01Въведение
Изкуственият интелект (AI), особено машинното обучение (ML), предоставя значителни интелигентни възможности за лазерно производство на микро-нано, демонстрирайки изключителна производителност в области като моделиране на производствени процеси, оптимизиране на параметри на процеси и-откриване на аномалии в реално време. Този трансформиращ потенциал стимулира развитието на следващото поколение лазерни микро-нанотехнологии за производство. Основните предизвикателства, пред които е изправено традиционното лазерно производство, произтичат от сложността на взаимодействията между лазер и материал, които водят до неконтролируеми резултати от обработката и натрупване на микро-нано дефекти по време на много-етапни процеси, което в крайна сметка води до катастрофални откази на процеса. Комбинирането на изкуствен интелект с технологии за лазерно производство, чрез интегриране на-моделиране, управлявано от данни и-физично моделиране, както и интелигентно наблюдение на място и технологии за адаптивен контрол, може ефективно да се справи с тези предизвикателства. Какви революционни промени ще настъпят, когато AI „срещне“ лазерното производство?
02Машинно обучение-Асистирано интелигентно
Лазерна обработка При конвенционалната лазерна обработка физическите процеси на взаимодействието на лазер-материалите включват сложни нелинейни термодинамични ефекти, поведение на динамиката на флуидите и фазови преходи, което прави присъщите механизми много сложни и повлияни от множество параметри на процеса, като лазерна мощност и скорост на сканиране. Въпреки че базираните на физика-аналитични модели или числени симулации имат ясно значение, те са изправени пред значителни предизвикателства при точното характеризиране на преходни, много-мащабни и много-физични явления по време на практическа обработка. Основното предимство на-подпомогнато с машинно обучение моделиране се крие в способността му да научава сложни нелинейни връзки от данни, като ефективно улавя картографските корелации между параметрите на процеса, състоянията на процеса и крайните показатели за качество, като по този начин „заобикаля“ анализа на сложния физически модел, за да постигне прогнозиране, оптимизиране и контрол на резултатите от обработката. Моделирането с-подпомогнато от машинно обучение лазерно обработване се разделя основно на два типа: моделиране,-задвижвано от данни, и моделиране,-задвижвано от физика. В сравнение с-управляваното от данни моделиране, което изследва „модели на черна кутия“ между входове и изходи чрез експериментални данни, управляваното от физика-моделиране включва физически закони като меки ограничения (термини на функцията на загуба) или твърди ограничения (мрежова архитектура). Физико{15}}моделирането не само използва данни от наблюдения, но също така напълно интегрира предишни познания, описващи фундаментални физически процеси. Данни-Управлявано моделиране: Мозъчните-компютърни интерфейси (BCI) установяват комуникационни пътища между човешкия мозък и външните устройства, като заобикалят пътищата за биологично невротрансмисия чрез системи за придобиване и декодиране на невронни сигнали. Понастоящем една сравнително напреднала техника за невронна интервенция използва минимално инвазивни електродни системи, разположени в церебралната васкулатура. Нитиноловите стентове служат като интраваскуларни електродни носители за събиране на електроенцефалографски сигнали или доставяне на електрическа стимулация. Традиционните методи за сглобяване използват главно ултравиолетови -втвърдяващи се лепила за закрепване на платинени електроди към повърхността на стента, комбинирани с микро-заваръчни връзки. Механизмът на "студена обработка" на свръхбързите лазери поддържа целостта на невроваскуларния интерфейс, без да причинява термично увреждане. Използвайки XGBoost (eXtreme Gradient Boosting) и SVM (Support Vector Machine), могат да се правят прогнози за ширината на разреза и честотата на повторение. Експерименталната проверка показа, че енергията на единичен-импулс е намалена от неоптимизираните 20 μJ до 7,64 μJ, честотата на повторение е увеличена от 40 kHz до 52,28 kHz, а скоростта на сканиране е намаляла от 20 mm/s до 8,33 mm/s. Резултатите от обработката са показани на Фигура 1. Фигура 1e показва неоптимизираната морфология на микроструктурата, докато Фигура 1f показва оптимизираната морфология на обработката, което ясно показва, че оптимизираната структура има по-малка термично-засегната зона и по-висока точност на обработка.
Моделиране на физическия механизъм:
В сравнение с високата цена и дългия цикъл на моделиране,-задвижвано от данни, моделирането на физическия механизъм заобикаля нуждата от предварително-изчислени набори от данни чрез вграждане на частични диференциални уравнения във функцията на загубите на невронна мрежа. Лазерно{3}}индуцирана плазмена микро-обработка (LIPMM) е ограничена от непълни физични теоретични обяснения и значителни времеви разходи. Въпреки че са правени опити за използване на машинно обучение за лазерна обработка на материали, липсата на достатъчно данни остава основна пречка. Във-модел-направлявани рамки за машинно обучение междинни параметри на механизма, генерирани от физически модели, като пикова плътност на плазмата и продължителност на плазмата, се добавят като допълнителни измерения към оригиналните вектори на набор от данни, комбинирани с генетични алгоритми за оптимизиране на много{9}}измерните параметри на процеса. Включването на информация за физическия механизъм увеличава размерите на данните, обогатява набора от данни за обучение и намалява количеството необходими данни. Този подход подобрява точността на модела с малки размери на извадката, като по този начин позволява точно прогнозиране на дълбочината на LIPMM. Въвеждането на физическа информация ръководи процеса на оптимизиране с по-разумни физически последици, а именно по-висока пикова плътност на плазмата, по-голяма продължителност на плазмата, по-голяма енергия на един-импулс и относително по-малко припокриване на точки, като по този начин се оптимизира производителността на LIPMM.
03 Резюме
Интегрирането на изкуствения интелект и лазерната микро-нано обработка претърпява дълбока революция, като нейната роля се развива от едно-точково оптимизиране на процеса до изграждането на-до-крайни системи за „когнитивно производство“. Понастоящем в челните редици на тази област се съсредоточават физически-информирани модели, по-специално задълбочено приложение на-физически информирани невронни мрежи. Тази усъвършенствана парадигма за машинно обучение вече не е само-управляван от данни „имитатор“, а „разбирател“ на физическите закони. Чрез вграждане на основни физични уравнения като топлопроводимост и динамика на флуидите като ограничения в процеса на обучение на невронни мрежи, моделите все още могат да правят точни прогнози в съответствие с физическите принципи въпреки оскъдните експериментални данни. Това не само разрешава зависимостта на традиционните модели за машинно обучение върху масивни етикетирани набори от данни, но също така дава възможност за обобщаване на „извод от едно към много“, което прави техните прогнози физически интерпретируеми. В момента изследователите изграждат „хибридни“ среди за обучение. В тази среда настройката за обучение за подсилване е изградена върху изключително реалистични физически симулации за изучаване на основни стратегии за обработка, които след това бързо се фино-настройват и валидират с помощта на действителни данни по време на обработката.
Машинното обучение трансформира сложните взаимодействия между светлината и материята в програмируеми, оптимизируеми физически закони, карайки производствената индустрия да постигне промяна на парадигмата от „зависимост-от опита“ към „когнитивна автономия“. Тази дълбока интеграция ни води отвъд традиционните подходи на пробата-и-грешка в нова ера на прецизно производство, движено както от данни, така и от физическо познание.
