From RANS Prediction to Hydrofoil Optimization: A Benchmark of Neural Surrogates

एक हाइड्रोफॉइल डिजाइन करना, जो एक नाव के नीचे से उठने वाले पंख जैसी संरचना है ताकि घर्षण (ड्रैग) को कम किया जा सके, अंतहीन परीक्षण और त्रुटि का खेल है। एक आदर्श आकार खोजने के लिए, इंजीनियरों को हजारों विविधताओं का परीक्षण करना पड़ता है, जिसमें वे फॉइल के वक्र (कर्व), मोटाई और कोण को बदलते हैं। प्रत्येक नए आकार के लिए, उन्हें एक जटिल कंप्यूटर सिमुलेशन चलाना होता है जो वस्तु के चारों ओर बहते पानी के भौतिकी (फिजिक्स) को हल करता है। ये सिमुलेशन अविश्वसनीय रूप से सटीक होते हैं लेकिन साथ ही अविश्वसनीय रूप से धीमे भी होते; एक शक्तिशाली कंप्यूटर पर एक एकल परीक्षण चलाने में घंटों लग सकते हैं। इस कारण से, संभावित डिजाइनों की पूरी श्रृंखला की खोज करना अक्सर बहुत महंगा और समय लेने वाला होता है। हाल के वर्षों में, वैज्ञानिकों ने आर्टिफिशियल इंटेलिजेंस (AI) को एक शॉर्टकट के रूप में प्रशिक्षित करके इस प्रक्रिया को तेज करने की कोशिश की है। भौतिकी के समीकरणों को हर बार शून्य से हल करने के बजाय, ये AI मॉडल पहले देखे गए पैटर्न के आधार पर पानी के प्रवाह और परिणामी बलों की भविष्यवाणी करना सीख जाते हैं। उम्मीद यह है कि ये "न्यूरल सरोगेट्स" (neural surrogates) घंटों के बजाय सेकंडों में सबसे अच्छे डिजाइन खोज सकते हैं।

हालांकि, स्वतंत्र शोधकर्ता आरव दीक्षित द्वारा प्रकाशित एक नया अध्ययन इन AI शॉर्टकट्स को परखने के हमारे वर्तमान तरीके में एक गंभीर खामी को उजागर करता है। वर्षों से, यह तय करने का मानक तरीका कि कौन सा AI मॉडल सबसे अच्छा था, यह देखना था कि उसकी अनुमानित जल दबाव (वॉटर प्रेशर) धीमी, उच्च-सटीकता वाली कंप्यूटर सिमुलेशन से कितनी करीब थी। यदि AI ने दबाव मानचित्र (प्रेशर मैप) को सही ढंग से प्राप्त कर लिया, तो इसे एक सफलता माना जाता था। लेकिन यह शोध प्रबंध तर्क देता है कि दबाव मानचित्र को सही प्राप्त करने का मतलब यह आवश्यक नहीं है कि वह AI इंजीनियर को सबसे अच्छा नाव विंग खोजने में मदद करेगा। एक डिजाइन टूल का वास्तविक परीक्षण केवल एक मानचित्र की नकल करने में नहीं है, बल्कि इस बात में है कि क्या वह धीमी, विश्वसनीय पद्धति की तरह ही विजेता डिजाइन तक ले जाता है। यह पता लगाने के लिए, शोधकर्ता ने चार अलग-अलग प्रकार के AI मॉडलों के बीच एक कठोर आमने-सामम प्रतियोगिता आयोजित की, जिससे उन सभी को एक ही डिजाइन समस्या को हल करने के लिए मजबूर किया गया और फिर उनके अंतिम उत्तरों की जांच ताज़ा, उच्च-परिशुद्धता वाले सिमुलेशन के साथ की गई।

