डॉ. साई नेथरा बेटगेरी ने एक नई आर्टिफिशियल इंटेलिजेंस विधि विकसित की है जो मशीन लर्निंग को भौतिकी के साथ जोड़कर विज्ञान के सबसे बुनियादी समीकरणों में से एक – एडवेक्शन समीकरण – को हल करती है। पायटॉर्च में निर्मित फिजिक्स-इनफॉर्मेड न्यूरल नेटवर्क (पीआईएनएन) का उपयोग करते हुए, डॉ. बेटगेरी ने प्रदर्शित किया कि कैसे एआई उन समस्याओं के लिए तेज़, अधिक सटीक समाधान दे सकता है जो दशकों से इंजीनियरों और भौतिकविदों को चुनौती दे रही हैं। एडवेक्शन समीकरण इस बात का वर्णन करता है कि गर्मी, प्रदूषक, या तरंगें अंतरिक्ष और समय में कैसे चलती हैं। यह मौसम पूर्वानुमान, जलवायु मॉडलिंग और एयरोस्पेस इंजीनियरिंग का एक आधार है। परंपरागत रूप से, इसे हल करने के लिए भारी गणना और सख्त स्थिरता स्थितियों की आवश्यकता होती है, लेकिन नया दृष्टिकोण दिखाता है कि एक न्यूरल नेटवर्क स्वाभाविक रूप से भौतिकी के नियमों का सम्मान करते हुए समाधान सीख सकता है। बड़े डेटासेट पर निर्भर रहने के बजाय, पीआईएनएन समस्या की भौतिकी को स्वयं एआई मॉडल में एम्बेड करते हैं। डॉ. बेटगेरी ने समझाया, “यह नेटवर्क को होशियार बनाता है। यह सिर्फ डेटा में पैटर्न की तलाश नहीं करता – यह प्रकृति के उन नियमों को समझता है जो सिस्टम को नियंत्रित करते हैं।” परिणाम आशाजनक हैं: नेटवर्क ने उच्च सटीकता के साथ तरंग-जैसे समाधानों के व्यवहार को पुन: प्रस्तुत किया। यह सीमित या शोर वाले डेटा के साथ भी अच्छा काम करता है। इसमें पारंपरिक संख्यात्मक विधियों की तुलना में कम कम्प्यूटेशनल ओवरहेड की आवश्यकता होती है। पायटॉर्च का उपयोग करके – एक लोकप्रिय ओपन-सोर्स एआई लाइब्रेरी – डॉ. बेटगेरी स्वचालित भेदभाव को लागू करने में सक्षम थे, जिससे नेटवर्क एडवेक्शन समीकरण के लिए आवश्यक डेरिवेटिव को संभाल सकता था। GPU त्वरण ने प्रशिक्षण को कुशल बनाया, जिससे वास्तविक दुनिया के अनुप्रयोगों का मार्ग प्रशस्त हुआ। विशेषज्ञों का कहना है कि यह सफलता उन उद्योगों को बदल सकती है जहां तेज़, विश्वसनीय सिमुलेशन महत्वपूर्ण हैं। उदाहरण के लिए, पर्यावरण वैज्ञानिक इसका उपयोग प्रदूषण प्रसार की भविष्यवाणी करने के लिए, एयरोस्पेस इंजीनियर शॉक वेव्स का अनुकरण करने के लिए और मौसम विज्ञानी तूफान की भविष्यवाणी को बढ़ाने के लिए कर सकते हैं। डॉ. बेटगेरी ने कहा, “यह भौतिकी को एआई के साथ मिलाने की दिशा में एक रोमांचक कदम है।” “मेरा काम दिखाता है कि डीप लर्निंग केवल डेटा-संचालित होने से कहीं अधिक हो सकता है – यह ज्ञान-संचालित हो सकता है, जो स्वयं प्रकृति के नियमों द्वारा निर्देशित होता है।” अगला चैलेंज? ऊपर उठाना। डॉ. बेटगेरी इस दृष्टिकोण को बहु-आयामी और नॉनलाइनियर समस्याओं तक विस्तारित करने की योजना बना रहे हैं, जो सिविल इंजीनियरिंग और महामारी रोगों में वास्तविक दुनिया की प्रणालियों से निपटने के लिए फिजिक्स-इनफॉर्मेड एआई की शक्ति लाते हैं। जैसे-जैसे आर्टिफिशियल इंटेलिजेंस और भौतिकी के बीच की सीमाएं धुंधली होती जा रही हैं, यह शोध एक बढ़ती प्रवृत्ति को रेखांकित करता है: विज्ञान का भविष्य डेटा या सिद्धांत के बीच चयन करने में नहीं, बल्कि दोनों में से सर्वश्रेष्ठ को मिलाने में निहित हो सकता है।
संबंधित समाचार
