01Uvod
Umjetna inteligencija (AI), posebno mašinsko učenje (ML), pruža značajne inteligentne mogućnosti za lasersku mikro-nano proizvodnju, pokazujući izvanredne performanse u oblastima kao što su modeliranje proizvodnog procesa, optimizacija procesnih parametara i otkrivanje anomalija u stvarnom-vremenu. Ovaj transformativni potencijal pokreće razvoj sljedeće generacije laserskih mikro-nano tehnologija izrade. Glavni izazovi sa kojima se suočava tradicionalna proizvodnja lasera proizilaze iz složenosti interakcija laser-materijal, koje dovode do nekontrolisanih rezultata obrade i akumulacije mikro-nano defekata tokom procesa u više- koraka, što u konačnici rezultira katastrofalnim kvarovima u procesu. Kombinovanje veštačke inteligencije sa tehnologijama proizvodnje lasera, kroz integraciju modeliranja{8}}vođenog podacima i fizikom{9}}modeliranja, kao i inteligentnih in situ tehnologija za praćenje i adaptivne kontrole, može efikasno da reši ove izazove. Koje će se revolucionarne promjene dogoditi kada AI "upozna" proizvodnju lasera?
02Machine Learning-Intelligent uz pomoć
Laserska obrada U konvencionalnoj laserskoj obradi, fizički procesi interakcija laser-materijala uključuju složene nelinearne termodinamičke efekte, ponašanja u dinamici fluida i fazne prijelaze, čineći inherentne mehanizme veoma komplikovanim i pod utjecajem brojnih parametara procesa kao što su snaga lasera i brzina skeniranja. Iako analitički modeli-bazirani na fizici ili numeričke simulacije imaju jasan značaj, oni se suočavaju sa značajnim izazovima u preciznom karakterizaciji prolaznih, više{3}}razmjernih i više{4}}fizičkih fenomena tokom praktične obrade. Osnovna prednost modeliranja uz -potpomognuto mašinsko učenje leži u njegovoj sposobnosti da nauči složene nelinearne odnose iz podataka, efikasno hvatajući korelacije mapiranja između parametara procesa, stanja procesa i konačnih indikatora kvaliteta, čime se "zaobilazi" složena analiza fizičkog modela kako bi se postiglo predviđanje, optimizacija i kontrola rezultata obrade. Modeliranje laserske obrade uz pomoć mašinskog učenja{8} uglavnom je podijeljeno u dvije vrste: modeliranje{9}}vođeno podacima i modeliranje vođeno fizikom{10}}. U poređenju sa modeliranjem{12}}vođenim podacima, koje istražuje "modele crne kutije" između ulaza i izlaza kroz eksperimentalne podatke, fizikalno{13}}upravljano modeliranje uključuje fizičke zakone kao meka ograničenja (termini funkcije gubitka) ili čvrsta ograničenja (mrežna arhitektura). Modeliranje vođeno fizikom-ne samo da koristi podatke opservacije, već u potpunosti integrira prethodno znanje koje opisuje fundamentalne fizičke procese. Data{17}}Modeliranje vođeno podacima: Brain-Kompjuterski interfejsi (BCI) uspostavljaju komunikacijske puteve između ljudskog mozga i vanjskih uređaja zaobilazeći biološke puteve neurotransmisije i prijenosa signala kroz neuralne sisteme. Trenutno, relativno napredna tehnika neuralne intervencije koristi minimalno invazivne sisteme elektroda raspoređenih unutar cerebralne vaskulature. Nitinol stentovi služe kao intravaskularni nosači elektroda za prikupljanje elektroencefalografskih signala ili isporuku električne stimulacije. Tradicionalne metode montaže uglavnom koriste ultraljubičasto-očvrsnu ljepilo za pričvršćivanje platinastih elektroda na površinu stenta u kombinaciji s mikro-vezama za zavarivanje. Mehanizam "hladne obrade" ultrabrzih lasera održava integritet neurovaskularnog interfejsa bez izazivanja termičkog oštećenja. Koristeći XGBoost (eXtreme Gradient Boosting) i SVM (Support Vector Machine), mogu se napraviti predviđanja za širinu rezova i učestalost ponavljanja. Eksperimentalna provjera je pokazala da je energija pojedinačnog{27}}pulsa smanjena sa neoptimiziranih 20 μJ na 7,64 μJ, frekvencija ponavljanja povećana sa 40 kHz na 52,28 kHz, a brzina skeniranja smanjena sa 20 mm/s na 8,33 mm/s. Rezultati obrade prikazani su na slici 1. Slika 1e prikazuje neoptimiziranu morfologiju mikrostrukture, dok slika 1f prikazuje optimiziranu morfologiju obrade, što jasno pokazuje da optimizirana struktura ima manju zonu utjecaja topline{38}}i veću preciznost obrade.
