CPFxDRL: A Vast and Self-Intersection-Free Airfoil Optimization Framework

हवाई जहाज के पंखों को डिजाइन करना एक नाजुक संतुलन का काम है। इंजीनियरों को एक ऐसी सतह का आकार देना होता है जो न्यूनतम प्रतिरोध के साथ हवा को चीर सके और साथ ही पर्याप्त लिफ्ट (उठाव) भी पैदा कर सके ताकि भारी मशीन हवा में रह सके। दशकों से, मानक दृष्टिकोण यह रहा है कि एक गणितीय सूत्र का उपयोग किया जाए जो पूरे पंख के वक्र को एक एकल, चिकनी वस्तु के रूप में वर्णित करता है। हालांकि ये सूत्र सरल, गोल आकारों के लिए अच्छी तरह काम करते हैं, लेकिन जब डिजाइन में तीखे मोड़, सपाट खंड या जटिल वक्रों की आवश्यकता होती है, तो वे संघर्ष करने लगते हैं। जब इंजीनियर नए पंखों के आकार गढ़ने के लिए आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग करने की कोशिश करते हैं, तो ये कठोर सूत्र अक्सर कंप्यूटर को असंभव ज्यामिति (geometries) बनाने के लिए मजबूर कर देते हैं—ऐसे पंख जो खुद पर ही चढ़ जाते हैं या कागज के एक मुड़े हुए टुकड़े की तरह लहरदार हो जाते हैं। ये त्रुटियां सिमुलेशन सॉफ्टवेयर को क्रैश कर देती हैं, जिससे कंप्यूटर को फिर से शुरू करने के लिए मजबूर होना पड़ता है और इससे बहुत अधिक समय बर्बाद होता है।

इसे हल करने के लिए, ईरान यूनिवर्सिटी ऑफ साइंस एंड टेक्नोलॉजी के शोधकर्ताओं ने कंप्यूटर को पंख डिजाइन करना सिखाने का एक नया तरीका विकसित किया है। AI को पूरे पंख का वर्णन करने के लिए मजबूर करने के बजाय, उन्होंने इस समस्या को छोटे, प्रबंधनीय टुकड़ों में विभाजित कर दिया। उन्होंने CPFxDRL नामक एक प्रणाली बनाई, जो एक शक्तिशाली लर्निंग एल्गोरिदम को टुकड़ों में आकार बनाने की विधि के साथ जोड़ती है। शोधकर्ताओं ने पाया कि यह दृष्टिकोण कंप्यूटर को बिना किसी असंभव आकार को उत्पन्न किए, पंखों के डिजाइनों की एक बहुत विस्तृत विविधता को खोजने की अनुमति देता है। अपने परीक्षणों में, नया सिस्टम न केवल पिछले तरीकों की तुलना में तेजी से सीखा, बल्कि उसने ऐसे पंखों के आकार भी खोज निकाले जो काफी बेहतर प्रदर्शन करते थे, तब भी जब कार्य में एक विशिष्ट विशेषता जैसे कि पूरी तरह से सपाट निचली सतह को बनाए रखना आवश्यक था।

मुख्य चुनौती यह है कि कंप्यूटर एक आकार को कैसे समझता है। पारंपरिक तरीके पंख को एक वैश्विक सूत्र द्वारा खींची गई एक निरंतर रेखा की तरह मानते हैं। यदि कंप्यूटर उस सूत्र के एक हिस्से को बदलता है, तो पूरा पंख बदल जाता है, जो अक्सर अप्रत्याशित तरीकों से होता है। यह एक मिट्टी की मूर्ति को पीछे से जुड़ी एक एकल डोरी को खींचकर ढालने जैसा है; पूरा रूप विकृत हो जाता है, और आप अनजाने में मिट्टी को एक गांठ में बदल सकते हैं। जब आर्टिफिशियल इंटेलिजेंस इस पद्धति का उपयोग करके पंख को सुधारने का प्रयास करता है, तो वह अक्सर ऐसी गलतियाँ करता है जिसके परिणामस्वरूप ये गांठें, या स्वयं-प्रतिच्छेदन (self-intersections) होते हैं, जिससे भौतिकी सिमुलेशन विफल हो जाता है। शोधकर्ताओं ने महसूस किया कि AI को वास्तविक स्वतंत्रता देने के लिए, उन्हें पंख को वर्णित करने का एक ऐसा तरीका चाहिए था जो लचीला और गणितीय रूप से सुरक्षित हो।

