01 Bevezetés
A mesterséges intelligencia (AI), különösen a gépi tanulás (ML), jelentős intelligens képességeket biztosít a lézeres mikro{0}}nanogyártáshoz, kiemelkedő teljesítményt bizonyítva olyan területeken, mint a gyártási folyamatok modellezése, a folyamatparaméterek optimalizálása és a valós idejű anomáliák észlelése{1}}. Ez az átalakulási lehetőség ösztönzi a lézeres mikro-nanogyártási technológiák következő generációjának fejlesztését. A hagyományos lézergyártás fő kihívásai a lézer-anyag kölcsönhatások összetettségéből fakadnak, amelyek ellenőrizhetetlen feldolgozási eredményekhez és mikro-nanohibák felhalmozódásához vezetnek a több-lépéses folyamatok során, ami végső soron katasztrofális folyamathibákhoz vezet. A mesterséges intelligencia és a lézergyártási technológiák ötvözése az adatvezérelt modellezés és a fizika-alapú modellezés, valamint az intelligens in situ megfigyelési és adaptív vezérlési technológiák integrálása révén hatékonyan kezelheti ezeket a kihívásokat. Milyen forradalmi változások következnek be, amikor az AI "találkozik" a lézergyártással?
02Gépi tanulás-Assisted Intelligent
Lézeres feldolgozás A hagyományos lézeres feldolgozás során a lézeres{0}}anyagkölcsönhatások fizikai folyamatai összetett nemlineáris termodinamikai hatásokat, folyadékdinamikai viselkedéseket és fázisátalakulásokat foglalnak magukban, ami rendkívül bonyolulttá teszi a benne rejlő mechanizmusokat, és számos folyamatparaméter, például a lézer teljesítménye és a pásztázási sebesség befolyásolja őket. Bár a fizika-alapú analitikai modelleknek vagy numerikus szimulációknak egyértelmű jelentősége van, jelentős kihívásokkal kell szembenézniük az átmeneti, több-léptékű és több-fizikai jelenségek pontos jellemzésében a gyakorlati feldolgozás során. A gépi tanulással{6}}segített modellezés fő előnye abban rejlik, hogy képes bonyolult nemlineáris kapcsolatokat tanulni az adatokból, hatékonyan rögzítve a folyamatparaméterek, a folyamatállapotok és a végső minőségi mutatók közötti leképezési összefüggéseket, ezáltal „megkerülve” a bonyolult fizikai modellelemzést a feldolgozási eredmények előrejelzése, optimalizálása és ellenőrzése érdekében. A gépi tanulással-segített lézeres feldolgozású modellezés alapvetően két típusra oszlik: adat-vezérelt modellezésre és fizika{10}}vezérelt modellezésre. Az adatvezérelt modellezéshez képest, amely kísérleti adatokon keresztül tárja fel a bemenetek és a kimenetek közötti „fekete doboz-modelleket”, a fizika{13}}vezérelt modellezés a fizikai törvényeket lágy megszorításokként (vesztési függvény kifejezések) vagy kemény megszorításokként (hálózati architektúra) foglalja magában. A fizikavezérelt modellezés nemcsak megfigyelési adatokat használ, hanem teljes mértékben integrálja az alapvető fizikai folyamatokat leíró korábbi ismereteket is.Adat-vezérelt modellezés: agy{18}}A számítógépes interfészek (BCI) kommunikációs útvonalakat hoznak létre az emberi agy és a külső eszközök között azáltal, hogy megkerülik a biológiai neurotranszmissziós útvonalakat az idegi jelek megszerzésén és dekódolásán keresztül. Jelenleg egy viszonylag fejlett neurális beavatkozási technika minimálisan invazív elektródarendszereket alkalmaz az agyi érrendszerben. A nitinol sztentek intravaszkuláris elektródahordozóként szolgálnak az elektroencefalográfiás jelek gyűjtésére vagy az elektromos stimuláció leadására. A hagyományos összeszerelési módszerek főként ultraibolya -keményedő ragasztókat használnak a platinaelektródák rögzítésére a sztent felületére, kombinálva mikro-hegesztési csatlakozásokkal. Az ultragyors lézerek "hidegfeldolgozási" mechanizmusa megőrzi a neurovaszkuláris interfész integritását anélkül, hogy hőkárosodást okozna. Az XGBoost (eXtreme Gradient Boosting) és az SVM (Support Vector Machine) használatával előrejelzések készíthetők a bemetszés szélességére és az ismétlési gyakoriságra vonatkozóan. A kísérleti ellenőrzés kimutatta, hogy az egyetlen impulzus energiája az optimalizálatlan 20 μJ-ról 7,64 μJ-ra csökkent, az ismétlési frekvencia 40 kHz-ről 52,28 kHz-re nőtt, a pásztázási sebesség pedig 20 mm/s-ról 8,33 mm/s-ra csökkent. A feldolgozási eredmények az 1. ábrán láthatók. Az 1e ábra a nem optimalizált mikrostruktúra morfológiát, míg az 1f ábra az optimalizált feldolgozási morfológiát mutatja, amely egyértelműen jelzi, hogy az optimalizált struktúra kisebb hőhatású zónával és nagyobb feldolgozási pontossággal rendelkezik.
