हवाई यात्रा और उड़ान, पंख के आकार और उसके ऊपर से गुजरने वाली हवा के बीच एक नाजुक संतुलन पर निर्भर करती है। जब एक पंख पूरी तरह से चिकना होता है, तो हवा उसके ऊपर एक स्थिर, अनुमानित धारा में बहती है, जिससे लिफ्ट (उठान) उत्पन्न होती है जो एक विमान को हवा में बनाए रखती है। हालाँकि, जब उस चिकनी सतह को किसी तीखे किनारे या हिंज वाले फ्लैप (hinged flap) द्वारा बाधित किया जाता है, तो हवा विक्षुब्ध हो सकती है और पंख से अलग हो सकती है, जिससे ड्रैग (कर्षण) पैदा होता है और दक्षता कम हो जाती है। यह समस्या छोटे उड़ने वाले यंत्रों, जैसे कि ड्रोन या माइक्रो-एयर व्हीकल के लिए विशेष रूप से गंभीर हो जाती है, जो कम गति पर संचालित होते हैं जहाँ हवा एक गैस की तुलना में एक गाढ़े तरल की तरह व्यवहार करती है। इन छोटे विमानों के लिए, पंख पर एक छोटा सा उभार या तीखा कोना भी प्रदर्शन में अत्यधिक कमी ला सकता है, जिससे समय से पहले स्टॉल (गति रुकना) या अत्यधिक ऊर्जा की खपत हो सकती है। इंजीनियरों ने लंबे समय से एक समाधान की तलाश की है: एक ऐसा पंख जो पक्षी के अपने पंखों को समायोजित करने की तरह सुचारू रूप से अपना आकार बदल सके, न कि कठोर, हिंज वाले हिस्सों पर निर्भर रहे जो सतह में अचानक व्यवधान पैदा करते हैं।

इस विचार को तलाशने के लिए, शोधकर्ताओं ने एक नया दृष्टिकोण अपनाया है जो भौतिकी के नियमों को आधुनिक कंप्यूटर लर्निंग की पैटर्न-पहचानने की शक्ति के साथ जोड़ता है। हर संभव पंख के आकार का परीक्षण करने के लिए हजारों महंगे और समय लेने वाले कंप्यूटर सिमुलेशन चलाने के बजाय, उन्होंने एक स्मार्ट कंप्यूटर मॉडल को प्रशिक्षित किया कि विभिन्न डिजाइन कैसे प्रदर्शन करेंगे। इसका लक्ष्य पंख के आकार को बदलने के दो विशिष्ट तरीकों की तुलना करना था: एक जो एक पारंपरिक, हिंज वाले फ्लैप का उपयोग करता है जिसमें एक तीखा कोना होता है, और दूसरा जो एक परवलयाकार (parabolic), या घुमावदार सतह का उपयोग करता है जो बिना किसी टूट-फूट के सुचारू रूप से मुड़ती है। मशीन को वायु प्रवाह के भौतिकी को समझने के लिए शिक्षित करके, शोधकर्ताओं ने एक ऐसा उपकरण बनाया जो तुरंत इन पंखों के प्रदर्शन की भविष्यवाणी कर सकता है, जिससे यह पता चलता है कि कौन सा डिजाइन छोटे विमानों के लिए वास्तव में सर्वोत्तम उड़ान विशेषताएँ प्रदान करता है।