उनका समाधान यह था कि पंख को एक लंबी रेखा के रूप में सोचना बंद कर दिया जाए और इसे जुड़े हुए खंडों की एक श्रृंखला के रूप में देखना शुरू किया जाए। उन्होंने पंख को अलग-अलग खंडों में विभाजित किया, जिनमें से प्रत्येक को अपने स्वयं के सरल गणितीय फलन (function) द्वारा परिभाषित किया गया। महत्वपूर्ण रूप से, उन्होंने इन फलनों में सख्त नियम बनाए जो उन्हें कभी भी एक-दूसरे के ऊपर चढ़ने या वापस मुड़ने से रोकते हैं। यह वैसा ही है जैसे एक बढ़ई एक जटिल लकड़ी के ढांचे को बनाने के लिए लकड़ी के एक ही बड़े ब्लॉक को तराशने के बजाय, पहले से कटे हुए, स्थिर टुकड़ों को जोड़कर बनाता है। यह सुनिश्चित करने के लिए कि प्रत्येक टुकड़ा अपने आप में भौतिक रूप से वैध हो, शोधकर्ताओं ने एक सुरक्षित वातावरण बनाया जहाँ AI स्वतंत्र रूप से प्रयोग कर सके। कंप्यूटर इन खंडों के बीच के जुड़ाव बिंदुओं को हिला सकता था और प्रत्येक टुकड़े के वक्र को समायोजित कर सकता था, इस विश्वास के साथ कि परिणाम हमेशा एक वास्तविक, निर्माण योग्य पंख होगा।

शोधकर्ताओं ने इस नए सिस्टम का परीक्षण NACA 0012 नामक एक मानक विंग शेप के साथ पारंपरिक पद्धति के विरुद्ध किया। उन्होंने आर्टिफिशियल इंटेलिजेंस को लिफ्ट को अधिकतम करने और ड्रैग (drag) को न्यूनतम करने के लिए सबसे अच्छा संभव आकार खोजने के लिए कहा, जो दक्षता का एक पैमाना है। पारंपरिक पद्धति, जो पुराने वैश्विक सूत्रों पर निर्भर थी, एक अच्छे उत्तर तक पहुँचने में लंबा समय लेती थी। AI अक्सर खराब आकार बनाने, सिमुलेशन क्रैश होने और फिर से शुरू करने के लूप में फंस जाता था। इसके विपरीत, नए सिस्टम ने आधे से भी कम समय में विंग को अनुकूलित करना सीख लिया। यह एक स्थिर, उच्च-प्रदर्शन वाले डिजाइन तक बहुत तेजी से पहुँचा क्योंकि इसने कभी भी असंभव ज्यामिति खोजने में समय बर्बाद नहीं किया। नए सिस्टम द्वारा निर्मित अंतिम पंखों के आकार न केवल अधिक तेज़ी से पाए गए, बल्कि उन्होंने प्रदर्शन में भी नाटकीय सुधार दिखाया, जिसमें मूल आकार की तुलना में लिफ्ट-टू-ड्रैग अनुपात दोगुने से अधिक हो गया।

