मिश्रण: मशीन लर्निंग के साथ द्रव मिश्रण का अनुकूलन

द्रव मिश्रण कई औद्योगिक प्रक्रियाओं और रासायनिक प्रतिक्रियाओं का एक महत्वपूर्ण हिस्सा है। हालाँकि, प्रक्रिया अक्सर गणितीय अनुकूलन के बजाय परीक्षण-और-त्रुटि आधारित प्रयोग पर निर्भर करती है। अशांत मिश्रण प्रभावी है लेकिन हमेशा टिकाऊ नहीं होता है और सामग्री को नुकसान पहुंचा सकता है।

इस मुद्दे को हल करने के लिए, जापानी शोधकर्ताओं ने एक दृष्टिकोण प्रस्तावित किया जो लामिना के प्रवाह में द्रव मिश्रण को अनुकूलित करने के लिए मशीन लर्निंग का उपयोग करता है। इसे अशांत मिश्रण तक भी बढ़ाया जा सकता है।

कई औद्योगिक और रासायनिक प्रक्रियाओं में तरल पदार्थों का मिश्रण एक महत्वपूर्ण कारक है। उदाहरण के लिए, फार्मास्युटिकल मिश्रण या रासायनिक प्रतिक्रियाओं के लिए समान द्रव मिश्रण की आवश्यकता हो सकती है। यदि इस मिश्रण को तेजी से और कम ऊर्जा के साथ पूरा किया जा सकता है, तो संबंधित लागतों को काफी कम किया जा सकता है। व्यवहार में, हालांकि, अधिकांश मिश्रण प्रक्रियाएं गणितीय रूप से अनुकूलित नहीं होती हैं और इसके बजाय परीक्षण और त्रुटि के आधार पर अनुभवजन्य विधियों पर निर्भर करती हैं। अशांत मिश्रण, जो तरल पदार्थ को मिलाने के लिए अशांति का उपयोग करता है, एक विकल्प है, लेकिन समस्याग्रस्त है क्योंकि इसे बनाए रखना मुश्किल है (जैसे माइक्रोमिक्सर) या मिश्रित होने वाली सामग्री को नुकसान पहुंचाता है (जैसे बायोरिएक्टर या खाद्य मिक्सर)। मेरे पास है।

क्या हम इसके बजाय लामिना के प्रवाह के लिए अनुकूलित मिश्रण प्राप्त कर सकते हैं? इस प्रश्न का उत्तर देने के लिए, जापानी शोधकर्ताओं की एक टीम ने एक नए अध्ययन में मशीन लर्निंग की ओर रुख किया।उनका अनुसंधान में प्रकाशित वैज्ञानिक रिपोर्ट, टीम ने “सुदृढीकरण सीखने” (आरएल) नामक एक दृष्टिकोण का सहारा लिया। यह एक बुद्धिमान एजेंट है जो संचयी पुरस्कारों (तात्कालिक पुरस्कारों के बजाय) को अधिकतम करने के लिए वातावरण में कार्रवाई करता है।

“चूंकि आरएल संचयी इनाम को अधिकतम करता है, जो कि वैश्विक-समय पर है, हम उम्मीद करते हैं कि यह कुशल द्रव मिश्रण की समस्या से निपटने के लिए अच्छी तरह से अनुकूल होगा, जो एक वैश्विक-इन-टाइम अनुकूलन समस्या भी है।” पेपर के संबंधित लेखक एसोसिएट प्रोफेसर मासानोबू इनुबुशी बताते हैं: “व्यक्तिगत रूप से, मेरा मानना ​​​​है कि मशीन लर्निंग एल्गोरिदम को आँख बंद करके लागू करने के बजाय सही समस्या के लिए सही एल्गोरिदम खोजना महत्वपूर्ण है। दो क्षेत्रों (द्रव मिश्रण और सुदृढीकरण सीखने) के भौतिक और गणितीय गुणों को ध्यान में रखते हुए, हम दोनों को जोड़ने में सक्षम थे ।” शोध में ओसाका विश्वविद्यालय के स्नातक छात्र मिकिटो कोनिशी और प्रोफेसर सुसुमु गोटो के योगदान शामिल थे।