अध्ययन ने हाइड्रोफॉइल्स के एक विशिष्ट सेट पर ध्यान केंद्रित किया जो NACA प्रोफाइल नामक मानक आकारों पर आधारित हैं, जो उनके वक्र और मोटाई का वर्णन करने वाले सरल नंबरों द्वारा परिभाषित होते हैं। शोधकर्ता ने विभिन्न गति और कोणों पर इन फॉइल्स के ऊपर बहते पानी के 381 विस्तृत कंप्यूटर सिमुलेशन का एक डेटाबेस तैयार किया। इस डेटा से, चार अलग-अलग परिवारों के न्यूरल नेटवर्क को प्रवाह और लिफ्ट एवं ड्रैग के बलों की भविष्यवाणी करने के लिए प्रशिक्षित किया गया। पहला प्रकार, एक कनवोल्यूशनल न्यूरल नेटवर्क (convolutional neural network), प्रवाह में स्थानीय पैटर्न को देखता है जैसे कि मानवीय आँख एक मानचित्र को स्कैन करती है। दूसरा, एक फूरियर न्यूरल ऑपरेटर (Fourier neural operator), प्रवाह को वैश्विक तरंगों (global waves) में तोड़कर उसका विश्लेषण करता है। तीसरा, एक डीप ऑपरेटर नेटवर्क (deep operator network), आकार के विवरण को प्रवाह की स्थितियों के विवरण से अलग करता है। चौथा, एक फिजिक्स-इन्फॉर्मड न्यूरल नेटवर्क (physics-informed neural network), तरल गति के मूलभूत नियमों द्वारा बाधित होता है, जो इसे अनुमान लगाते समय भी भौतिकी के नियमों का सम्मान करने के लिए मजबूर करता है।

प्रशिक्षित होने के बाद, इन मॉडलों को केवल एक मामले की भविष्यवाणी करने के लिए नहीं कहा गया; बल्कि उन्हें सबसे अच्छे संभावित हाइड्रोफॉइल आकार को खोजने का काम सौंपा गया। प्रत्येक मॉडल को समान शुरुआती बिंदु और डिजाइन को बेहतर बनाने के लिए चालीस प्रयासों की सख्त सीमा दी गई। लक्ष्य लिफ्ट-टू-ड्रैग अनुपात को अधिकतम करना था, जिसका अर्थ है कि नाव को कम प्रयास के साथ तेज़ चलाया जा सके। महत्वपूर्ण रूप से, अनुकूलन लूप (optimization loop) पूरी तरह से AI भविष्यवाणियों पर चला; यह देखने के लिए कि AI अकेले उपलब्ध उपकरण के रूप में कैसा व्यवहार करेगा, धीमे, उच्च-सटीकता वाले कंप्यूटर को खोज के दौरान दूर रखा गया था। AI द्वारा अपने सर्वश्रेष्ठ डिजाइन के चयन के बाद, शोधकर्ता ने उस विशिष्ट आकार पर एक ताज़ा, उच्च-परिशुद्धता सिमुलेशन चलाया ताकि वास्तविक भौतिकी क्या कहती है, यह देखा जा सके। इस अंतिम जांच की तुलना एक बेसलाइन से की गई जहाँ धीमे कंप्यूटर ने स्वयं अनुकूलन किया था, जो कि एक स्वर्ण मानक (gold standard) प्रदान करता है कि सर्वोत्तम संभव उत्तर क्या होना चाहिए।

