01Uvod
Umjetna inteligencija (AI), posebno strojno učenje (ML), pruža značajne inteligentne mogućnosti za lasersku mikro-nano proizvodnju, pokazujući izvanredne performanse u područjima kao što su modeliranje proizvodnog procesa, optimizacija parametara procesa i-otkrivanje anomalija u stvarnom-vremenu. Ovaj transformativni potencijal pokreće razvoj sljedeće generacije laserskih mikro-nano tehnologija izrade. Glavni izazovi s kojima se suočava tradicionalna laserska proizvodnja proizlaze iz složenosti interakcija između lasera i materijala, što dovodi do nekontroliranih ishoda obrade i nakupljanja mikro-nano defekata tijekom više-koračnih procesa, što u konačnici dovodi do katastrofalnih kvarova procesa. Kombinacija umjetne inteligencije s tehnologijama laserske proizvodnje, kroz integraciju modeliranja-pokrenutog podacima i modeliranja-pokrenutog fizikom, kao i inteligentnog nadzora na licu mjesta i tehnologija prilagodljive kontrole, može učinkovito odgovoriti na ove izazove. Koje će se revolucionarne promjene dogoditi kada umjetna inteligencija "susreće" lasersku proizvodnju?
02Strojno učenje-potpomognuto inteligentno
Laserska obrada U konvencionalnoj laserskoj obradi, fizički procesi interakcija laserskog -materijala uključuju složene nelinearne termodinamičke učinke, ponašanje dinamike fluida i fazne prijelaze, čineći inherentne mehanizme vrlo kompliciranim i pod utjecajem brojnih parametara procesa kao što su snaga lasera i brzina skeniranja. Iako analitički modeli-temeljeni na fizici ili numeričke simulacije imaju jasno značenje, oni se suočavaju sa značajnim izazovima u točnom karakteriziranju prolaznih, -razmjernih i više-fizičkih fenomena tijekom praktične obrade. Glavna prednost-potpomognutog modeliranja strojnog učenja leži u njegovoj sposobnosti učenja složenih nelinearnih odnosa iz podataka, učinkovitog hvatanja korelacija mapiranja između parametara procesa, stanja procesa i konačnih pokazatelja kvalitete, čime se "zaobilazi" složena analiza fizičkog modela kako bi se postiglo predviđanje, optimizacija i kontrola rezultata obrade. Modeliranje-laserske obrade potpomognuto strojnim učenjem uglavnom se dijeli na dvije vrste: modeliranje-pokrenuto podacima i modeliranje-pokrenuto fizikom. U usporedbi s modeliranjem-pokrenutim podacima, koje istražuje "modele crne kutije" između ulaza i izlaza putem eksperimentalnih podataka, modeliranje-pokrenuto fizikom uključuje fizičke zakone kao meka ograničenja (izrazi funkcije gubitka) ili čvrsta ograničenja (mrežna arhitektura). Modeliranje -pokrenuto fizikom ne samo da koristi podatke promatranja, već i potpuno integrira prethodno znanje o opisu temeljnih fizičkih procesa. Modeliranje-pokrenuto podacima: moždana-računalna sučelja (BCI) uspostavljaju komunikacijske putove između ljudskog mozga i vanjskih uređaja zaobilazeći puteve biološke neurotransmisije kroz sustave prikupljanja i dekodiranja neuralnih signala. Trenutačno, relativno napredna tehnika neuralne intervencije koristi minimalno invazivne elektrodne sustave raspoređene unutar cerebralne vaskulature. Nitinol stentovi služe kao intravaskularni nosači elektroda za prikupljanje elektroencefalografskih signala ili isporuku električne stimulacije. Tradicionalne metode sastavljanja uglavnom koriste ultraljubičasto-stvrdnjavajuća ljepila za pričvršćivanje platinskih elektroda na površinu stenta u kombinaciji s mikro-zavarenim spojevima. Mehanizam "hladne obrade" ultrabrzih lasera održava cjelovitost neurovaskularnog sučelja bez nanošenja toplinskog oštećenja. Koristeći XGBoost (eXtreme Gradient Boosting) i SVM (Support Vector Machine), mogu se napraviti predviđanja za širinu reza i učestalost ponavljanja. Eksperimentalna provjera pokazala je da je energija jednog-pulsa smanjena s neoptimiziranih 20 μJ na 7,64 μJ, frekvencija ponavljanja povećana s 40 kHz na 52,28 kHz, a brzina skeniranja smanjena s 20 mm/s na 8,33 mm/s. Rezultati obrade prikazani su na slici 1. Slika 1e prikazuje neoptimiziranu morfologiju mikrostrukture, dok slika 1f prikazuje optimiziranu morfologiju obrade, jasno pokazujući da optimizirana struktura ima manju zonu utjecaja topline-i veću točnost obrade.
