01 Johdanto
Tekoäly (AI), erityisesti koneoppiminen (ML), tarjoaa merkittäviä älykkäitä ominaisuuksia lasermikro{0}}nano-valmistukseen, mikä osoittaa erinomaista suorituskykyä esimerkiksi valmistusprosessien mallintamisen, prosessiparametrien optimoinnin ja reaaliaikaisten poikkeamien havaitsemisen{1}}alueilla. Tämä muutospotentiaali ohjaa seuraavan sukupolven lasermikro{3}}nanovalmistustekniikoiden kehitystä. Perinteisen laservalmistuksen suurimmat haasteet johtuvat laserin ja materiaalin vuorovaikutuksen monimutkaisuudesta, mikä johtaa hallitsemattomiin prosessointituloksiin ja mikro-nanovirheiden kertymiseen monivaiheisten prosessien aikana, mikä johtaa lopulta katastrofaalisiin prosessivirheisiin. Tekoälyn yhdistäminen laservalmistustekniikoihin integroimalla tietoihin perustuvan-mallinnuksen ja fysiikan-mallinnuksen sekä älykkään in situ -seurannan ja mukautuvan ohjaustekniikan, voidaan vastata tehokkaasti näihin haasteisiin. Mitä vallankumouksellisia muutoksia tapahtuu, kun tekoäly "tapaa" laservalmistuksen?
02Machine Learning-Assisted Intelligent
Laserkäsittely Perinteisessä laserkäsittelyssä laser{0}}materiaalien vuorovaikutuksen fysikaalisiin prosesseihin liittyy monimutkaisia epälineaarisia termodynaamisia vaikutuksia, nesteen dynamiikan käyttäytymistä ja faasimuutoksia, mikä tekee luontaisista mekanismeista erittäin monimutkaisia ja niihin vaikuttavat useat prosessiparametrit, kuten laserin teho ja skannausnopeus. Vaikka fysiikkaan -perustaisilla analyyttisilla malleilla tai numeerisilla simulaatioilla on selvä merkitys, ne kohtaavat merkittäviä haasteita transienttien, moni-mittakaavaisten ja moni-fysiikan ilmiöiden tarkka karakterisoinnissa käytännön käsittelyn aikana. Koneoppimisen-avusteisen mallintamisen ydinetu on sen kyky oppia monimutkaisia epälineaarisia suhteita tiedoista ja tallentaa tehokkaasti prosessiparametrien, prosessin tilojen ja lopullisten laatuindikaattoreiden väliset kartoituskorrelaatiot, mikä "ohittaa" monimutkaisen fyysisen mallin analyysin ja saavuttaa prosessointitulosten ennustamisen, optimoinnin ja hallinnan. Koneoppimisen-avusteinen laserkäsittelyn mallinnus jaetaan pääasiassa kahteen tyyppiin: data-pohjaiseen mallinnukseen ja fysiikka{10}}pohjaiseen mallinnukseen. Verrattuna tietoihin{12}}ohjautuvaan mallinnukseen, joka tutkii "mustan laatikon malleja" tulojen ja tulosten välillä kokeellisten tietojen avulla, fysiikka{13}}pohjainen mallinnus sisältää fyysisiä lakeja pehmeinä rajoitteina (häviöfunktiotermit) tai kovina rajoitteina (verkkoarkkitehtuuri). Fysiikka{15}}ohjattu mallinnus ei ainoastaan hyödynnä havainnointitietoja, vaan myös integroi täysin fyysisiä perusprosesseja kuvaavan aiemman tiedon.Tieto-ohjattu mallintaminen: Brain-tietokonerajapinnat (BCI) muodostavat viestintäreittejä ihmisaivojen ja ulkoisten laitteiden välillä ohittamalla biologiset neurotransmissiopolut ja dekoodausjärjestelmien kautta tapahtuvat signaalit. Tällä hetkellä suhteellisen kehittynyt hermointerventiotekniikka käyttää minimaalisesti invasiivisia elektrodijärjestelmiä, jotka on sijoitettu aivoverisuonistoon. Nitinolistentit toimivat suonensisäisinä elektrodien kantajina sähköenkefalografisten signaalien keräämiseen tai sähköisen stimulaation antamiseen. Perinteisissä kokoamismenetelmissä käytetään pääasiassa ultravioletti{22}}kovettuvia liimoja platinaelektrodien kiinnittämiseen stentin pintaan yhdistettynä mikro{23}}hitsausliitäntöihin. Ultranopeiden lasereiden "kylmäkäsittely"-mekanismi ylläpitää hermosolujen rajapinnan eheyttä aiheuttamatta lämpövaurioita. XGBoost (eXtreme Gradient Boosting) ja SVM (Support Vector Machine) avulla voidaan tehdä ennusteita viillon leveydestä ja toistotiheydestä. Kokeellinen tarkastus osoitti, että yhden -pulssin energia väheni optimoimattomasta 20 μJ:sta 7,64 μJ:iin, toistotaajuus nousi 40 kHz:stä 52,28 kHz:iin ja pyyhkäisynopeus laski 20 mm/s:sta 8,33 mm/s:iin. Prosessointitulokset on esitetty kuvassa 1. Kuva 1e näyttää optimoimattoman mikrorakenteen morfologian, kun taas kuva 1f esittää optimoidun prosessointimorfologian, mikä osoittaa selvästi, että optimoidulla rakenteella on pienempi lämpö-vaikutusalue ja suurempi käsittelytarkkuus.
