01Úvod
Umělá inteligence (AI), zejména strojové učení (ML), poskytuje významné inteligentní schopnosti pro laserovou mikro-nano výrobu a prokazuje vynikající výkon v oblastech, jako je modelování výrobního procesu, optimalizace parametrů procesu a detekce anomálií v-reálném čase. Tento transformační potenciál pohání vývoj nové generace laserových mikro-nano technologií výroby. Hlavní výzvy, kterým tradiční laserová výroba čelí, vyplývají ze složitosti interakcí laseru a materiálu, které vedou k nekontrolovatelným výsledkům zpracování a hromadění mikro-nano defektů během více-krokových procesů, což nakonec vede ke katastrofickým selháním procesu. Kombinace umělé inteligence s laserovými výrobními technologiemi prostřednictvím integrace datového-modelování a fyzikálního{9}}modelování, stejně jako inteligentního monitorování in situ a technologií adaptivního řízení, může tyto výzvy účinně řešit. Jaké revoluční změny nastanou, když se AI „setká“ s laserovou výrobou?
02Machine Learning-Asistované inteligentní
Laserové zpracování Při konvenčním laserovém zpracování fyzikální procesy laserových{0}}materiálových interakcí zahrnují složité nelineární termodynamické efekty, chování dynamiky tekutin a fázové přechody, díky čemuž jsou vlastní mechanismy velmi komplikované a ovlivněné řadou parametrů procesu, jako je výkon laseru a rychlost skenování. Přestože analytické modely založené na fyzice nebo numerické simulace mají jasný význam, čelí značným problémům při přesné charakterizaci přechodných, mnohorozměrných a mnohorozměrných fyzikálních jevů během praktického zpracování. Hlavní výhoda modelování pomocí strojového učení-spočívá v jeho schopnosti učit se složité nelineární vztahy z dat, efektivně zachycovat mapové korelace mezi parametry procesu, stavy procesu a konečnými indikátory kvality, čímž „obchází“ složitou analýzu fyzikálního modelu za účelem predikce, optimalizace a kontroly výsledků zpracování. Modelování-laserového zpracování za pomoci strojového učení se dělí hlavně na dva typy: datové-modelování řízené modelováním a modelování řízené fyzikou{10}}. Ve srovnání s modelováním{12}}řízeným daty, které zkoumá „modely černé skříňky“ mezi vstupy a výstupy prostřednictvím experimentálních dat, zahrnuje modelování{13} na základě fyziky fyzikální zákony jako měkká omezení (pojmy funkce ztráty) nebo tvrdá omezení (architektura sítě). Fyzikálně řízené modelování{15}}nevyužívá pouze pozorovací data, ale také plně integruje předchozí znalosti popisující základní fyzikální procesy. Datové{17}}modelování: mozek{18}}počítačová rozhraní (BCI) vytvářejí komunikační cesty mezi lidským mozkem a externími zařízeními tím, že obcházejí biologické neurotransmisní cesty prostřednictvím systémů získávání a dekódování nervových signálů. V současné době poměrně pokročilá technika neurální intervence využívá minimálně invazivní elektrodové systémy rozmístěné v mozkové vaskulatuře. Nitinolové stenty slouží jako intravaskulární nosiče elektrod pro sběr elektroencefalografických signálů nebo dodávání elektrické stimulace. Tradiční metody montáže používají k připevnění platinových elektrod k povrchu stentu hlavně ultrafialová-vytvrditelná lepidla v kombinaci s mikro-svařovacími spoji. Mechanismus "studeného zpracování" ultrarychlých laserů udržuje integritu neurovaskulárního rozhraní, aniž by způsoboval tepelné poškození. Pomocí XGBoost (eXtreme Gradient Boosting) a SVM (Support Vector Machine) lze předpovídat šířku řezu a frekvenci opakování. Experimentální ověření ukázalo, že energie jednoho-pulsu byla snížena z neoptimalizovaných 20 μJ na 7,64 μJ, opakovací frekvence se zvýšila ze 40 kHz na 52,28 kHz a rychlost skenování se snížila z 20 mm/s na 8,33 mm/s. Výsledky zpracování jsou znázorněny na obrázku 1. Obrázek 1e ukazuje neoptimalizovanou morfologii mikrostruktury, zatímco obrázek 1f ukazuje optimalizovanou morfologii zpracování, což jasně ukazuje, že optimalizovaná struktura má menší tepelně-ovlivněnou zónu a vyšší přesnost zpracování.
