A Residual Neural Network Framework for Rotating Sound Source Localization

कल्पना कीजिए कि आप एक भीड़भाड़ वाले कमरे में एक अकेली आवाज़ सुनने की कोशिश कर रहे हैं जहाँ हर कोई आपके चारों ओर घूम रहा है। आपके कानों तक पहुँचने वाली ध्वनि तरंगें लगातार पिच और समय में बदल रही हैं, जिससे एक ऐसा अराजक शोर पैदा होता है जो यह पहचानना लगभग असंभव बना देता है कि कौन बोल रहा है। यही वह मौलिक चुनौती है जिसका सामना इंजीनियरों को घूमती हुई मशीनरी, जैसे कि पवन टरबाइन के ब्लेड या जेट इंजन के भीतर के पंखों से होने वाले शोर के स्रोत का पता लगाने के लिए करना पड़ता है। दशकों से, वैज्ञानिक इन ध्वनियों को पकड़ने और उनका मानचित्र बनाने के लिए माइक्रोफ़ोन के एरे (arrays) का उपयोग करते आए हैं। हालाँकि, जब ध्वनि स्रोत घूम रहा होता है, तो यह गति 'डॉप्लर प्रभाव' नामक एक घटना पैदा करती है, जो ध्वनि तरंगों को उसी तरह विकृत कर देती है जैसे एम्बुलेंसलेंस के पास से गुजरते समय सायरन की पिच बदल जाती है। इस विरूपण को सुलझाने के पारंपरिक तरीके अक्सर धीमे, गणनात्मक रूप से भारी और "घोस्ट" संकेतों (ghost signals)—यानी वे झूठी सूचनाएं जो सुझाव देती हैं कि एक शोर स्रोत वहां मौजूद है जहां वास्तव में कुछ भी नहीं है—को उत्पन्न करने के प्रति संवेदनशील होते हैं।

शंघाई जियाओ टोंग विश्वविद्यालय और AECC कमर्शियल एयरक्राफ्ट इंजन कंपनी लिमिटेड के शोधकर्ताओं की एक टीम ने सीधे घूमते हुए शोर के पैटर्न को पहचानने के लिए कंप्यूटर को सिखाकर इस समस्या को हल करने के लिए एक नया दृष्टिकोण विकसित किया है। जटिल गणितीय सूत्रों पर निर्भर रहने के बजाय जो घूमने वाली गति के लिए मैन्युअल रूप से सुधार करते हैं, उन्होंने एक प्रकार के आर्टिफिशियल इंटेलिजेंस, जिसे 'रेसिडुअल न्यूरल नेटवर्क' (ResNet) कहा जाता है, को प्रशिक्षित किया है ताकि वह माइक्रोफ़ोन से प्राप्त कच्चे डेटा को देख सके और तुरंत ध्वनि के वास्तविक स्थान की पहचान कर सके। विस्तृत कंप्यूटर सिमुलेशन की एक श्रृंखला में, इस नई प्रणाली ने उल्लेखनीय प्रभावशीलता दिखाई। इसने घूमते हुए ध्वनि स्रोतों को 98.83 प्रतिशत तक की सटीकता के साथ सफलतापूर्वक पहचाना, भले ही शोर एक साथ कई घूमते हुए बिंदुओं से आ रहा हो। सबसे प्रभावशाली बात यह है कि इस सिस्टम ने 50 मिलीसेकंड से भी कम समय में ये निर्णय लिए, जो वर्तमान में उपयोग किए जाने वाले पारंपरिक तरीकों की तुलना में बहुत अधिक तेज़ है, जिन्हें समान जानकारी को संसाधित करने में कई सेकंड लग सकते हैं।