Fysikaalisen mekanismin mallinnus:
Verrattuna dataohjatun mallinnuksen korkeisiin kustannuksiin ja pitkään sykliin, fyysisen mekanismin mallintaminen ohittaa ennalta laskettujen tietojoukkojen tarpeen upottamalla osittaisia differentiaaliyhtälöitä hermoverkon häviöfunktioon. Laser-plasma-mikro-työstöä (LIPMM) rajoittavat epätäydelliset fysikaaliset teoreettiset selitykset ja merkittävät aikakustannukset. Vaikka lasermateriaalin käsittelyssä on yritetty käyttää koneoppimista, riittävän tiedon puute on edelleen suuri este. Fysiikan-mallin-ohjatuissa koneoppimiskehyksissä fyysisten mallien luomat välimekanismiparametrit, kuten plasman huipputiheys ja plasman kesto, lisätään lisäulottuvuuksina alkuperäisiin tietojoukkovektoreihin yhdistettynä geneettisiin algoritmeihin moniulotteisten prosessiparametrien optimoimiseksi. Fyysisen mekanismin tietojen sisällyttäminen lisää datan ulottuvuuksia, rikastuttaa harjoitustietojoukkoa ja vähentää tarvittavan tiedon määrää. Tämä lähestymistapa parantaa mallin tarkkuutta pienillä näytekokoilla, mikä mahdollistaa LIPMM-syvyyden tarkan ennustamisen. Fyysisten tietojen käyttöönotto ohjaa optimointiprosessia järkevämmillä fysikaalisilla seurauksilla, kuten korkeammalla plasman huipputiheydellä, pidempään plasman kestolla, suuremmalla yksittäisen pulssin energialla ja suhteellisen pienellä pisteen päällekkäisyydellä, mikä optimoi LIPMM:n suorituskyvyn.
03 Yhteenveto
Tekoälyn ja laser-mikro{0}}nanoprosessoinnin integraatiossa on käynnissä syvä vallankumous, ja sen rooli kehittyy yhden-pisteen prosessin optimoinnista päästä-päähän-päätä kognitiivisten valmistusjärjestelmien rakentamiseen. Tällä hetkellä tämän alan eturintamassa keskittyvät fyysisesti-tietoisia malleja, erityisesti fysiikan-tietoisten hermoverkkojen syvälliseen soveltamiseen. Tämä edistynyt koneoppimisparadigma ei ole enää vain tietoihin perustuva -jäljittelijä, vaan fyysisten lakien "ymmärtäjä". Upottamalla ydinfysikaaliset yhtälöt, kuten lämmönjohtavuus ja nestedynamiikka rajoitteiksi hermoverkkojen koulutusprosessiin, mallit voivat silti tehdä tarkkoja ennusteita fyysisten periaatteiden mukaisesti niukoista kokeellisista tiedoista huolimatta. Tämä ei ainoastaan ratkaise perinteisten koneoppimismallien riippuvuutta massiivisiin merkittyihin tietokokonaisuuksiin, vaan antaa myös yleistyskyvyn "päätelmään yhdestä moneen", mikä tekee niiden ennusteista fyysisesti tulkittavia. Tällä hetkellä tutkijat rakentavat "hybridi" koulutusympäristöjä. Tässä ympäristössä vahvistusoppimisasetus on rakennettu erittäin realistisiin fysikaalisiin simulaatioihin, joilla opitaan perustavanlaatuisia prosessointistrategioita, jotka sitten hienosäädetään ja vahvistetaan nopeasti käsittelyn aikana todellisten tietojen perusteella.
Koneoppiminen muuttaa valon ja aineen välisen monimutkaisen vuorovaikutuksen ohjelmoitaviksi, optimoitaviksi fysikaalisiksi laeiksi, mikä saa valmistusteollisuuden saavuttamaan paradigman muutoksen "kokemus{0}}riippuvuudesta" "kognitiiviseen autonomiaan". Tämä syvä integraatio johtaa meidät perinteisten kokeilu--ja-error-lähestymistapojen yli uuteen tarkan valmistuksen aikakauteen, jota ohjaavat sekä tiedot että fyysinen tieto.
