Physics-Informed Federated Learning for Decentralized Pharmaceutical Crystallization: Achieving Personalized Predictive Accuracy with Minimal Data

कल्पना कीजिए कि आप एक रोबोट को एक आदर्श केक बनाना सिखाने की कोशिश कर रहे हैं। आमतौर पर, आप रोबोट को हजारों रेसिपी वाली एक विशाल कुकबुक देंगे और उसे तब तक अभ्यास करने देंगे जब तक कि वह इसे सही ढंग से न कर ले। लेकिन क्या होगा अगर आप वह कुकबुक साझा न कर सकें? क्या होगा अगर दुनिया के हर बेकर को अपनी गुप्त पारिवारिक रेसिपी अपने ही किचन में बंद रखनी पड़े, और उन्हें आपको केवल एक नोट भेजने की अनुमति हो जिसमें लिखा हो, "मुझे लगता है कि ओवन को अधिक गर्म होना चाहिए," बिना यह बताए कि उन्होंने किन सामग्रियों का उपयोग किया है? यह फेडरेटेड लर्निंग (Federated Learning) की चुनौती है: एक ऐसा तरीका जिससे कंप्यूटर एक-दूसरे का निजी डेटा देखे बिना मिलकर सीख सकते हैं।

अब, कल्पना कीजिए कि रोबोट केक बनाने से भी अधिक कठिन चीज़ के बारे में सीखने की कोशिश कर रहा है: दवाओं के लिए क्रिस्टल उगाना। वास्तविक दुनिया में, ये क्रिस्टल केवल अचानक प्रकट नहीं होते; वे भौतिकी के सख्त नियमों के अनुसार बढ़ते हैं, जैसे गुरुत्वाकर्षण या पानी का जमना। यदि आप केवल सेंसर से प्राप्त अव्यवस्थित, शोर वाले मापों के आधार पर रोबोट को अनुमान लगाने देते हैं, तो वह अजीब और असंभव आकार बनाने लगेगा। यहीं पर फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स (Physics-Informed Neural Networks - PINNs) काम आते हैं। इन्हें ऐसे रोबोट के रूप में सोचें जो केवल डेटा को याद नहीं करते; उन्हें ब्रह्मांड के नियमों की एक नियम पुस्तिका भी दी जाती है। वे जानते हैं कि एक क्रिस्टल को एक निश्चित तरीके से ही बढ़ना चाहिए, इसलिए भले ही सेंसर का डेटा धुंधला हो या उसका एक हिस्सा गायब हो, रोबोट खाली जगहों को सही ढंग से भरने के लिए भौतिकी के नियमों का उपयोग करता है।

यह शोध पत्र, जिसे स्वतंत्र शोधकर्ता साई विनय थट्टुकोल्ला द्वारा लिखा गया है, फार्मास्युटिकल दुनिया में एक बहुत ही विशिष्ट समस्या को संबोधित करता है: एक "डिजिटल ट्विन" (एक वर्चुअल कॉपी) कैसे बनाया जाए जब हर फैक्ट्री अलग हो, डेटा कम हो, और कोई भी अपने रहस्य साझा नहीं करना चाहता हो। लेखक तीन अलग-अलग फैक्ट्रियों का अनुकरण (सिमुलेशन) करते हैं, जिनमें से प्रत्येक का क्रिस्टल उगाने का अपना अनूठा "व्यक्तित्व" है, और एक नई विधि का परीक्षण करते हैं जिसे F-PINN (फिजिक्स-इन्फॉर्म्ड फेडरेटेड लर्निंग) कहा जाता है। अध्ययन से पता चलता है कि फेडरेटेड लर्निंग की गोपनीयता को भौतिकी के सख्त नियमों के साथ जोड़कर, सिस्टम सभी फैक्ट्रियों से एक साथ सीख सकता है, सेंसर खराब होने पर भी सटीक रह सकता है, और फिर प्रत्येक विशिष्ट फैक्ट्री के लिए खुद को पूरी तरह से ढाल सकता है। कंप्यूटर सिमुलेशन पर आधारित परिणाम दिखाते हैं कि यह विधि मानक दृष्टिकोणों की तुलना में नाटकीय रूप से बेहतर है, विशेष रूप से जब डेटा अव्यवस्थित या गायब हो।

