01Giriş
Yapay zeka (AI), özellikle de makine öğrenimi (ML), lazer mikro-nano üretimi için önemli akıllı yetenekler sağlıyor ve üretim süreci modelleme, süreç parametresi optimizasyonu ve gerçek-zamanlı anormallik tespiti gibi alanlarda olağanüstü performans sergiliyor. Bu dönüştürücü potansiyel, yeni nesil lazer mikro-nano üretim teknolojilerinin geliştirilmesine yön veriyor. Geleneksel lazer üretiminin karşılaştığı temel zorluklar, lazer-malzeme etkileşimlerinin karmaşıklığından kaynaklanmaktadır; bu durum, kontrol edilemeyen işleme sonuçlarına ve çok adımlı işlemler sırasında mikro-nano kusurların birikmesine ve sonuçta felaketle sonuçlanan süreç başarısızlıklarına yol açmaktadır. Veri odaklı modelleme ve fizik-odaklı modellemenin yanı sıra akıllı yerinde izleme ve uyarlanabilir kontrol teknolojilerinin entegrasyonu yoluyla yapay zekayı lazer üretim teknolojileriyle birleştirmek, bu zorlukları etkili bir şekilde çözebilir. Yapay zeka lazer üretimiyle "karşılaştığında" hangi devrim niteliğinde değişiklikler meydana gelecek?
02Makine Öğrenimi-Destekli Akıllı
Lazer İşlemeGeleneksel lazer işlemede, lazer{0}}malzeme etkileşimlerinin fiziksel süreçleri karmaşık doğrusal olmayan termodinamik etkiler, akışkan dinamiği davranışları ve faz geçişleri içerir; bu da, doğal mekanizmaları oldukça karmaşık hale getirir ve lazer gücü ve tarama hızı gibi çok sayıda işlem parametresinden etkilenir. Her ne kadar fizik-tabanlı analitik modeller veya sayısal simülasyonlar açık bir öneme sahip olsa da, pratik işlemler sırasında geçici, çok-ölçekli ve çoklu-fizik olaylarını doğru şekilde karakterize etmede önemli zorluklarla karşı karşıyadırlar. Makine öğrenimi destekli modellemenin temel avantajı-, verilerden karmaşık doğrusal olmayan ilişkileri öğrenme, süreç parametreleri, süreç durumları ve nihai kalite göstergeleri arasındaki eşleme korelasyonlarını etkili bir şekilde yakalama ve böylece işleme sonuçlarının tahminini, optimizasyonunu ve kontrolünü sağlamak için karmaşık fiziksel model analizini "atlama" yeteneğinde yatmaktadır. Makine öğrenimi-destekli lazer işleme modelleme temel olarak iki türe ayrılır: veriye dayalı-modelleme ve fizik-odaklı modelleme. Deneysel veriler aracılığıyla girdiler ve çıktılar arasındaki "kara kutu modellerini" araştıran veriye dayalı modellemeyle karşılaştırıldığında, fizik-odaklı modelleme, yumuşak kısıtlamalar (kayıp fonksiyonu terimleri) veya katı kısıtlamalar (ağ mimarisi) gibi fiziksel yasaları birleştirir. Fizik-odaklı modelleme yalnızca gözlemsel verileri kullanmakla kalmaz, aynı zamanda temel fiziksel süreçleri açıklayan önceki bilgileri de tamamen entegre eder. Veriye Dayalı Modelleme:Beyin-Bilgisayar Arayüzleri (BCI), nöral sinyal toplama ve kod çözme sistemleri aracılığıyla biyolojik nörotransmisyon yollarını atlayarak insan beyni ve harici cihazlar arasında iletişim yolları kurar. Şu anda, nispeten gelişmiş bir nöral müdahale tekniği, serebral damar sistemi içerisine yerleştirilen minimal invazif elektrot sistemlerini kullanmaktadır. Nitinol stentler, elektroensefalografik sinyallerin toplanması veya elektriksel stimülasyonun iletilmesi için intravasküler elektrot taşıyıcıları olarak görev yapar. Geleneksel montaj yöntemlerinde platin elektrotları stent yüzeyine mikro kaynak bağlantılarıyla birleştirmek için çoğunlukla ultraviyole-iyileştirilebilir yapıştırıcılar kullanılır. Ultra hızlı lazerlerin "soğuk işleme" mekanizması, termal hasara neden olmadan nörovasküler arayüzün bütünlüğünü korur. XGBoost (eXtreme Gradient Boosting) ve SVM (Destek Vektör Makinesi) kullanılarak kesi genişliği ve tekrarlama sıklığına ilişkin tahminler yapılabilir. Deneysel doğrulama, tek darbe enerjisinin optimize edilmemiş 20 μJ'den 7,64 μJ'ye düştüğünü, tekrarlama frekansının 40 kHz'den 52,28 kHz'e yükseldiğini ve tarama hızının 20 mm/s'den 8,33 mm/s'ye düştüğünü gösterdi. İşleme sonuçları Şekil 1'de gösterilmektedir. Şekil 1e, optimize edilmemiş mikro yapı morfolojisini gösterirken Şekil 1f, optimize edilmiş işleme morfolojisini gösterir; bu da optimize edilmiş yapının daha küçük bir ısıdan etkilenen bölgeye ve daha yüksek işleme doğruluğuna sahip olduğunu açıkça gösterir.