Modeliranje fizičkog mehanizma:
U poređenju sa visokim troškovima i dugim ciklusom modeliranja{0}}vođenog podacima, modeliranje fizičkog mehanizma zaobilazi potrebu za unaprijed-računatim skupovima podataka ugrađivanjem parcijalnih diferencijalnih jednačina u funkciju gubitka neuronske mreže. Laser-indukovana plazma mikro-obrada (LIPMM) je ograničena nepotpunim fizičkim teorijskim objašnjenjima i značajnim vremenskim troškovima. Iako su napravljeni pokušaji da se koristi mašinsko učenje za lasersku obradu materijala, nedostatak dovoljno podataka ostaje glavna prepreka. U okvirima za mašinsko učenje -modelom-vođenim fizikom, parametri međumehanizma generirani fizičkim modelima, kao što su vršna gustina plazme i trajanje plazme, dodaju se kao dodatne dimenzije originalnim vektorima skupa podataka, u kombinaciji sa genetskim algoritmima za optimizaciju više{9}}dimenzionalnih parametara procesa. Uključivanje informacija o fizičkom mehanizmu povećava dimenzije podataka, obogaćuje skup podataka za obuku i smanjuje količinu potrebnih podataka. Ovaj pristup poboljšava tačnost modela sa malim veličinama uzorka, čime se omogućava precizno predviđanje dubine LIPMM. Uvođenje fizičkih informacija vodi proces optimizacije sa razumnijim fizičkim implikacijama, naime većom vršnom gustinom plazme, dužim trajanjem plazme, većom energijom pojedinačnog-pulsa i relativno manjim preklapanjem mjesta, čime se optimiziraju performanse LIPMM-a.
03 Sažetak
Integracija umjetne inteligencije i laserske mikro-nano obrade prolazi kroz duboku revoluciju, sa svojom ulogom koja evoluira od optimizacije procesa u jednoj-točki do izgradnje krajnjih-do-krajnjih sistema 'kognitivne proizvodnje'. Trenutno, prednja strana ove oblasti je usmjerena na fizički-objašnjene modele, posebno na duboku primjenu neuronskih mreža zasnovanih na fizici{6}}. Ova napredna paradigma mašinskog učenja više nije samo 'imitator'-vođen podacima, već 'razumilac' fizičkih zakona. Ugrađivanjem osnovnih fizičkih jednačina kao što su provodljivost toplote i dinamika fluida kao ograničenja u proces obuke neuronskih mreža, modeli i dalje mogu da prave tačna predviđanja u skladu sa fizičkim principima uprkos oskudnim eksperimentalnim podacima. Ovo ne samo da rješava oslanjanje tradicionalnih modela mašinskog učenja na masivne označene skupove podataka, već i daje sposobnost generalizacije 'zaključivanja od jednog do više', čineći njihova predviđanja fizički interpretabilnim. Trenutno, istraživači grade 'hibridna' okruženja za obuku. U ovom okruženju, postavka učenja s pojačanjem je izgrađena na vrlo realističnim fizičkim simulacijama kako bi se naučile osnovne strategije obrade, koje se zatim brzo-podešavaju i provjeravaju korištenjem stvarnih podataka tokom obrade.
Mašinsko učenje transformira složene interakcije između svjetlosti i materije u programibilne, optimizirane fizičke zakone, tjerajući proizvodnu industriju da postigne promjenu paradigme od "ovisnosti o iskustvu{0}}" do "kognitivne autonomije". Ova duboka integracija nas vodi dalje od tradicionalnih pokušaja-i-prilaza u novu eru precizne proizvodnje vođene podacima i fizičkim znanjem.