क्रिस्टल विकास का गुप्त नुस्खा

दवा बनाने की दुनिया में, सबसे महत्वपूर्ण चरणों में से एक क्रिस्टलाइजेशन (Crystallization) है। यह वह प्रक्रिया है जहाँ एक तरल घोल ठोस क्रिस्टल में बदल जाता है, और इन क्रिस्टल का आकार और रूप यह निर्धारित करता है कि दवा कितनी अच्छी तरह काम करेगी और यह कितने समय तक प्रभावी रहेगी। कल्पना कीजिए कि आप छोटे, पूर्ण स्नोफ्लेक्स (हिम कणों) का बगीचा उगाने की कोशिश कर रहे हैं। यदि वे बहुत बड़े हैं, तो दवा आपके शरीर में नहीं घुलेगी; यदि वे बहुत छोटे हैं, तो वे आपस में जुड़ सकते हैं। इसे नियंत्रित करने के लिए, कारखाने MSMPR क्रिस्टलाइजर्स (एक टैंक जहाँ क्रिस्टल बढ़ते हैं और जिन्हें लगातार हिलाया जाता है) नामक मशीनों का उपयोग करते हैं।

समस्या यह है कि हर कारखाना अलग होता है। कोई धीरे बढ़ने वाला क्रिस्टल बना सकता है, तो दूसरा तेजी से बढ़ने वाला। इसके अलावा, जो सेंसर क्रिस्टल को मापते हैं, वे अक्सर शोर वाले होते हैं, जैसे रेडियो में स्टेटिक (शोर), और कभी-कभी वे टूट जाते हैं, जिससे डेटा में अंतराल आ जाता है। पारंपरिक रूप से, क्रिस्टल कैसे बढ़ते हैं इसका अनुमान लगाने वाला कंप्यूटर मॉडल बनाने के लिए, आपको हर फैक्ट्री से सारा डेटा एक बड़े ढेर में इकट्ठा करना होगा। लेकिन कारखाने ऐसा नहीं कर सकते। उनका डेटा एक व्यापारिक रहस्य है, जैसे कि किसी गुप्त सॉस की रेसिपी। यदि वे कच्चा डेटा साझा करते हैं, तो वे अपना प्रतिस्पर्धी लाभ खो सकते हैं।

यहाँ फेडरेटेड लर्निंग का प्रवेश होता है। केंद्रीय रसोई में अपना "गुप्त सॉस" भेजने के बजाय, प्रत्येक कारखाना अपने सॉस को अपने ही किचन में रखता है। वे केवल "नोट्स" (गणितीय अपडेट) एक केंद्रीय शेफ को भेजते हैं, जो एक बेहतर वैश्विक रेसिपी बनाने के लिए उन्हें मिलाता है, और फिर नया नुस्खा वापस भेजता है। यह रहस्यों को सुरक्षित रखता है। हालाँकि, एक पेच है: यदि कारखाने बहुत अलग हैं (एक धीमे क्रिस्टल बनाता है, एक तेज), तो केंद्रीय शेफ जो "औसत" रेसिपी बनाता है, वह किसी के लिए भी अच्छी तरह से काम नहीं कर सकती है। यह एक धीमी गति से पकाई गई स्टू की रेसिपी को एक त्वरित माइक्रोवेव भोजन की रेसिपी के साथ औसत करने जैसा है; परिणाम एक आपदा होता है।

