কেন আরেকটি ডেটাসেট পাইপলাইন প্রয়োজন
তিন-মাত্রিক বস্তুর চারপাশে প্রবাহের পূর্বাভাস দেয় এমন মডেল প্রশিক্ষণের জন্য ডেটা প্রস্তুত করা সাধারণত নিউরাল নেটওয়ার্কে নয়, বরং রুটিন কাজে আটকে যায়: জ্যামিতি তৈরি করা, গণনামূলক গ্রিড নির্মাণ করা, সিমুলেশন চালানো এবং ফলাফলগুলিকে একটি অভিন্ন ফরম্যাটে আনা প্রয়োজন। এই সবকিছু স্বয়ংক্রিয়ভাবে পুনরুত্পাদন করা কঠিন, তাই প্রস্তুত ডেটাসেটগুলি ব্যয়বহুল হয়ে ওঠে এবং ভালভাবে স্কেল করে না।
ওপেন-সোর্স টুল ChannelFlow-Tools একটি ভিন্ন পদ্ধতির প্রস্তাব করে: একক উদাহরণ দিয়ে নয়, বরং একটি সম্পূর্ণ পাইপলাইনের মাধ্যমে ডেটাসেট সংগ্রহ করা — বাধাগুলির প্রক্রিয়াগত জেনারেশন থেকে শুরু করে প্রশিক্ষণের উপযোগী টেনসরে ত্রি-মাত্রিক প্রবাহ ক্ষেত্র প্যাক করা পর্যন্ত। arXiv-এ প্রকল্পের বিবরণ অনুসারে, লেখকদের মূল লক্ষ্য হল ম্যানুয়াল অপারেশনগুলি দূর করা এবং প্রক্রিয়াটিকে যতটা সম্ভব পুনরুত্পাদনযোগ্য করা।
পাইপলাইনের ভিতরে কী ঘটে
সাধারণ কাজটি এরকম দেখায়: একটি চ্যানেলে একটি বাধা স্থাপন করা হয়, এবং প্রবাহের ইনপুট অবস্থার উপর ভিত্তি করে বস্তুর চারপাশে বেগ এবং চাপের ত্রি-মাত্রিক ক্ষেত্র পূর্বাভাস করতে হয়। ChannelFlow-Tools-এর বিশেষত্ব হল এটি ছয়টি আকৃতির পরিবার থেকে জ্যামিতিক বিকল্পগুলি স্বয়ংক্রিয়ভাবে পুনরাবৃত্তি করে। ম্যানুয়ালি বস্তু নির্বাচনের পরিবর্তে প্রক্রিয়াগত জেনারেশন ব্যবহার করা হয়, যা নিয়ন্ত্রিত প্যারামিটার সহ বিভিন্ন ধরণের বাধা তৈরি করতে পারে।
এরপর জ্যামিতিটি সাইন-দূরত্ব ক্ষেত্রের উপর ভিত্তি করে একটি ভক্সেল উপস্থাপনায় রূপান্তরিত হয়। এই উপস্থাপনাটি কনভোলিউশনাল মডেলগুলির জন্য সুবিধাজনক এবং অনিয়মিত গণনামূলক গ্রিডের সাথে সরাসরি কাজ করার প্রয়োজন হয় না। এর পরে, ল্যাটিস-বোল্টজম্যান মডেলিং চালু করা হয় — হাইড্রোডাইনামিক সমীকরণের সংখ্যাসূচক সমাধানের একটি পদ্ধতি যা সমান্তরাল কম্পিউটিংয়ের সাথে ভালভাবে খাপ খায়। অবশেষে, সিমুলেশনের ফলাফল এবং মূল জ্যামিতি মাস্কগুলি নিউরাল নেটওয়ার্ক আর্কিটেকচারের জন্য প্রস্তুত টেনসরে একত্রিত হয়।
সম্পূর্ণ প্রক্রিয়াটি কনফিগারেশন ফাইল দ্বারা পরিচালিত হয়। এর অর্থ হল জেনারেশন প্যারামিটার, সিমুলেশন শর্ত এবং আউটপুট ডেটা ফরম্যাট কোডে "হার্ড-কোড" না করে ঘোষণামূলকভাবে নির্ধারণ করা যেতে পারে। লেখকদের দাবি অনুযায়ী, জ্যামিতি জেনারেশন ধাপটি বাইট-ফর-বাইট পুনরুত্পাদনযোগ্য: অভিন্ন কনফিগারেশন বারবার চালানো হোক না কেন একই বস্তু দেয়। ফিজিক্যাল সিমুলেটরের জন্য সম্পূর্ণ বিট-স্তরের পুনরুত্পাদনযোগ্যতা আরও জটিল, তবে প্রকল্পের প্রক্রিয়াগত অংশটি কঠোরভাবে করা হয়েছে।
