01 Įvadas
Dirbtinis intelektas (AI), ypač mašininis mokymasis (ML), suteikia didelių intelektualių galimybių lazeriniam mikro{0}}nano gamybai, demonstruodamas išskirtinį našumą tokiose srityse kaip gamybos proceso modeliavimas, proceso parametrų optimizavimas ir anomalijų aptikimas realiuoju laiku{1}}. Šis transformacinis potencialas skatina naujos kartos lazerinių mikro{3}}nano gamybos technologijų kūrimą. Pagrindiniai iššūkiai, su kuriais susiduria tradicinė lazerių gamyba, kyla dėl sudėtingos lazerio ir medžiagų sąveikos, dėl kurios gaunami nekontroliuojami apdorojimo rezultatai ir kaupiasi mikro-nano defektai vykstant daugiapakopiams procesams, o tai galiausiai sukelia katastrofiškus proceso gedimus. Dirbtinį intelektą derinant su lazerių gamybos technologijomis, integruojant duomenimis{8}}pagrįstą modeliavimą ir fizikos-pagrįstą modeliavimą, taip pat intelektualias stebėjimo vietoje ir prisitaikančio valdymo technologijas, galima veiksmingai spręsti šiuos iššūkius. Kokie revoliuciniai pokyčiai įvyks, kai dirbtinis intelektas „susitiks“ su lazerių gamyba?
02Mašininis mokymasis-Intelligentas
Lazerinis apdorojimas Įprastu lazeriniu apdorojimu fiziniai lazerinių medžiagų sąveikos procesai apima sudėtingus netiesinius termodinaminius efektus, skysčių dinamikos elgseną ir fazių perėjimus, todėl būdingi mechanizmai yra labai sudėtingi ir veikiami daugelio proceso parametrų, tokių kaip lazerio galia ir skenavimo greitis. Nors fizikos-pagrįsti analitiniai modeliai arba skaitmeniniai modeliavimai turi neabejotiną reikšmę, jie susiduria su dideliais iššūkiais tiksliai apibūdindami trumpalaikius, daugialypius-mastelinius ir daugia{4}}fizikos reiškinius praktinio apdorojimo metu. Pagrindinis mašininio mokymosi{6}}modeliavimo privalumas yra gebėjimas išmokti sudėtingus netiesinius ryšius iš duomenų, efektyviai fiksuojant proceso parametrų, proceso būsenų ir galutinių kokybės rodiklių koreliacijas, taip „aplenkiant“ sudėtingą fizinio modelio analizę, kad būtų galima numatyti, optimizuoti ir valdyti apdorojimo rezultatus. Mašininio mokymosi-pagalbinis lazerinio apdorojimo modeliavimas daugiausia skirstomas į du tipus: duomenimis-pagrįstą modeliavimą ir fizikos{10}}modeliavimą. Palyginti su duomenimis{12}}pagrįstu modeliavimu, kuris tiria „juodųjų dėžių modelius“ tarp įvesties ir išvesties naudojant eksperimentinius duomenis, fizikos{13}pagrįstas modeliavimas apima fizinius dėsnius kaip minkštuosius apribojimus (praradimo funkcijos terminus) arba griežtus apribojimus (tinklo architektūra). Fizikoje{15}}pagrįstas modeliavimas ne tik naudoja stebėjimo duomenis, bet ir visiškai integruoja ankstesnes žinias, apibūdinančias pagrindinius fizinius procesus.Duomenų{17}}pagrįstas modeliavimas: smegenų{18}}kompiuterių sąsajos (BCI) sukuria komunikacijos kelius tarp žmogaus smegenų ir išorinių įrenginių, aplenkdamos biologinius neurotransmisijos kelius per neuroninių signalų gavimo ir dekodavimo sistemas. Šiuo metu gana pažengusioje nervų intervencijos technikoje naudojamos minimaliai invazinės elektrodų sistemos, išdėstytos smegenų kraujagyslėse. Nitinolio stentai naudojami kaip intravaskuliniai elektrodų nešikliai elektroencefalografiniams signalams rinkti arba elektrinei stimuliacijai teikti. Tradiciniuose surinkimo metoduose daugiausia naudojami ultravioletiniai{22}}kietėjantys klijai, platininiai elektrodai pritvirtinami prie stento paviršiaus ir mikro{23}}suvirinimo jungtis. Itin greitų lazerių „šaltojo apdorojimo“ mechanizmas palaiko neurovaskulinės sąsajos vientisumą, nesukeldamas terminės žalos. Naudojant XGBoost (eXtreme Gradient Boosting) ir SVM (Support Vector Machine), galima numatyti pjūvio plotį ir pasikartojimo dažnį. Eksperimentinis patikrinimas parodė, kad vieno -impulso energija sumažėjo nuo neoptimizuotų 20 μJ iki 7,64 μJ, pasikartojimo dažnis padidėjo nuo 40 kHz iki 52,28 kHz, o nuskaitymo greitis sumažėjo nuo 20 mm/s iki 8,33 mm/s. Apdorojimo rezultatai parodyti 1 paveiksle. 1e paveiksle parodyta neoptimizuota mikrostruktūros morfologija, o 1f paveiksle – optimizuota apdorojimo morfologija, aiškiai nurodant, kad optimizuotoje struktūroje yra mažesnė šilumos{38}}paveikta zona ir didesnis apdorojimo tikslumas.