"भौतिकी" का सुरक्षा जाल

यहीं पर यह पेपर अपने मुख्य पात्र को पेश करता है: फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स (PINNs)। एक मानक AI मॉडल फ्लैशकार्ड रटने वाले छात्र की तरह है। यदि फ्लैशकार्ड गायब हैं या उनमें गलतियाँ हैं, तो छात्र बेतहाशा अनुमान लगाता है और गलत हो जाता है। दूसरी ओर, एक PINN एक ऐसा छात्र है जो फ्लैशकार्ड को याद भी करता है और विषय के अंतर्निहित तर्क को भी समझता है।

इस अध्ययन में, "तर्क" पॉपुलेशन बैलेंस इक्वेशन (PBE) है। यह एक गणितीय नियम है जो बताता है कि क्रिस्टल कैसे बढ़ते हैं और आकार में कैसे बदलते हैं। यह एक ऐसा नियम है जो कहता है, "यदि आप कुछ निश्चित संख्या में छोटे क्रिस्टल के साथ शुरू करते हैं, तो उन्हें आकार के एक विशिष्ट वितरण में विकसित होना ही होगा।" यह पेपर इस कानून को सीधे AI के मस्तिष्क में समाहित करता है। इसलिए, भले ही सेंसर का डेटा शोर वाला हो या जानकारी का एक बड़ा हिस्सा गायब हो (जैसे डेटा में बीच में एक गैप), AI घबराता नहीं है। वह भौतिकी के नियम को देखता है और कहता है, "मुझे पता है कि यहाँ डेटा गायब है, लेकिन भौतिकी के नियम मुझे बताते हैं कि क्रिस्टल का आकार ऐसा होना चाहिए।"

प्रयोग: एक वर्चुअल फैक्ट्री टूर

इस विचार का परीक्षण करने के लिए, लेखक ने वास्तविक कारखानों का उपयोग नहीं किया (जो परीक्षण के लिए सेट करने में बहुत धीमे और महंगे होते)। इसके बजाय, उन्होंने तीन अलग-अलग फार्मास्युटिकल साइटों का एक वर्चुअल सिमुलेशन बनाया:

• साइट A: एक धीमी, रूढ़िवादी फैक्ट्री जिसमें धीरे बढ़ने वाले क्रिस्टल होते हैं।
• साइट B: एक मानक, बेसलाइन फैक्ट्री।
• साइट C: एक तेज़, आक्रामक फैक्ट्री जिसमें तीव्र क्रिस्टल विकास होता है।

लेखक ने एक ऐसी स्थिति का अनुकरण किया जहाँ प्रत्येक साइट के पास केवल 60 डेटा पॉइंट्स (बहुत कम डेटा) थे और जहाँ सेंसर शोर वाले थे, कभी-कभी माप सीमा में 10% तक विचलित होते थे या पूरी तरह से विफल हो जाते थे। फिर उन्होंने F-PINN सिस्टम चलाया, जिससे इन तीन वर्चुअल साइटों को अपना कच्चा डेटा साझा किए बिना सहयोग करने दिया गया।

परिणाम: जब भौतिकी काम आती है

परिणाम चौंकाने वाले थे, खासकर जब चीजें गलत हुईं।

1. "सेंसर ग्लिच" को संभालना
जब लेखक ने एक सेंसर विफलता का अनुकरण किया जहाँ क्रिस्टल के आकार 20 से 60 माइक्रोमीटर के बीच गायब थे, तो मानक फेडरेटेड लर्निंग मॉडल (बिना भौतिकी वाला एक मॉडल) अनियंत्रित हो गया। इसने बेतहाशा उतार-चढ़ाव शुरू कर दिया, ऐसे आकार का अनुमान लगाने लगा जो भौतिक रूप से असंभव थे। हालाँकि, F-PINN ने भौतिकी के नियम का उपयोग करके उस गैप को सुचारू रूप से भरा, और एक सटीक, स्मूथ कर्व बनाए रखा। यह एक ऐसे पुल की तरह था जो तब भी टिका रहा जब उसका मध्य भाग गायब था, क्योंकि इंजीनियरों को पता था कि पुल वास्तव में कैसा दिखना चाहिए।