यह अध्ययन NACA 2412 के रूप में ज्ञात एक क्लासिक डिजाइन पर आधारित एक विशिष्ट प्रकार के पंख पर केंद्रित था, जो विमानन में व्यापक रूप से उपयोग किया जाने वाला आकार है। शोधकर्ताओं ने इस बात की जांच की कि यह पंख कैसे व्यवहार करता है जब इसके ट्रेलिंग एज (trailing edge)—पंख का पिछला हिस्सा—को संशोधित किया जाता है। उन्होंने संशोधन के दो अलग-अलग तरीकों का परीक्षण किया। पहला तरीका, जिसे पारंपरिक फ्लैप कहा जाता है, एक मानक हिंज वाले नियंत्रण सतह की नकल करता है। यह पंख के कठोर हिस्से को ट्रेलिंग एज से जोड़ने के लिए सीधी रेखाओं का उपयोग करता है, जिससे उस पिवट पॉइंट (pivot point) पर एक तीखा, कोणीय ब्रेक बनता है जहाँ फ्लैप शुरू होता है। दूसरा तरीका, जिसे परवलयाकार फ्लैप (parabolic flap) के रूप में जाना जाता है, पंख के आकार को पुनर्वितरित करने के लिए एक गणितीय वक्र का उपयोग करता है। यह पंख के अगले हिस्से से लेकर पीछे तक एक निरंतर, चिकनी सतह बनाता है, जिससे तीखे कोने को पूरी तरह से समाप्त कर दिया जाता है। टीम ने लचीले खंड के तीन अलग-अलग लंबाई के लिए इन डिजाइनों का परीक्षण किया, जो रेनॉल्ड्स नंबर (Reynolds numbers) की एक सीमा को कवर करते हैं, जो विभिन्न गति और आकार पर वस्तु के चारों ओर हवा कैसे बहती है, इसका वर्णन करने वाले मान हैं। उन्होंने हवा के कोण और फ्लैप के विचलन की मात्रा को भी बदला, जिससे संभावित उड़ान स्थितियों का एक विशाल परिदृश्य तैयार हुआ।

अपने प्रेडिक्टिव मॉडल (भविष्यवाणी मॉडल) को बनाने के लिए, शोधकर्ताओं ने सबसे पहले ANSYS Fluent नामक एक शक्तिशाली कंप्यूटर सिमुलेशन टूल का उपयोग करके एक विशाल डेटासेट तैयार किया। यह सॉफ्टवेयर जटिल समीकरणों को हल करता है जो हवा की गति का वर्णन करते हैं, जिससे टीम को पंख पर लगने वाले लिफ्ट, ड्रैग और अन्य बलों की गणना करने की अनुमति मिलती है। ये 456 अलग-अलग परिदृश्यों के लिए प्रत्येक संयोजन को कवर करते थे। इन परिदृश्यों में दो प्रकार के फ्लैप, तीन अलग-अलग पंख की लंबाई और विभिन्न उड़ान कोणों के हर संयोजन को शामिल किया गया था। एक बार यह उच्च-सटीकता वाला डेटा एकत्र हो जाने के बाद, शोधकर्ताओं ने चार अलग-अलग प्रकार के मशीन लर्निंग मॉडल को प्रशिक्षित किया ताकि वे पंख के आकार और उसके प्रदर्शन के बीच के संबंध को सीख सकें। उन्होंने ऐसे मॉडल का परीक्षण किया जो निर्णय वृक्षों (decision trees) की तरह काम करते थे, अन्य जिन्होंने मस्तिष्क के समान कनेक्शन की परतों के माध्यम से सीखा, और एक परिष्कृत सांख्यिकीय विधि जिसने यह भी अनुमान लगाया कि इसकी भविष्यवाणियों के बारे में यह कितना अनिश्चित है। सबसे सफल मॉडल एक ग्रेडिएंट बूस्टिंग सिस्टम था, जिसने कदम-दर-कदम अपनी गलतियों को सुधारना सीखा, और अंततः यह भविष्यवाणी करने में अत्यधिक सटीक बन गया कि पंख उन स्थितियों में कैसा व्यवहार करेगा जिन्हें उसने पहले कभी नहीं देखा था।

