01Введение
Искусственный интеллект (ИИ), в частности машинное обучение (МО), предоставляет значительные интеллектуальные возможности для лазерного микро-нанопроизводства, демонстрируя выдающуюся производительность в таких областях, как моделирование производственного процесса, оптимизация параметров процесса и обнаружение аномалий-в реальном времени. Этот преобразующий потенциал стимулирует разработку следующего поколения технологий лазерного микро-нанопроизводства. Основные проблемы, с которыми сталкивается традиционное лазерное производство, связаны со сложностью взаимодействия лазера с материалом, которая приводит к неконтролируемым результатам обработки и накоплению микро-нанодефектов во время много-этапных процессов, что в конечном итоге приводит к катастрофическим сбоям процесса. Сочетание искусственного интеллекта с технологиями лазерного производства посредством интеграции -моделирования на основе данных и физики-моделирования, а также интеллектуального мониторинга на месте и технологий адаптивного управления может эффективно решить эти проблемы. Какие революционные изменения произойдут, когда ИИ «встретится» с лазерным производством?
02Машинное обучение-Интеллектуальный помощник
Лазерная обработкаПри обычной лазерной обработке физические процессы лазерного-взаимодействия с материалами включают в себя сложные нелинейные термодинамические эффекты, поведение гидродинамики и фазовые переходы, что делает внутренние механизмы очень сложными и подверженными влиянию многочисленных параметров процесса, таких как мощность лазера и скорость сканирования. Хотя аналитические модели-на основе физики или численное моделирование имеют очевидную значимость, они сталкиваются со значительными трудностями при точном описании переходных, много-масштабных и мульти-физических явлений во время практической обработки. Основное преимущество моделирования с помощью машинного обучения- заключается в его способности изучать сложные нелинейные взаимосвязи на основе данных, эффективно фиксируя корреляции между параметрами процесса, состояниями процесса и конечными показателями качества, тем самым «обходя» сложный анализ физической модели для достижения прогнозирования, оптимизации и контроля результатов обработки. Моделирование лазерной обработки с помощью машинного обучения-в основном делится на два типа: моделирование-на основе данных и моделирование на основе физики-. По сравнению с моделированием на основе данных-, которое исследует модели "черного ящика" между входными и выходными данными с помощью экспериментальных данных, моделирование на основе физики-включает в себя физические законы в виде мягких ограничений (термины функции потерь) или жестких ограничений (сетевая архитектура). Моделирование, основанное на физике,-не только использует данные наблюдений, но и полностью интегрирует предварительные знания, описывающие фундаментальные физические процессы. Моделирование, основанное на данных,-мозг-компьютерные интерфейсы (BCI) устанавливают пути связи между человеческим мозгом и внешними устройствами, минуя пути биологической нейротрансмиссии через системы сбора и декодирования нейронных сигналов. В настоящее время относительно продвинутая техника нейронного вмешательства использует минимально инвазивные электродные системы, размещаемые в сосудистой сети головного мозга. Нитиноловые стенты служат внутрисосудистыми носителями электродов для сбора электроэнцефалографических сигналов или проведения электрической стимуляции. Традиционные методы сборки в основном используют клеи,-отверждаемые ультрафиолетом, для прикрепления платиновых электродов к поверхности стента в сочетании с микро-сварными соединениями. Механизм «холодной обработки» сверхбыстрых лазеров сохраняет целостность сосудисто-нервного интерфейса, не вызывая термического повреждения. Используя XGBoost (экстремальное повышение градиента) и SVM (машина опорных векторов), можно делать прогнозы относительно ширины разреза и частоты повторения. Экспериментальная проверка показала, что энергия одиночного-импульса снизилась с неоптимизированных 20 мкДж до 7,64 мкДж, частота повторения увеличилась с 40 кГц до 52,28 кГц, а скорость сканирования снизилась с 20 мм/с до 8,33 мм/с. Результаты обработки показаны на рисунке 1. На рисунке 1e показана неоптимизированная морфология микроструктуры, а на рисунке 1f показана оптимизированная морфология обработки, что ясно указывает на то, что оптимизированная структура имеет меньшую зону термического воздействия и более высокую точность обработки.
Моделирование физических механизмов:
По сравнению с дорогостоящим и длительным циклом моделирования на основе данных-при моделировании физических механизмов не требуется предварительно-вычисленных наборов данных за счет внедрения уравнений в частных производных в функцию потерь нейронной сети. Лазерная-микро-обработка с индуцированной плазмой (LIPMM) ограничена неполными физическими теоретическими объяснениями и значительными временными затратами. Хотя были предприняты попытки использовать машинное обучение для лазерной обработки материалов, отсутствие достаточных данных остается серьезным препятствием. В средах машинного обучения, управляемых -моделью-, промежуточные параметры механизма, генерируемые физическими моделями, такие как пиковая плотность плазмы и продолжительность плазмы, добавляются в качестве дополнительных измерений к исходным векторам набора данных в сочетании с генетическими алгоритмами для оптимизации многомерных параметров процесса. Включение информации о физическом механизме увеличивает размерность данных, обогащает набор обучающих данных и уменьшает объем требуемых данных. Этот подход повышает точность модели при небольших размерах выборки, что позволяет точно прогнозировать глубину LIPMM. Введение физической информации направляет процесс оптимизации с более разумными физическими последствиями, а именно: более высокой пиковой плотностью плазмы, большей продолжительностью плазмы, большей энергией одиночного-импульса и относительно меньшим перекрытием пятен, тем самым оптимизируя производительность LIPMM.
03 Резюме
Интеграция искусственного интеллекта и лазерной микро-нанообработки переживает глубокую революцию, причем ее роль меняется от одноточечной оптимизации процессов до создания сквозных--систем «когнитивного производства». В настоящее время в центре внимания этой области лежат физически-модели, особенно глубокое применение нейронных сетей,-информированных о физике. Эта передовая парадигма машинного обучения уже не просто «имитатор»,-управляемый данными, а «пониматель» физических законов. Встраивая основные физические уравнения, такие как теплопроводность и гидродинамика, в качестве ограничений в процесс обучения нейронных сетей, модели по-прежнему могут делать точные прогнозы в соответствии с физическими принципами, несмотря на скудность экспериментальных данных. Это не только устраняет зависимость традиционных моделей машинного обучения от огромных наборов размеченных данных, но также обеспечивает возможность обобщения «вывода от одного ко многим», делая их прогнозы физически интерпретируемыми. В настоящее время исследователи создают «гибридную» среду обучения. В этой среде обучение с подкреплением строится на основе высокореалистичного физического моделирования для изучения фундаментальных стратегий обработки, которые затем быстро -настраиваются и проверяются с использованием реальных данных во время обработки.
Машинное обучение преобразует сложные взаимодействия между светом и материей в программируемые, оптимизируемые физические законы, побуждая обрабатывающую промышленность добиться смены парадигмы от «зависимости от-опыта» к «когнитивной автономии». Эта глубокая интеграция выводит нас за пределы традиционных подходов проб-и-ошибок в новую эру точного производства, основанного как на данных, так и на физических знаниях.