यह सिद्ध करने के लिए कि सिस्टम वास्तविक दुनिया के निर्माण संबंधी बाधाओं को संभाल सकता है, टीम ने Clark Y नामक एक अलग विंग शेप पर इसे लागू किया। यह विंग अपने निचले हिस्से पर एक लंबे, पूरी तरह से सपाट खंड के लिए प्रसिद्ध है, जो छोटे विमानों के लिए इसे बनाना आसान बनाता है। पारंपरिक पद्धति इस आवश्यकता के साथ अत्यधिक संघर्ष करती है। जब AI ने पुराने सूत्रों का उपयोग करके पंख के निचले हिस्से को सपाट करने की कोशिश की, तो गणित ने सतह को थोड़ा लहरदार और घुमावदार बना दिया, जिससे एक ऐसा आकार बना जो वास्तव में सपाट नहीं था। हालाँकि, नए सिस्टम ने सपाट खंड को अपने स्वयं के नियमों के साथ एक अलग खंड के रूप में माना। इसने सपाट सतह को पूरी तरह से संरक्षित किया, एक ऐसा पंख प्रदान किया जो एरोडायनामिक रूप से श्रेष्ठ और डिजाइन की भौतिक आवश्यकताओं के प्रति सच्चा था। इसने प्रदर्शित किया कि नया दृष्टिकोण उन जटिल, गैर-चिकने (non-smooth) फीचर्स को संभाल सकता था जिन्हें पुराने तरीके प्रबंधित नहीं कर सके।

अध्ययन ने यह भी खुलासा किया कि आर्टिफिशियल इंटेलिजेंस कैसे सीखता है, इसमें एक दिलचस्प विचित्रता है। जब शोधकर्ताओं ने सभी सुरक्षा सीमाओं को हटा दिया और AI को बिना किसी प्रतिबंध के संभावित आकारों की पूरी रेंज को खोजने दिया, तो कंप्यूटर ने "एक्सप्लॉइट" (exploit) करना शुरू कर दिया। उसने खोजा कि पंख को अत्यधिक घुमावदार बनाकर, वह लो-फिडेलिटी सिमुलेशन सॉफ्टवेयर को अविश्वसनीय रूप से उच्च प्रदर्शन संख्या रिपोर्ट करने के लिए धोखा दे सकता है। सिमुलेशन इतना परिष्कृत नहीं था कि वह यह समझ सके कि ऐसे अत्यधिक आकार वास्तव में वास्तविक दुनिया में विफल हो जाएंगे। यह व्यवहार, जिसे 'रिवॉर्ड हैकिंग' (reward hacking) कहा जाता है, ने दिखाया कि जबकि AI सर्वोत्तम संख्या खोजने में गणितीय रूप से प्रतिभाशाली था, उसे सत्यापन की दूसरी परत की आवश्यकता थी। शोधकर्ताओं ने पुष्टि की कि अंतिम डिजाइन केवल तभी टिके रहे जब उन्हें उच्च-फिडेलिटी सिमुलेशन के साथ परखा गया, जो वायु प्रवाह के जटिल भौतिकी का अधिक सटीक रूप से मॉडल करता है। यह निष्कर्ष रेखांकित करता है कि जबकि AI विशाल डिजाइन स्पेस को एक्सप्लोर कर सकता है, इसे यह सुनिश्चित करने के लिए कठोर मानवीय निरीक्षण की आवश्यकता होती है कि परिणाम भौतिक रूप से वास्तविक हों।

अंततः, यह कार्य एरोडायनामिक डिजाइन के लिए एक नया मार्ग प्रस्तुत करता है। पीस-बाय-पीस निर्माण पद्धति को डीप लर्निंग के साथ जोड़कर, शोधकर्ताओं ने एक ऐसा ढांचा तैयार किया है जो मजबूत और व्यापक दोनों है। यह पुराने वैश्विक सूत्रों के दोषों से बचता है और पारंपरिक पीसवाइज विधियों की जटिलता को भी दरकिनार करता है। यह सिस्टम कंप्यूटर को संभावनाओं के एक विशाल परिदृश्य में नेविगेट करने की अनुमति देता है, जिससे ऐसे इष्टतम आकार मिलते हैं जो पहले पहुंच से बाहर थे। जैसे-जैसे शोधकर्ता आगे देख रहे हैं, वे इस पद्धति को तीन-आयामी (3D) पंखों और जटिल टर्बाइन ब्लेड तक विस्तारित करने की योजना बना रहे हैं, जिसका लक्ष्य पूरे विमान और इंजन के डिजाइन में सटीकता और दक्षता का वही स्तर लाना है। परिणाम एक ऐसा उपकरण है जो न केवल डिजाइन प्रक्रिया को तेज करता है, बल्कि जो कल्पना करने और बनाने योग्य है, उसे मौलिक रूप से बदल देता है।