ডেটা যাচাই "চোখে দেখা" নয়
একটি ডেটাসেট তৈরি করা অর্ধেক কাজ। প্রশিক্ষণের জন্য ব্যবহার করার আগে, লেখকরা বিভিন্ন স্তরের বৈধতা পরিচালনা করেছেন। এর মধ্যে রয়েছে গণনামূলক গ্রিডের অখণ্ডতার এন্ড-টু-এন্ড পরীক্ষা, সাইন-দূরত্ব ফাংশনের বিশ্লেষণাত্মক পরীক্ষা এবং একটি পরিচিত গোলক-প্রবাহ বেঞ্চমার্কের সাথে তুলনা। সমস্ত রূপান্তরের পরে ডেটার বাইট-অখণ্ডতাও পরীক্ষা করা হয়েছিল।
এই ধরনের যাচাইকরণ শুধুমাত্র একটি নির্দিষ্ট নমুনার মানের জন্যই নয়, বরং পুরো ডেটা কর্পাসটি সামঞ্জস্যপূর্ণ কিনা তা নিশ্চিত করার জন্যও গুরুত্বপূর্ণ। যদি একটি মডেল হাজার হাজার সিমুলেশনের নমুনার উপর প্রশিক্ষিত হয়, তবে জ্যামিতি বা প্যাকেজিংয়ে বিরল ব্যর্থতাও একটি পদ্ধতিগত ত্রুটিতে পরিণত হতে পারে।
ডেটা কি বাস্তবে কাজ করে
ফলস্বরূপ ডেটাসেটগুলির উপযোগিতা প্রদর্শনের জন্য, লেখকরা তিনটি সারোগেট মডেল প্রশিক্ষণ দিয়েছেন: 3D U-Net, FNO এবং U-FNO। প্রতিটি মডেল পরিচিত জ্যামিতি এবং প্রবাহ প্যারামিটার থেকে প্রবাহ ক্ষেত্রের পূর্বাভাস দিতে শিখেছে। প্রশিক্ষণের নমুনায় প্রায় 1000 থেকে 10 000 পর্যন্ত হ্রাসকৃত রেনল্ডস সংখ্যা সহ 450টি সিমুলেশন ছিল।
প্রশিক্ষণে কম ত্রুটির ঘটনাটি নিজেই খুব বেশি কিছু বলে না। আরও আকর্ষণীয় ফলাফল হল প্রশিক্ষণ বিতরণের বাইরে যাওয়া টেস্ট স্প্লিটগুলিতে মডেলগুলির আচরণ: অন্যান্য আকৃতির পরিবার এবং আগে কখনও দেখা যায়নি এমন রেনল্ডস সংখ্যা। লেখকদের মতে, পূর্বাভাসগুলি শারীরিকভাবে ব্যাখ্যাযোগ্য থাকে। এটি পরোক্ষভাবে নিশ্চিত করে যে পাইপলাইন দ্বারা সংগৃহীত ডেটা কাঠামো মডেলগুলিতে বাস্তব প্রবাহের ধরণগুলি передает, শুধুমাত্র প্রশিক্ষণ নমুনার উদাহরণ "মুখস্থ" নয়।
উপসংহার
উপলব্ধ উপকরণ থেকে বিচার করলে, ChannelFlow-Tools CFD-সলভার এবং মেশিন লার্নিংয়ের মধ্যে একটি গুরুত্বপূর্ণ ফাঁক পূরণ করে। প্রিপ্রসেসিংয়ের জন্য পৃথক স্ক্রিপ্টের পরিবর্তে, প্রকল্পটি একটি কাস্টমাইজযোগ্য, যাচাইযোগ্য এবং পুনরুত্পাদনযোগ্য পাইপলাইন অফার করে। এটি এটিকে গবেষকদের জন্য একটি দরকারী টুল করে তোলে যারা ত্রি-মাত্রিক প্রবাহ নিয়ে কাজ করেন এবং মডেল আর্কিটেকচারে আরও মনোযোগ দিতে চান, আরেকটি ডেটাসেট তৈরিতে নয়।
নিবন্ধটি arXiv-এ নম্বর 2509.15236-এর অধীনে উপলব্ধ; লেখকদের তালিকায় রয়েছেন — Shubham Kavane, Lukas Schröder, Kajol Kulkarni, Fernando Gonzalez এবং Harald Koestler।