Fiziksel Mekanizma Modellemesi:
Veriye dayalı modellemenin yüksek maliyetli ve uzun döngüsüyle karşılaştırıldığında-fiziksel mekanizma modelleme, bir sinir ağının kayıp fonksiyonuna kısmi diferansiyel denklemler yerleştirerek önceden-hesaplanmış veri kümelerine olan ihtiyacı ortadan kaldırır. Lazer-kaynaklı plazma mikro-işleme (LIPMM), eksik fiziksel teorik açıklamalar ve önemli zaman maliyetleri nedeniyle sınırlıdır. Lazer malzeme işleme için makine öğrenimini kullanmak için girişimlerde bulunulmasına rağmen, yeterli veri eksikliği büyük bir engel olmaya devam ediyor. Fizik-model-kılavuzlu makine öğrenimi çerçevelerinde, fiziksel modeller tarafından oluşturulan en yüksek plazma yoğunluğu ve plazma süresi gibi ara mekanizma parametreleri, çok-boyutlu süreç parametrelerini optimize etmek için genetik algoritmalarla birleştirilen orijinal veri kümesi vektörlerine ekstra boyutlar olarak eklenir. Fiziksel mekanizma bilgilerinin dahil edilmesi veri boyutlarını artırır, eğitim veri kümesini zenginleştirir ve gereken veri miktarını azaltır. Bu yaklaşım, küçük numune boyutlarıyla model doğruluğunu artırır, böylece LIPMM derinliğinin doğru tahmin edilmesini sağlar. Fiziksel bilgilerin eklenmesi, optimizasyon sürecini daha makul fiziksel sonuçlarla, yani daha yüksek tepe plazma yoğunluğu, daha uzun plazma süresi, daha fazla tek darbe enerjisi ve nispeten daha küçük nokta çakışması ile yönlendirerek LIPMM performansını optimize eder.
03 Özet
Yapay zeka ve lazer mikro-nano işlemenin entegrasyonu, tek noktalı süreç optimizasyonundan uç-uca-"bilişsel üretim" sistemlerinin oluşturulmasına doğru gelişen rolüyle derin bir devrimden geçiyor. Şu anda bu alanın ön planı, fiziksel-bilgili modellere, özellikle de fizik-bilgili sinir ağlarının derin uygulamasına odaklanmaktadır. Bu gelişmiş makine öğrenimi paradigması artık yalnızca veriye dayalı bir-'taklitçi' değil, fiziksel yasaların bir 'anlayıcısı'dır. Isı iletimi ve akışkanlar dinamiği gibi temel fiziksel denklemlerin sinir ağlarının eğitim sürecine kısıtlama olarak dahil edilmesiyle modeller, seyrek deneysel verilere rağmen yine de fiziksel prensiplere uygun olarak doğru tahminler yapabilir. Bu, yalnızca geleneksel makine öğrenimi modellerinin çok büyük etiketli veri kümelerine bağımlılığını çözmekle kalmaz, aynı zamanda tahminlerini fiziksel olarak yorumlanabilir hale getirerek 'birden çoğuna çıkarım' genelleme yeteneği de kazandırır. Şu anda araştırmacılar 'hibrit' eğitim ortamları inşa ediyorlar. Bu ortamda, takviyeli öğrenme ortamı, temel işleme stratejilerini öğrenmek için son derece gerçekçi fiziksel simülasyonlar üzerine kuruludur ve bunlar daha sonra işleme sırasında gerçek veriler kullanılarak hızla-ayarlanır ve doğrulanır.
Makine öğrenimi, ışık ve madde arasındaki karmaşık etkileşimleri programlanabilir, optimize edilebilir fiziksel yasalara dönüştürerek imalat endüstrisini "deneyim-bağımlılığından" "bilişsel özerkliğe" doğru bir paradigma değişimi sağlamaya yönlendiriyor. Bu derin entegrasyon, bizi geleneksel deneme-yanılma- yaklaşımlarının ötesine, hem veri hem de fiziksel bilginin yönlendirdiği yeni bir hassas üretim çağına götürüyor.
