01 Uvod
Umetna inteligenca (AI), zlasti strojno učenje (ML), zagotavlja pomembne inteligentne zmogljivosti za lasersko izdelavo mikro-nano, ki izkazuje izjemno zmogljivost na področjih, kot so modeliranje proizvodnega procesa, optimizacija procesnih parametrov in realno{1}}odkrivanje anomalij. Ta preobrazbeni potencial poganja razvoj naslednje generacije tehnologij laserske mikro-nano izdelave. Glavni izzivi, s katerimi se sooča tradicionalna laserska proizvodnja, izhajajo iz kompleksnosti interakcij med laserjem in materialom, ki vodijo do nenadzorovanih rezultatov obdelave in kopičenja mikro-nano napak med več-stopenjskimi procesi, kar na koncu povzroči katastrofalne napake v procesu. Združevanje umetne inteligence s tehnologijami laserske proizvodnje z integracijo modeliranja-na podlagi podatkov in modeliranja-na podlagi fizike ter inteligentnega spremljanja in situ in tehnologij prilagodljivega nadzora lahko učinkovito obravnava te izzive. Kakšne revolucionarne spremembe se bodo zgodile, ko bo umetna inteligenca "srečala" lasersko proizvodnjo?
02Strojno učenje-Inteligentno podprto
Laserska obdelava Pri konvencionalni laserski obdelavi vključujejo fizični procesi laserskih-interakcij materialov zapletene nelinearne termodinamične učinke, dinamiko tekočin in fazne prehode, zaradi česar so inherentni mehanizmi zelo zapleteni in nanje vplivajo številni procesni parametri, kot sta moč laserja in hitrost skeniranja. Čeprav imajo fizikalno-osnovani analitični modeli ali numerične simulacije jasen pomen, se med praktično obdelavo soočajo s precejšnjimi izzivi pri natančni karakterizaciji prehodnih, več-in-fizikalnih pojavov. Glavna prednost modeliranja-s pomočjo strojnega učenja je v njegovi zmožnosti učenja zapletenih nelinearnih odnosov iz podatkov, pri čemer učinkovito zajema korelacije preslikave med parametri procesa, stanji procesa in končnimi kazalniki kakovosti, s čimer "obide" kompleksno analizo fizičnega modela za dosego napovedi, optimizacije in nadzora rezultatov obdelave. Modeliranje-laserske obdelave s pomočjo strojnega učenja je v glavnem razdeljeno na dve vrsti: modeliranje-na podlagi podatkov in modeliranje-na podlagi fizike. V primerjavi s podatkovno{12}}modeliranjem, ki raziskuje »modele črne skrinjice« med vhodi in izhodi prek eksperimentalnih podatkov, fizikalno{13}}modeliranje vključuje fizikalne zakone kot mehke omejitve (izrazi funkcije izgube) ali trde omejitve (omrežna arhitektura). Fizikalno{15}}modeliranje ne uporablja samo opazovalnih podatkov, temveč tudi v celoti vključuje predhodno znanje, ki opisuje temeljne fizične procese. Podatkovno-modeliranje: Možganski-računalniški vmesniki (BCI) vzpostavljajo komunikacijske poti med človeškimi možgani in zunanjimi napravami tako, da obidejo poti biološkega nevrotransmisije prek sistemov za pridobivanje in dekodiranje nevronskih signalov. Trenutno sorazmerno napredna tehnika nevralne intervencije uporablja minimalno invazivne sisteme elektrod, nameščene v cerebralni vaskulaturi. Nitinolni stenti služijo kot intravaskularni nosilci elektrod za zbiranje elektroencefalografskih signalov ali zagotavljanje električne stimulacije. Tradicionalne metode sestavljanja večinoma uporabljajo ultravijolična-lepila za pritrditev platinastih elektrod na površino stenta v kombinaciji z mikro-varjenimi povezavami. Mehanizem "hladne obdelave" ultrahitrih laserjev ohranja celovitost nevrovaskularnega vmesnika brez povzročanja toplotne poškodbe. Z uporabo XGBoost (eXtreme Gradient Boosting) in SVM (Support Vector Machine) je mogoče predvideti širino reza in pogostost ponavljanja. Eksperimentalno preverjanje je pokazalo, da se je energija posameznega-pulza zmanjšala z neoptimiziranih 20 μJ na 7,64 μJ, frekvenca ponavljanja se je povečala s 40 kHz na 52,28 kHz, hitrost skeniranja pa se je zmanjšala z 20 mm/s na 8,33 mm/s. Rezultati obdelave so prikazani na sliki 1. Slika 1e prikazuje neoptimizirano morfologijo mikrostrukture, medtem ko slika 1f prikazuje optimizirano morfologijo obdelave, kar jasno kaže, da ima optimizirana struktura manjše toplotno -območje in večjo natančnost obdelave.