परिणामों ने सटीकता और उपयोगिता के बीच एक आश्चर्यजनक विच्छेद दिखाया। कच्चे भविष्यवाणी त्रुटि (raw prediction error) के मामले में, एक मॉडल, डीप ऑपरेटर नेटवर्क, स्पष्ट विजेता था। इसने अनदेखे टेस्ट केसों पर दबाव, लिफ्ट और ड्रैग की उच्चतम सटीकता के साथ भविष्यवाणी की, जिसके बाद निकटता से फूरियर ऑपरेटर आया। फिजिक्स-इन्फॉर्मड मॉडल भी सबसे तेज़ था, जिसने पारंपरिक सिमुलेशन की तुलना में लगभग 665 गुना की गति प्रदान की। हालांकि, जब इन मॉडलों का उपयोग वास्तव में एक नया फॉइल डिजाइन करने के लिए किया गया, तो तस्वीर बदल गई। डीप ऑपरेटर नेटवर्क और फिजिक्स-इन्फॉर्मड नेटवर्क दोनों ने ऐसे डिजाइन खोजे जो असाधारण रूप से अच्छा प्रदर्शन करते थे, जिससे 36 और 37 के बीच लिफ्ट-टू-ड्रैग अनुपात प्राप्त हुआ। इसके विपरीत, स्थानीय पैटर्न खोजने वाला मॉडल काफी संघर्ष करता रहा, और उसने बहुत कम कुशल डिजाइन खोजे। वैश्विक तरंगों का विश्लेषण करने वाला मॉडल स्थिर था लेकिन लगातार ऐसे डिजाइन चुनता रहा जो दूसरों जितने अच्छे नहीं थे।

शायद सबसे महत्वपूर्ण निष्कर्ष यह था कि इन AI मॉडलों का प्रदर्शन सुसंगत नहीं था। जब शोधकर्ता ने थोड़े अलग शुरुआती स्थितियों के साथ एक ही अनुकूलन प्रक्रिया को कई बार चलाया, तो अंतिम डिजाइन भिन्न थे। डीप ऑपरेटर नेटवर्क और फिजिक्स-इन्फॉर्मड नेटवर्क ने अलग-अलग रन के आधार पर अलग-अलग विजेता दिए, जबकि स्थानीय-पैटर्न वाला मॉडल अपनी भविष्यवाणियों और अपने डिजाइन विकल्पों दोनों में अस्थिर था। इसके अलावा, अध्ययन ने स्वयं सत्यापन प्रक्रिया में एक छिपी हुई सीमा को रेखांकित किया। भले ही AI ने एक शानदार डिजाइन खोजा हो, उच्च-परिशुद्धता सिमुलेशन का अंतिम चेक दिखाता है कि परिणाम कंप्यूटर ग्रिड के रिज़ॉल्यूशन के प्रति संवेदनशील थे। ड्रैग फोर्स (घर्षण बल), विशेष रूप से, 26 प्रतिशत तक बदल गया जब सिमुलेशन ग्रिड को अधिक सूक्ष्म बनाया गया, जो यह सुझाव देता है कि AI को सत्यापित करने के लिए उपयोग किए जाने वाले "सत्य" की भी अपनी अनिश्चितताएं हैं।

यह कार्य प्रदर्शित करता है कि एक अच्छे पूर्वानुमान से एक अच्छे डिजाइन तक का मार्ग सीधा नहीं है। एक मॉडल एक विंग पर हर बिंदु पर दबाव का सटीक अनुमान लगाने में उत्कृष्ट हो सकता है, लेकिन फिर भी एक इंजीनियर को इष्टतम आकार की ओर ले जाने में विफल हो सकता है। अध्ययन निष्कर्ष निकालता है कि वैज्ञानिक मशीन लर्निंग के क्षेत्र को सरल त्रुटि मेट्रिक्स (error metrics) से आगे बढ़ने की आवश्यकता है। आर्टिफिशियल इंटेलिजेंस और इंजीनियरिंग के बीच के अंतर को वास्तव में पाटने के लिए, इन उपकरणों का मूल्यांकन उनके द्वारा उत्पादित डिजाइनों की गुणवत्ता और विभिन्न स्थितियों के तहत उन डिजाइनों की मजबूती (robustness) पर किया जाना चाहिए। सबसे अच्छा AI वह नहीं है जो सबसे सटीक मानचित्र बनाता है, बल्कि वह है जो विश्वसनीय रूप से सबसे अच्छे गंतव्य तक ले जाता है।