इस नवाचार का मूल आधार यह है कि शोधकर्ताओं ने कंप्यूटर के सीखने के लिए डेटा को कैसे तैयार किया। मानक ध्वनि विश्लेषण में, वैज्ञानिक अक्सर 'क्रॉस-स्पेक्ट्रल मैट्रिक्स' नामक एक गणितीय उपकरण का उपयोग करते हैं, जो इस बात का मानचित्र है कि विभिन्न माइक्रोफ़ोन से आने वाली ध्वनि तरंगें एक-दूसरे से कैसे संबंधित हैं। स्थिर वस्तुओं के लिए, यह मानचित्र स्पष्ट और पढ़ने में आसान होता है। लेकिन घूमती हुई वस्तुओं के लिए, डॉप्लर प्रभाव द्वारा यह मानचित्र अव्यवस्थित हो जाता है, जिससे पारंपरिक एल्गोरिदम के लिए वास्तविक स्रोतों को शोर से अलग करना कठिन हो जाता है। शोधकर्ताओं ने महसूस किया कि एक विशिष्ट तकनीक, जिसे 'मोड कंपोजिशन बीमफॉर्मिंग' (mode composition beamforming) कहा जाता है, इस बिखरे हुए डेटा को एक ऐसे प्रारूप में पुनर्गठित कर सकती है जो घूमने की प्रक्रिया को ध्यान में रखते हुए आवश्यक स्थानिक जानकारी को सुरक्षित रखती है। उन्होंने इस पुनर्गठित डेटा को अपने न्यूरल नेटवर्क में डाला, जिसे एक विशेष संरचना के साथ डिज़ाइन किया गया है जो इसे बिना भ्रमित हुए या रास्ता भटके गहरे, जटिल पैटर्न को सीखने की अनुमति देता है, जो बहुत बड़े कंप्यूटर मॉडल को प्रशिक्षित करने के दौरान एक आम समस्या है।

अपने सिस्टम का परीक्षण करने के लिए, टीम ने घूमते हुए ध्वनि स्रोतों के साथ विविध गति, आवृत्ति और तीव्रता वाले हजारों सिम्युलेटेड परिदृश्य बनाए। उन्होंने 16 माइक्रोफ़ोन के एक एरे का उपयोग किया जो एक घेरे में व्यवस्थित थे, एक ऐसा सेटअप जो वास्तविक दुनिया के औद्योगिक निदान में उपयोग किए जाने वाले उपकरणों की नकल करता है। सिमुलेशन में विभिन्न स्थितियों को कवर किया गया, जिसमें 500 से 2500 आरपीएम (RPM) की गति से घूमने वाले और 4500 से 5000 हर्ट्ज़ की उच्च-आवृत्ति सीमा में ध्वनि उत्सर्जित करने वाले स्रोत शामिल थे। शोधकर्ताओं ने विभिन्न ज्यामितीय व्यवस्थाओं के तहत भी अपने सिस्टम का परीक्षण किया, जिसमें माइक्रोफ़ोन एरे को घूमते हुए स्रोत के तल के समानांतर और लंबवत दोनों रखा गया। हर मामले में, न्यूरल नेटवर्क ने सही संख्या में ध्वनि स्रोतों और उनके सटीक स्थानों की पहचान की, और उन झूठे संकेतों को प्रभावी ढंग से फ़िल्टर किया जो पुराने तरीकों की समस्या हैं।

सबसे महत्वपूर्ण निष्कर्षों में से एक सिस्टम की "घोस्ट" योगदान को समाप्त करने की क्षमता थी। पारंपरिक बीमफॉर्मिंग में, घूर्णन के कारण होने वाला विरूपण अक्सर उन आवृत्तियों पर ध्वनि स्रोतों की काल्पनिक छवियां बना देता है जो वास्तव में मौजूद नहीं होती हैं। ये 'घोस्ट' इंजीनियरों को गुमराह कर सकते हैं कि वहां कई शोर संबंधी समस्याएं हैं जबकि वास्तव में केवल एक ही है, या वे एक महत्वपूर्ण खराबी के वास्तविक स्थान को छिपा सकते हैं। हालाँकि, नए ResNet-आधारित ढांचे ने इन आर्टिफैक्ट्स (artifacts) को पूरी तरह से अनदेखा करना सीख लिया है। उन परीक्षणों में जहाँ सिस्टम को छह अलग-अलग घूमते हुए स्रोतों के साथ चुनौती दी गई थी, उसने बिना एक भी गलत सकारात्मक (false positive) संकेत उत्पन्न किए, सभी की सही पहचान की। यह स्तर की सटीकता विमान के इंजनों के निदान जैसे अनुप्रयोगों के लिए अत्यंत महत्वपूर्ण है, जहाँ शोर के सटीक स्रोत की पहचान करना विनाशकारी विफलताओं को रोक सकता है।

