इतने करीब थीं कि सांख्यिकीय त्रुटि अक्सर एक प्रतिशत से भी कम थी। यह सुझाव देता है कि सिस्टम प्रभावी रूप से उस भौतिकी को सीख सकता है कि आकार सामग्री के व्यवहार को कैसे बदलता है, भले ही डेटा अव्यवस्थित हो या बहुत अलग सेटअप से आया हो।
इस पद्धति को मजबूत बनाने के लिए, शोधकर्ताओं ने यह भी परीक्षण किया कि यह 'नॉइज़' (noise/शोर) को कितनी अच्छी तरह संभालता है, जो वास्तविक प्रयोगशालाओं में होने वाली छोटी माप त्रुटियों का अनुकरण है। उन्होंने डेटा में एक प्रतिशत से दस प्रतिशत तक की कृत्रिम त्रुटियां डालीं ताकि यह देखा जा सके कि क्या यह प्रणाली विफल हो जाती है। दस प्रतिशत शोर के साथ भी, जो कि त्रुटि की एक महत्वपूर्ण मात्रा है, ढांचा स्थिर रहा। हालांकि भविष्यवाणियां थोड़ी कम सटीक हो गईं और पहचाने गए नंबरों में थोड़ा अधिक उतार-चढ़ाव दिखा, फिर भी सिस्टम ने सामग्रियों के व्यवहार के मुख्य रुझानों को पकड़ लिया। यह निरर्थक परिणामों में नहीं बदला; इसके बजाय, इसने हस्तक्षेप के बावजूद सामग्री के गुणों का एक विश्वसनीय अनुमान प्रदान किया। वास्तविक दुनिया के अनुप्रयोग के लिए यह लचीलापन अत्यंत महत्वपूर्ण है, जहाँ प्रयोगात्मक डेटा शायद ही कभी पूर्ण होता है। यह अध्ययन प्रदर्शित करता है कि विविध, वितरित प्रयोगों से सीखकर जटिल भौतिक समस्याओं को हल करने के लिए एक सहयोगात्मक, गोपनीयता-संरक्षण नेटवर्क बनाना संभव है। अपने डेटा को स्थानीय रखते हुए और केवल सीखे गए अंतर्दृष्टि को साझा करके, यह दृष्टिकोण वैज्ञानिकों को उनके प्रयोगात्मक परिणामों की सुरक्षा या स्वामित्व से समझौता किए बिना उन्नत सामग्री मॉडलों को कैलिब्रेट करने का एक नया मार्ग प्रदान करता है। यह कार्य यह दावा नहीं करता है कि इसने सामग्री विज्ञान की हर समस्या को हल कर दिया है, बल्कि यह सूक्ष्म दुनिया के व्यवहार को समझने के लिए एक शक्तिशाली नया उपकरण प्रदान करता है, जो विभिन्न शोध समूहों के बीच की सीमाओं का सम्मान करते हुए उनके ज्ञान को एकजुट करता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।