2. "पर्सनलाइजेशन" की सफलता
सबसे बड़ी चुनौती यह थी कि तीनों साइटें बहुत अलग थीं। ग्लोबल मॉडल (औसत रेसिपी) ठीक था, लेकिन चरम साइटों के लिए बहुत अच्छा नहीं था। लेखक ने एक पर्सनलाइज्ड अडैप्टेशन (Personalized Adaptation) चरण पेश किया। ग्लोबल मॉडल को प्रशिक्षित करने के बाद, प्रत्येक साइट को अपने विशिष्ट स्थानीय डेटा का उपयोग करके थोड़ा अतिरिक्त "फाइन-ट्यूनिंग" करने की अनुमति दी गई।

• साइट A (धीमी वृद्धि वाली) के लिए, इस पर्सनलाइजेशन के बाद त्रुटि (error) में 92.8% की कमी आई।
• साइट C (तेज वृद्धि वाली) के लिए भी त्रुटि में काफी कमी आई।

3. "विजुअल ऑटॉप्सी"
सबसे नाटकीय निष्कर्ष एक तुलनात्मक विश्लेषण से आया जिसे "विजुअल ऑटॉप्सी" कहा गया। लेखक ने कठिन साइट A का डेटा लिया और दो मॉडल प्रशिक्षित किए: एक मानक AI (केवल डेटा-आधारित) और एक F-PINN (फिजिक्स-इन्फॉर्म्ड)।

• स्टैंडर्ड AI बुरी तरह विफल रहा। इसने शोर (noise) को पकड़ लिया और ऐसे टेढ़े-मेढ़े आकार बनाए जिनका कोई भौतिक अर्थ नहीं था। इसकी त्रुटि दर एक विशाल 56,841.25 थी।
• F-PINN स्थिर और सटीक रहा, जिसकी त्रुटि दर केवल 159.13 थी।

यह मानक मॉडल की तुलना में त्रुटि में 99.72% की कमी को दर्शाता है। पेपर इस बात पर जोर देता है कि ऐसे छोटे, शोर वाले डेटासेट के लिए, भौतिकी केवल एक सहायक सुझाव नहीं है; यह मॉडल को बिखरने से रोकने के लिए एक अनिवार्य आवश्यकता है।

भविष्य के लिए इसका क्या अर्थ है

अध्ययन यह निष्कर्ष निकालता है कि यह F-PINN फ्रेमवर्क Pharma 4.0 (दवा उद्योग के डिजिटल परिवर्तन) के भविष्य के लिए एक मजबूत "फाउंडेशन मॉडल" के रूप में कार्य करता है। यह साबित करता है कि कारखाने अपने गुप्त नुस्खे उजागर किए बिना बेहतर मॉडल बनाने के लिए सहयोग कर सकते हैं। फेडरेटेड लर्निंग की गोपनीयता को भौतिकी के नियमों की विश्वसनीयता के साथ जोड़कर, वे डिजिटल ट्विन बना सकते हैं जो सटीक, स्थिर और औद्योगिक विनिर्माण की जटिल वास्तविकता को संभालने के लिए तैयार हैं।

हालाँकि परिणाम वास्तविक दुनिया के कारखाने के परीक्षणों के बजाय कंप्यूटर सिमुलेशन पर आधारित हैं, पेपर सुझाव देता है कि यह दृष्टिकोण एक स्केलेबल और गोपनीयता-सुरक्षित मार्ग प्रदान करता है ताकि उद्योग की सबसे कठिन समस्याओं में से एक को हल किया जा सके: कई अलग-अलग स्रोतों से सीखना, बिना उन रहस्यों को खोए जो प्रत्येक को अद्वितीय बनाते हैं। लेखक का कहना है कि भविष्य का कार्य इसे अधिक जटिल, गतिशील प्रक्रियाओं पर लागू करने पर केंद्रित होगा, लेकिन फिलहाल, सिमुलेशन दिखाता है कि जब डेटा कम और शोर वाला हो, तो भौतिकी के नियम ही सबसे अच्छे शिक्षक होते हैं।