इस नए तरीके की गति एक अन्य प्रमुख लाभ प्रदान करती है। जबकि ROSI नामक पारंपरिक टाइम-डोमेन विधि को एक एकल मामले का विश्लेषण करने में चार सेकंड से अधिक का समय लग सकता है, और फ्रीक्वेंसी-डोमेन MCB विधि 800 मिलीसेकंड से अधिक लेती है, न्यूरल नेटवर्क 50 मिलीसेकंड से भी कम समय में अपना उत्तर दे देता है। प्रसंस्करण समय में यह भारी कमी का अर्थ है कि इस सिस्टम का उपयोग अंततः रीयल-टाइम निगरानी के लिए किया जा सकता है, जिससे इंजीनियर मशीन के चलते समय उसके स्वास्थ्य की निगरानी कर सकते हैं, बजाय इसके कि वे विलंबित विश्लेषण की प्रतीक्षा करें। शोधकर्ताओं ने उल्लेख किया कि सिस्टम तब सबसे अच्छा काम करता है जब माइक्रोफ़ोन कॉन्फ़िगरेशन उस सेटअप से मेल खाता है जिस पर इसे प्रशिक्षित किया गया है, और सिमुलेशन के लिए आवश्यक भारी मात्रा में प्रशिक्षण डेटा उत्पन्न करने में काफी समय और कंप्यूटिंग शक्ति लगी। हालाँकि, एक बार मॉडल प्रशिक्षित हो जाने के बाद, यह उस निरंतरता और गति के साथ कार्य करता है जिसका मैन्युअल गणना से मुकाबला नहीं किया जा सकता।

अध्ययन ने वर्तमान दृष्टिकोणों की सीमाओं और इस नए ढांचे की विशिष्ट शक्तियों पर भी प्रकाश डाला। शोधकर्ताओं ने पाया कि केवल न्यूरल नेटवर्क को गहरा या अधिक जटिल बनाने से हमेशा बेहतर परिणाम नहीं मिले; वास्तव में, अपर्याप्त प्रशिक्षण डेटा के साथ, एक अधिक जटिल मॉडल एक सरल मॉडल की तुलना में खराब प्रदर्शन करता है। यह सुझाव देता है कि प्रशिक्षण डेटा की गुणवत्ता और मात्रा नेटवर्क की वास्तुकला (architecture) जितनी ही महत्वपूर्ण है। इसके अलावा, जबकि सिस्टम परीक्षण किए गए सिम्युलेटेड वातावरण में उत्कृष्ट है, शोधकर्ताओं ने स्वीकार किया कि वास्तविक दुनिया की स्थितियों, जैसे कि अप्रत्याशित बैकग्राउंड शोर या अलग भौतिक सेटअपों के लिए और अधिक अनुकूलन की आवश्यकता होगी। उन्होंने प्रस्तावित किया कि भविष्य के कार्यों में सिम्युलेटेड डेटा को वास्तविक प्रयोगात्मक डेटा के साथ जोड़ना शामिल हो सकता है ताकि सिस्टम को अधिक मजबूत और अनुकूल बनाया जा सके।

अंततः, यह शोध घूमते हुए शोर के प्रति इंजीनियरों के दृष्टिकोण में एक बदलाव का प्रतिनिधित्व करता है। कठोर गणितीय सुधारों से हटकर, डेटा-संचालित शिक्षण दृष्टिकोण की ओर बढ़ते हुए, टीम ने यह प्रदर्शित किया है कि घूमती हुई मशीनरी के विरूपण के माध्यम से अभूतपूर्व स्पष्टता के साथ देखना संभव है। टर्न-की (turn-key) माइक्रोफ़ोन एरे का उपयोग करके और ध्वनि के पथ के सटीक भौतिक गुणों को जाने बिना, ध्वनि स्रोतों को लगभग पूर्ण निष्ठा के साथ स्थानीयकृत करने की क्षमता, शोर नियंत्रण और यांत्रिक निदान के लिए नए द्वार खोलती है। जैसे-जैसे यह तकनीक परिपक्व होगी, यह यह बदलने का वादा करती है कि हम अपनी दुनिया को चलाने वाली मशीनों को कैसे सुनते हैं, जिससे ध्वनि के अराजक भंवर को एक स्पष्ट, कार्रवाई योग्य मानचित्र में बदल दिया जाएगा कि शोर कहाँ से आ रहा है।