Modeliranje fizikalnega mehanizma:
V primerjavi z visokimi stroški in dolgim ciklom modeliranja-na podlagi podatkov modeliranje fizičnih mehanizmov obide potrebo po vnaprej-izračunanih nizih podatkov z vdelavo parcialnih diferencialnih enačb v funkcijo izgube nevronske mreže. Laser{3}}inducirana plazma mikro-obdelava (LIPMM) je omejena zaradi nepopolnih fizikalnih teoretičnih razlag in znatnih časovnih stroškov. Čeprav so bili izvedeni poskusi uporabe strojnega učenja za lasersko obdelavo materialov, ostaja pomanjkanje zadostnih podatkov velika ovira. V okvirih-modela-vodenega strojnega učenja s fiziko so parametri vmesnega mehanizma, ki jih generirajo fizični modeli, kot sta najvišja gostota plazme in trajanje plazme, dodani kot dodatne dimenzije izvirnim vektorjem nabora podatkov v kombinaciji z genetskimi algoritmi za optimizacijo več{9}}dimenzionalnih procesnih parametrov. Vključitev informacij o fizičnem mehanizmu poveča dimenzije podatkov, obogati nabor podatkov o usposabljanju in zmanjša količino zahtevanih podatkov. Ta pristop izboljša natančnost modela z majhnimi velikostmi vzorcev, kar omogoča natančno napoved globine LIPMM. Uvedba fizičnih informacij usmerja proces optimizacije z razumnejšimi fizikalnimi posledicami, in sicer z večjo gostoto plazme, daljšim trajanjem plazme, večjo energijo posameznega -pulza in relativno manjšim prekrivanjem točk, s čimer se optimizira delovanje LIPMM.
03 Povzetek
Integracija umetne inteligence in laserske mikro-nano obdelave je podvržena globoki revoluciji, njena vloga pa se razvija od eno-optimizacije procesov do konstrukcije-do-končnih sistemov 'kognitivne proizvodnje'. Trenutno je v ospredju tega področja fizično-informirani modeli, zlasti globoka uporaba fizikalno-nevronskih mrež. Ta napredna paradigma strojnega učenja ni več le podatkovno{8}}posnemalnik, temveč »razumevalec« fizikalnih zakonov. Z vključitvijo osnovnih fizikalnih enačb, kot sta toplotna prevodnost in dinamika tekočin, kot omejitve v proces usposabljanja nevronskih mrež, lahko modeli še vedno dajejo natančne napovedi v skladu s fizikalnimi načeli kljub redkim eksperimentalnim podatkom. To ne odpravlja le zanašanja tradicionalnih modelov strojnega učenja na ogromne označene nabore podatkov, temveč daje tudi zmožnost posploševanja 'sklepanja od enega do več', zaradi česar so njihove napovedi fizično razložljive. Trenutno raziskovalci gradijo 'hibridna' okolja za usposabljanje. V tem okolju je nastavitev okrepljenega učenja zgrajena na zelo realističnih fizičnih simulacijah za učenje temeljnih strategij obdelave, ki se nato hitro natančno-nastavijo in potrdijo z dejanskimi podatki med obdelavo.
Strojno učenje preoblikuje zapletene interakcije med svetlobo in snovjo v fizikalne zakone, ki jih je mogoče programirati in jih je mogoče optimizirati, kar vodi proizvodno industrijo, da doseže premik paradigme od »odvisnosti-od izkušenj« k »kognitivni avtonomiji«. Ta globoka integracija nas vodi onkraj tradicionalnih pristopov-in-napak v novo dobo natančne proizvodnje, ki jo poganjajo podatki in fizično znanje.