इस प्रशिक्षण के परिणाम चौंकाने वाले थे। मशीन लर्निंग मॉडल ने सीखा कि चिकना, परवलयाकार फ्लैप लगातार पारंपरिक, हिंज वाले फ्लैप से बेहतर प्रदर्शन करता है। परीक्षण किए गए सर्वोत्तम मामले में, चिकने परवलयाकार डिजाइन ने 184.6 का लिफ्ट-टू-ड्रैग अनुपात प्राप्त किया, जिसका अर्थ है कि इसने पारंपरिक फ्लैप की तुलना में बहुत अधिक लिफ्ट उत्पन्न की, जिसने केवल 124.2 तक ही पहुँच प्राप्त की। यह दक्षता में लगभग 50 प्रतिशत सुधार का प्रतिनिधित्व करता है। मॉडल ने यह भी खुलासा किया कि चिकना पंख उस बिंदु को टाल सकता है जहाँ वायु प्रवाह सतह से अलग होता है, जिससे पंख को बिना स्टॉल हुए अधिक तीव्र कोणों पर उड़ने की अनुमति मिलती है। इसके अलावा, चिकने डिजाइन ने बहुत कम विचलन कोण के साथ अपनी चरम दक्षता प्राप्त की, जिसके लिए पंख को मोड़ने वाले यांत्रिक भागों की कम हलचल की आवश्यकता होती है। यह इंजीनियरों के लिए एक महत्वपूर्ण खोज है, क्योंकि यह सुझाव देता है कि एक चिकना पंख मोटरों और हिंज पर कम तनाव डालेगा, जिससे संभावित रूप से अधिक लंबे समय तक चलने वाले और अधिक विश्वसनीय विमान बनेंगे।

अध्ययन ने मशीन लर्निंग दृष्टिकोण की शक्ति को भी उजागर किया। जबकि प्रारंभिक कंप्यूटर सिमुलेशन ने 456 डेटा बिंदुओं को उत्पन्न करने के लिए हजारों घंटों के प्रोसेसिंग समय का उपयोग किया, प्रशिक्षित मशीन लर्निंग मॉडल किसी भी नए पंख विन्यास के प्रदर्शन की भविष्यवाणी दो सेकंड से भी कम समय में कर सकता था। यह गति इंजीनियरों को लाखों डिजाइन संभावनाओं को तुरंत तलाशने की अनुमति देती है, जो अकेले पारंपरिक सिमुलेशन विधियों के साथ असंभव कार्य है। मॉडल यह पहचानने में भी सक्षम था कि उसकी भविष्यवाणियाँ कहाँ कम अनिश्चित थीं, विशेष रूप से उन जटिल क्षेत्रों में जहाँ वायु प्रवाह पंख से अलग होने लगता है। अनिश्चितता को चिह्नित करने की यह क्षमता सुरक्षा के लिए अत्यंत महत्वपूर्ण है, क्योंकि यह डिजाइनरों को बताता है कि उन्हें कहाँ सबसे अधिक सावधान रहने की आवश्यकता है या कहाँ और अधिक परीक्षण की आवश्यकता है।

अंततः, यह शोध पुष्टि करता है कि पंख का आकार बदलने का तरीका उतना ही महत्वपूर्ण है जितना कि स्वयं का आकार। एक पारंपरिक फ्लैप का तीखा, कोणीय ब्रेक हवा में एक व्यवधान पैदा करता है जिसे चिकना, परवलयाकार वक्र टाल देता है। इस ज्यामितीय विच्छेदन को समाप्त करके, परवलयाकार फ्लैप हवा को अधिक स्वाभाविक रूप से बहने देता है, जिससे ड्रैग कम होता है और लिफ्ट में सुधार होता है। इस अध्ययन में विकसित मशीन लर्निंग फ्रेमवर्क इन लाभों को तेजी से और विश्वसनीय रूप से खोजने का एक तरीका प्रदान करता है, जो कुशल, अनुकूलन योग्य उड़ने वाली मशीनों के अगले युग को डिजाइन करने के लिए एक नया मार्ग प्रदान करता है। निष्कर्ष बताते हैं कि कम गति पर संचालित होने वाले छोटे विमानों के लिए, परवलयाकार फ्लैप का चिकना, निरंतर विरूपण केवल एक सैद्धांतिक सुधार नहीं है, बल्कि प्रदर्शन और सहनशक्ति को अधिकतम करने के लिए एक व्यावहारिक आवश्यकता है।