Fizikai mechanizmus modellezés:
Az adatvezérelt modellezés magas költségéhez és hosszú ciklusához képest a fizikai mechanizmusok modellezése megkerüli az előre kiszámított A lézer-plazma mikro-megmunkálást (LIPMM) korlátozzák a hiányos fizikai elméleti magyarázatok és a jelentős időköltségek. Bár történtek kísérletek a gépi tanulás alkalmazására a lézeres anyagfeldolgozáshoz, a kellő adat hiánya továbbra is komoly akadályt jelent. A fizika{7}}modell-irányított gépi tanulási keretrendszerekben a fizikai modellek által generált közbenső mechanizmus-paraméterek, például a plazma csúcssűrűsége és a plazma időtartama extra dimenzióként hozzáadódnak az eredeti adatkészlet-vektorokhoz, és genetikai algoritmusokkal kombinálva optimalizálják a többdimenziós folyamatparamétereket. A fizikai mechanizmus információinak felvétele növeli az adatdimenziókat, gazdagítja a betanítási adatkészletet, és csökkenti a szükséges adatok mennyiségét. Ez a megközelítés kis mintamérettel javítja a modell pontosságát, így lehetővé teszi a LIPMM mélységének pontos előrejelzését. A fizikai információk bevezetése ésszerűbb fizikai következményekkel irányítja az optimalizálási folyamatot, nevezetesen nagyobb plazma csúcssűrűséggel, hosszabb plazmatartammal, nagyobb egyszeri impulzusenergiával és viszonylag kisebb átfedéssel, ezáltal optimalizálva a LIPMM teljesítményét.
03 Összefoglaló
A mesterséges intelligencia és a lézeres mikro-nano-feldolgozás integrációja mélyreható forradalomon megy keresztül, és szerepe az egypontos folyamatoptimalizálástól a végpontig-to-a „kognitív gyártási” rendszerek felépítéséig fejlődik. Jelenleg ennek a területnek az élvonalában a fizikailag{5}}informált modellek állnak, különösen a fizika-informált neurális hálózatok mélyreható alkalmazása. Ez a fejlett gépi tanulási paradigma már nem pusztán adatvezérelt „utánzó”, hanem a fizikai törvények „megértője”. Azáltal, hogy az alapvető fizikai egyenleteket, például a hővezetést és a folyadékdinamikát kényszerként beépítik a neurális hálózatok képzési folyamatába, a modellek a kevés kísérleti adat ellenére is pontos előrejelzéseket tudnak adni a fizikai elveknek megfelelően. Ez nemcsak feloldja a hagyományos gépi tanulási modellek masszív címkézett adatkészletekre való támaszkodását, hanem általánosítási képességet is biztosít az „egytől a sokaságig való következtetéshez”, így előrejelzéseiket fizikailag értelmezhetővé teszik. Jelenleg a kutatók „hibrid” képzési környezeteket hoznak létre. Ebben a környezetben a megerősítő tanulási beállítás rendkívül valósághű fizikai szimulációkra épül, hogy megtanulják az alapvető feldolgozási stratégiákat, amelyeket aztán gyorsan finomhangolnak és érvényesítenek a feldolgozás során a tényleges adatok felhasználásával.
A gépi tanulás a fény és az anyag közötti összetett kölcsönhatásokat programozható, optimalizálható fizikai törvényekké alakítja át, ami arra készteti a gyártóipart, hogy paradigmaváltást érjenek el a „tapasztalat-{0}}függőségről” a „kognitív autonómiára”. Ez a mély integráció a hagyományos próba{2}}és-hiba módszeren túl a precíz gyártás új korszakába vezet, amelyet mind az adatok, mind a fizikai tudás vezérel.