Modelování fyzikálního mechanismu:
Ve srovnání s vysokými náklady a dlouhým cyklem datového-modelování obchází modelování fyzikálních mechanismů potřebu předem-vypočítaných datových sad tím, že do ztrátové funkce neuronové sítě vkládá parciální diferenciální rovnice. Laserem -indukované plazmové mikro-obrábění (LIPMM) je omezeno neúplnými fyzikálními teoretickými vysvětleními a značnými časovými náklady. Přestože byly učiněny pokusy využít strojové učení pro laserové zpracování materiálů, velkou překážkou zůstává nedostatek dostatečných dat. Ve fyzikálních -modelech-řízených rámcích strojového učení jsou mezilehlé parametry mechanismu generované fyzikálními modely, jako je špičková hustota plazmy a trvání plazmy, přidány jako další dimenze k vektorům původní datové sady v kombinaci s genetickými algoritmy pro optimalizaci vícerozměrných parametrů procesu. Zahrnutí informací o fyzickém mechanismu zvyšuje rozměry dat, obohacuje trénovací datovou sadu a snižuje množství požadovaných dat. Tento přístup zlepšuje přesnost modelu s malými velikostmi vzorků, což umožňuje přesnou předpověď hloubky LIPMM. Zavedení fyzikálních informací vede optimalizační proces s rozumnějšími fyzikálními důsledky, jmenovitě s vyšší špičkovou hustotou plazmy, delší dobou trvání plazmy, větší energií jednoho -pulsu a relativně menším překrytím bodů, čímž se optimalizuje výkon LIPMM.
03 Shrnutí
Integrace umělé inteligence a laserového mikro-nano zpracování prochází hlubokou revolucí a její role se vyvíjí od-optimalizace jednobodového procesu po konstrukci koncových-koncových{3}}systémů „kognitivní výroby“. V současné době se popředí tohoto oboru soustředí na fyzikálně -informované modely, zejména na hlubokou aplikaci fyziky-informovaných neuronových sítí. Toto pokročilé paradigma strojového učení již není pouze „imitátorem“{8}}řízeným daty, ale „pochopitelem“ fyzikálních zákonů. Začleněním základních fyzikálních rovnic, jako je vedení tepla a dynamika tekutin jako omezení do trénovacího procesu neuronových sítí, mohou modely stále provádět přesné předpovědi v souladu s fyzikálními principy navzdory řídkým experimentálním datům. To nejen řeší závislost tradičních modelů strojového učení na masivních označených datových sadách, ale také poskytuje zobecňující schopnost „odvozování od jednoho k mnoha“, díky čemuž jsou jejich předpovědi fyzicky interpretovatelné. V současnosti výzkumníci konstruují „hybridní“ tréninková prostředí. V tomto prostředí je nastavení posilování postaveno na vysoce realistických fyzikálních simulacích, které umožňují naučit se základním strategiím zpracování, které se pak rychle dolaďují{13}} a ověřují pomocí skutečných dat během zpracování.
Strojové učení transformuje složité interakce mezi světlem a hmotou do programovatelných, optimalizovatelných fyzikálních zákonů, což vede výrobní průmysl k dosažení změny paradigmatu od „závislosti-na zkušenostech“ ke „kognitivní autonomii“. Tato hluboká integrace nás vede za hranice tradičních metod pokus-a{3}}omyl do nové éry přesné výroby poháněné jak daty, tak fyzikálními znalostmi.