Fizinio mechanizmo modeliavimas:
Palyginti su didelėmis{0}}duomenimis pagrįsto modeliavimo sąnaudomis ir ilgu ciklu, fizinio mechanizmo modeliavimas apeina iš anksto-apskaičiuotų duomenų rinkinių poreikį, įterpdamas dalines diferencialines lygtis į neuroninio tinklo praradimo funkciją. Lazerinis-plazminis mikro-apdirbimas (LIPMM) ribojamas dėl neišsamių fizinių teorinių paaiškinimų ir didelių laiko sąnaudų. Nors buvo bandoma naudoti mašininį mokymąsi lazeriniam medžiagų apdorojimui, pakankamai duomenų trūkumas išlieka pagrindine kliūtimi. Fizikos{7}}modelio-vadomose mašininio mokymosi sistemose fizinių modelių generuojami tarpiniai mechanizmo parametrai, pvz., didžiausias plazmos tankis ir plazmos trukmė, pridedami kaip papildomi pradinių duomenų rinkinio vektorių matmenys, derinami su genetiniais algoritmais, siekiant optimizuoti kelių-dimensijų proceso parametrus. Fizinio mechanizmo informacijos įtraukimas padidina duomenų matmenis, praturtina mokymo duomenų rinkinį ir sumažina reikalingų duomenų kiekį. Šis metodas pagerina modelio tikslumą naudojant mažus imties dydžius, todėl galima tiksliai numatyti LIPMM gylį. Įvedus fizinę informaciją optimizavimo procesas turi daugiau pagrįstų fizinių pasekmių, ty didesnį didžiausią plazmos tankį, ilgesnę plazmos trukmę, didesnę vieno{13}impulso energiją ir santykinai mažesnį dėmių persidengimą, taip optimizuojant LIPMM našumą.
03 Santrauka
Dirbtinio intelekto ir lazerinio mikro-nano apdorojimo integracija išgyvena didžiulę revoliuciją – jos vaidmuo vystosi nuo vieno-taško proceso optimizavimo iki galutinio-to-„kognityvinės gamybos“ sistemų kūrimo. Šiuo metu šios srities priešakyje yra fiziškai{5}pagrįsti modeliai, ypač gilus fizikos{6}informuotų neuroninių tinklų taikymas. Ši pažangi mašininio mokymosi paradigma nebėra tik duomenimis{8}}varoma „mėgdžiotoja“, bet ir fizinių dėsnių „suvoktoja“. Įterpdami pagrindines fizines lygtis, tokias kaip šilumos laidumas ir skysčių dinamika, kaip suvaržymus į neuroninių tinklų mokymo procesą, modeliai vis tiek gali tiksliai prognozuoti pagal fizinius principus, nepaisant negausių eksperimentinių duomenų. Tai ne tik išsprendžia tradicinių mašininio mokymosi modelių priklausomybę nuo didžiulių pažymėtų duomenų rinkinių, bet ir suteikia galimybę apibendrinti „išvadą nuo vieno iki daugelio“, todėl jų prognozės tampa fiziškai interpretuojamos. Šiuo metu mokslininkai kuria „hibridines“ mokymo aplinkas. Šioje aplinkoje sustiprinimo mokymosi nustatymas sukurtas remiantis labai tikroviškais fiziniais modeliavimais, siekiant išmokti pagrindinių apdorojimo strategijų, kurios vėliau greitai{13}}patobulinamos ir patvirtinamos naudojant faktinius duomenis apdorojimo metu.
Mašininis mokymasis sudėtingą šviesos ir materijos sąveiką paverčia programuojamais, optimizuojamais fiziniais dėsniais, skatinančiais gamybos pramonę pasiekti paradigmos pokytį nuo „priklausomybės nuo patirties“ prie „kognityvinės autonomijos“. Ši gili integracija veda mus už tradicinių bandymų-ir-klaidų metodų į naują tikslios gamybos erą, kurią lemia ir duomenys, ir fizinės žinios.
