01 Вступ
Штучний інтелект (ШІ), зокрема машинне навчання (ML), надає значні інтелектуальні можливості для виготовлення лазерних мікро-нано, демонструючи видатну продуктивність у таких сферах, як моделювання виробничого процесу, оптимізація параметрів процесу та-виявлення аномалій у реальному часі. Цей трансформаційний потенціал стимулює розвиток наступного покоління лазерних мікро-нанотехнологій виробництва. Основні проблеми, з якими стикається традиційне лазерне виробництво, виникають через складність взаємодії лазера з матеріалом, що призводить до неконтрольованих результатів обробки та накопичення мікро-нанодефектів під час багато-етапних процесів, що зрештою призводить до катастрофічних збоїв процесу. Поєднання штучного інтелекту з технологіями лазерного виробництва шляхом інтеграції моделювання-на основі даних і моделювання на основі фізики-, а також інтелектуального моніторингу на місці й технологій адаптивного керування може ефективно вирішити ці проблеми. Які революційні зміни відбудуться, коли ШІ «зустрінеться» з лазерним виробництвом?
02Машинне навчання-Асистований інтелект
Лазерна обробка. У звичайній лазерній обробці фізичні процеси взаємодії лазерних -матеріалів включають складні нелінійні термодинамічні ефекти, поведінку рідинної динаміки та фазові переходи, що робить внутрішні механізми дуже складними та залежить від численних параметрів процесу, таких як потужність лазера та швидкість сканування. Незважаючи на те, що аналітичні-моделі чи числове моделювання на основі фізики мають очевидне значення, вони стикаються зі значними труднощами в точному описі перехідних, багато-масштабних і багато-фізичних явищ під час практичної обробки. Основна перевага моделювання за допомогою-машинного навчання полягає в його здатності вивчати складні нелінійні зв’язки з даних, ефективно фіксуючи кореляції відображення між параметрами процесу, станами процесу та кінцевими показниками якості, таким чином «минаючи» складний аналіз фізичної моделі для досягнення прогнозування, оптимізації та контролю результатів обробки. Моделювання лазерної обробки-за допомогою машинного навчання в основному поділяється на два типи: моделювання-на основі даних і моделювання-на основі фізики. У порівнянні з-моделюванням на основі даних, яке досліджує «моделі чорної скриньки» між входами та виходами через експериментальні дані,-моделювання на основі фізики включає фізичні закони як м’які обмеження (терміни функції втрат) або жорсткі обмеження (архітектура мережі). Моделювання, кероване-фізикою, не лише використовує дані спостережень, але також повністю інтегрує попередні знання, що описують фундаментальні фізичні процеси. Моделювання-керовано даними: мозкові-комп’ютерні інтерфейси (BCI) встановлюють шляхи зв’язку між мозком людини та зовнішніми пристроями, минаючи шляхи біологічної нейротрансмісії за допомогою нейронних систем отримання та декодування сигналів. В даний час відносно передова техніка нейронного втручання використовує мінімально інвазивні електродні системи, розміщені в церебральній судинній мережі. Нітінолові стенти служать внутрішньосудинними носіями електродів для збору електроенцефалографічних сигналів або електричної стимуляції. Традиційні методи складання в основному використовують ультрафіолетові -клейки для прикріплення платинових електродів до поверхні стента в поєднанні з мікро-зварювальними з’єднаннями. Механізм «холодної обробки» надшвидких лазерів підтримує цілісність нервово-судинного інтерфейсу, не викликаючи термічного пошкодження. Використовуючи XGBoost (Extreme Gradient Boosting) і SVM (Support Vector Machine), можна прогнозувати ширину розрізу та частоту повторення. Експериментальна перевірка показала, що енергія одного-імпульсу зменшилася з неоптимізованих 20 мкДж до 7,64 мкДж, частота повторення зросла з 40 кГц до 52,28 кГц, а швидкість сканування зменшилася з 20 мм/с до 8,33 мм/с. Результати обробки показано на малюнку 1. На малюнку 1e показана неоптимізована морфологія мікроструктури, тоді як на малюнку 1f показано оптимізована морфологія обробки, чітко вказуючи, що оптимізована структура має меншу зону термічного -впливу та вищу точність обробки.
Моделювання фізичного механізму:
У порівнянні з високою вартістю та тривалим циклом моделювання-на основі даних, моделювання фізичного механізму обходить потребу в попередньо-обчислених наборах даних завдяки вбудовуванню диференціальних рівнянь у частинних похідних у функцію втрат нейронної мережі. Лазерно-{3}}індукована плазмова мікро-обробка (LIPMM) обмежена неповними фізичними теоретичними поясненнями та значними витратами часу. Хоча були зроблені спроби використовувати машинне навчання для лазерної обробки матеріалів, відсутність достатньої кількості даних залишається основною перешкодою. У рамках-моделі-керованого машинного навчання проміжні параметри механізму, згенеровані фізичними моделями, як-от пікова щільність плазми та тривалість плазми, додаються як додаткові розміри до оригінальних векторів набору даних у поєднанні з генетичними алгоритмами для оптимізації параметрів багатовимірного процесу. Включення інформації про фізичний механізм збільшує розміри даних, збагачує навчальний набір даних і зменшує обсяг необхідних даних. Цей підхід покращує точність моделі з невеликими розмірами вибірки, що дозволяє точно прогнозувати глибину LIPMM. Введення фізичної інформації керує процесом оптимізації з більш обґрунтованими фізичними наслідками, а саме вищою піковою щільністю плазми, більшою тривалістю плазми, більшою енергією одиночного-імпульсу та відносно меншим перекриттям точок, таким чином оптимізуючи продуктивність LIPMM.
03 Підсумок
Інтеграція штучного інтелекту та лазерної мікро-нанообробки переживає глибоку революцію, і її роль розвивається від-оптимізації одноточкового процесу до побудови кінцевих--систем «когнітивного виробництва». Наразі в центрі уваги цієї галузі — фізично-інформовані моделі, зокрема глибоке застосування фізично-фізично-інформованих нейронних мереж. Ця передова парадигма машинного навчання більше не є просто «імітатором»,-керованим даними, а «розуміючим» фізичні закони. Вбудовуючи основні фізичні рівняння, такі як теплопровідність і динаміка рідини, як обмеження в процес навчання нейронних мереж, моделі все ще можуть робити точні прогнози відповідно до фізичних принципів, незважаючи на рідкісні експериментальні дані. Це не тільки вирішує залежність традиційних моделей машинного навчання від масивних мічених наборів даних, але й надає можливість узагальнення «від одного до багатьох», роблячи їхні прогнози фізично інтерпретованими. Зараз дослідники створюють «гібридні» навчальні середовища. У цьому середовищі налаштування навчання з підкріпленням побудовано на високореалістичному фізичному моделюванні для вивчення фундаментальних стратегій обробки, які потім швидко{13}}налаштовуються та перевіряються за допомогою фактичних даних під час обробки.
Машинне навчання перетворює складну взаємодію між світлом і матерією на програмовані фізичні закони, які можна оптимізувати, спонукаючи виробничу промисловість досягти зміни парадигми від «-залежності від досвіду» до «когнітивної автономії». Ця глибока інтеграція веде нас за межі традиційних підходів-і-помилок до нової ери точного виробництва, що керується як даними, так і фізичними знаннями.