लेकिन टीम को एक बड़ी बाधा का इंतजार था। आरएल वैश्विक अनुकूलन समस्याओं के लिए अच्छी तरह से अनुकूल है, लेकिन यह उच्च-आयामी राज्य रिक्त स्थान वाले सिस्टम के लिए विशेष रूप से खराब है, यानी सिस्टम जिन्हें वर्णन करने के लिए बड़ी संख्या में चर की आवश्यकता होती है। दुर्भाग्य से, द्रव मिश्रण ऐसी ही एक प्रणाली थी।

इस मुद्दे को हल करने के लिए, टीम ने एक और अनुकूलन समस्या तैयार करने के लिए उपयोग किया जाने वाला दृष्टिकोण अपनाया। इसने हमें द्रव प्रवाह राज्य स्थान की आयामीता को एक तक कम करने की अनुमति दी। सीधे शब्दों में कहें, द्रव गति को अब केवल एक पैरामीटर का उपयोग करके वर्णित किया जा सकता है!

आरएल एल्गोरिदम आमतौर पर “मार्कोव निर्णय प्रक्रिया” (एमडीपी) के संदर्भ में तैयार किए जाते हैं। यह उन स्थितियों में निर्णय लेने के लिए एक गणितीय ढांचा है जहां परिणाम आंशिक रूप से यादृच्छिक होता है और आंशिक रूप से निर्णय निर्माता द्वारा नियंत्रित होता है। इस दृष्टिकोण का उपयोग करते हुए, टीम ने दिखाया कि आरएल द्रव मिश्रण को प्रभावी ढंग से अनुकूलित करता है।

“जब हमने दो-आयामी द्रव मिश्रण समस्या पर हमारे आरएल-आधारित एल्गोरिदम का परीक्षण किया, तो हमने पाया कि एल्गोरिदम ने प्रभावी प्रवाह नियंत्रण की पहचान की, जिसके परिणामस्वरूप पूर्व ज्ञान के बिना तेजी से तेजी से मिश्रण हुआ। मैंने किया।” डॉ इनुबुशी कहते हैं। “इस कुशल मिश्रण के अंतर्निहित तंत्र को गतिशील प्रणाली सिद्धांत के परिप्रेक्ष्य से एक निश्चित बिंदु के चारों ओर प्रवाह को देखकर समझाया गया था।”

RL पद्धति का एक अन्य महत्वपूर्ण लाभ प्रशिक्षित ‘मिक्सर’ का प्रभावी हस्तांतरण शिक्षण (प्राप्त ज्ञान को किसी अन्य संबंधित समस्या पर लागू करना) था। द्रव मिश्रण के संदर्भ में, इसका मतलब है कि एक विशेष पेकलेट संख्या (मिश्रण प्रक्रिया में अनुकूली और प्रसार वेग का अनुपात) पर प्रशिक्षित मिक्सर का उपयोग किसी अन्य पेकलेट नंबर पर मिश्रण की समस्याओं को हल करने के लिए किया जा सकता है। मैं था। इसने आरएल एल्गोरिदम के प्रशिक्षण के समय और लागत को काफी कम कर दिया।

जबकि ये परिणाम उत्साहजनक हैं, डॉ इनुबिशी बताते हैं कि यह केवल पहला कदम है। “अभी भी हल करने के लिए कई चुनौतियां हैं, जैसे कि इस पद्धति को अधिक यथार्थवादी द्रव मिश्रण समस्याओं पर लागू करना और आरएल एल्गोरिदम में सुधार करना और उन्हें कैसे लागू किया जाता है।” वह कहते हैं।

बेशक, द्वि-आयामी द्रव मिश्रण वास्तविक-विश्व मिश्रण समस्याओं का प्रतिनिधि नहीं है, लेकिन यह कार्य एक उपयोगी प्रारंभिक बिंदु प्रदान करता है। इसके अलावा, हालांकि लामिना मिश्रण पर ध्यान केंद्रित किया गया है, विधि को अशांत मिश्रण तक बढ़ाया जा सकता है। इसलिए, यह बहुमुखी है और द्रव मिश्रण का उपयोग करने वाले विभिन्न उद्योगों में इसकी प्रमुख अनुप्रयोग क्षमता है।

चटनी: विज्ञान के टोक्यो विश्वविद्यालय