Modeliranje fizičkog mehanizma:
U usporedbi s visokom cijenom i dugim ciklusom modeliranja-pokrenutog podacima, modeliranje fizičkog mehanizma zaobilazi potrebu za unaprijed-izračunatim skupovima podataka ugrađivanjem parcijalnih diferencijalnih jednadžbi u funkciju gubitka neuronske mreže. Laser{3}}inducirana plazma mikro-obrada (LIPMM) ograničena je nepotpunim fizičkim teoretskim objašnjenjima i značajnim vremenskim troškovima. Iako je bilo pokušaja korištenja strojnog učenja za lasersku obradu materijala, nedostatak dovoljno podataka ostaje glavna prepreka. U okviru-modela-vođenog strojnog učenja, parametri srednjeg mehanizma generirani fizičkim modelima, kao što su vršna gustoća plazme i trajanje plazme, dodaju se kao dodatne dimenzije izvornim vektorima skupa podataka, u kombinaciji s genetskim algoritmima za optimizaciju više{9}}dimenzionalnih parametara procesa. Uključivanje informacija o fizičkom mehanizmu povećava dimenzije podataka, obogaćuje skup podataka za obuku i smanjuje količinu potrebnih podataka. Ovaj pristup poboljšava točnost modela s malim veličinama uzorka, čime se omogućuje točno predviđanje LIPMM dubine. Uvođenje fizičkih informacija vodi proces optimizacije s razumnijim fizičkim implikacijama, naime većom vršnom gustoćom plazme, duljim trajanjem plazme, većom energijom jednog-pulsa i relativno manjim preklapanjem točaka, čime se optimizira izvedba LIPMM-a.
03 Sažetak
Integracija umjetne inteligencije i laserske mikro-nano obrade prolazi kroz duboku revoluciju, a njezina se uloga razvija od optimizacije procesa u jednoj-točki do konstrukcije-do-krajnjih sustava 'kognitivne proizvodnje'. Trenutačno je na čelu ovog polja fizički-informirani modeli, posebno duboka primjena fizički-neuralnih mreža. Ova napredna paradigma strojnog učenja više nije samo 'imitator'-pokretan podacima, već 'razumijevatelj' fizikalnih zakona. Ugrađivanjem temeljnih fizikalnih jednadžbi kao što su provođenje topline i dinamika fluida kao ograničenja u procesu obuke neuronskih mreža, modeli još uvijek mogu davati točna predviđanja u skladu s fizikalnim principima unatoč oskudnim eksperimentalnim podacima. Ovo ne samo da rješava oslanjanje tradicionalnih modela strojnog učenja na masivne označene skupove podataka, već također daje mogućnost generalizacije 'zaključivanja od jednog prema više', čineći njihova predviđanja fizički interpretabilnim. Trenutačno istraživači konstruiraju 'hibridna' okruženja za obuku. U ovom okruženju, postavka učenja s pojačanjem izgrađena je na visoko realističnim fizičkim simulacijama za učenje osnovnih strategija obrade, koje se zatim brzo fino-podešavaju i potvrđuju pomoću stvarnih podataka tijekom obrade.
Strojno učenje transformira složene interakcije između svjetla i materije u programibilne fizikalne zakone koje je moguće optimizirati, potičući proizvodnu industriju da postigne promjenu paradigme s "ovisnosti-o iskustvu" na "kognitivnu autonomiju". Ova duboka integracija vodi nas izvan tradicionalnih pristupa pokušaju-i-pogrešci u novu eru precizne proizvodnje vođene i podacima i fizičkim znanjem.
