01 Introducció
La intel·ligència artificial (IA), especialment l'aprenentatge automàtic (ML), està proporcionant capacitats intel·ligents importants per a la micro-nanofabricació làser, demostrant un rendiment excel·lent en àrees com el modelatge de processos de fabricació, l'optimització de paràmetres de procés i la detecció d'anomalies-en temps real. Aquest potencial transformador està impulsant el desenvolupament de la propera generació de tecnologies de micro-nanofabricació làser. Els principals reptes als quals s'enfronta la fabricació làser tradicional sorgeixen de la complexitat de les interaccions làser-material, que donen lloc a resultats de processament incontrolables i a l'acumulació de micro-nanodefectes durant processos de diversos-passos, que finalment donen lloc a fallades catastròfiques del procés. La combinació de la IA amb les tecnologies de fabricació làser, mitjançant la integració del modelatge basat en dades-i el modelatge basat en la física-, així com la monitorització in situ intel·ligent i les tecnologies de control adaptatiu, pot abordar de manera eficaç aquests reptes. Quins canvis revolucionaris es produiran quan la IA "es trobi" amb la fabricació làser?
02Aprenentatge automàtic-Intel·ligent assistit
Processament làserEn el processament làser convencional, els processos físics de les interaccions del material làser-involucren efectes termodinàmics no lineals complexos, comportaments de dinàmica de fluids i transicions de fase, cosa que fa que els mecanismes inherents siguin molt complicats i estiguin influenciats per nombrosos paràmetres de procés, com ara la potència del làser i la velocitat d'escaneig. Tot i que els models analítics-basats en la física o les simulacions numèriques tenen una significació clara, s'enfronten a reptes importants per caracteritzar amb precisió els fenòmens físics transitoris, multi-escala i multi-durant el processament pràctic. L'avantatge principal del modelatge assistit-d'aprenentatge automàtic rau en la seva capacitat per aprendre relacions no lineals complexes a partir de dades, capturant eficaçment les correlacions de mapeig entre els paràmetres del procés, els estats del procés i els indicadors de qualitat finals, i "obviant" així l'anàlisi complexa del model físic per aconseguir predicció, optimització i control dels resultats del processament. El modelatge de processament làser assistit per l'aprenentatge automàtic-es divideix principalment en dos tipus: modelatge basat en dades-i modelatge-conduït per la física. En comparació amb el modelatge basat en dades-, que explora els "models de caixa negra" entre entrades i sortides mitjançant dades experimentals, el modelatge basat en la física-incorpora lleis físiques com a restriccions suaus (termes de la funció de pèrdua) o restriccions dures (arquitectura de xarxa). El modelatge basat en la física-no només utilitza dades d'observació, sinó que també integra completament el coneixement previ que descriu processos físics fonamentals.-Modelització impulsada per dades:-Les interfícies d'ordinador (BCI) estableixen vies de comunicació entre el cervell humà i els dispositius externs evitant les vies d'adquisició i transmissió de senyals biològics mitjançant sistemes de neurotransmissió neuronal. Actualment, una tècnica d'intervenció neuronal relativament avançada utilitza sistemes d'elèctrodes mínimament invasius desplegats dins de la vasculatura cerebral. Els stents de nitinol serveixen com a portadors d'elèctrodes intravasculars per recollir senyals electroencefalogràfics o proporcionar estimulació elèctrica. Els mètodes de muntatge tradicionals utilitzen principalment adhesius curables-ultraviolats per connectar elèctrodes de platí a la superfície del stent combinats amb connexions de micro-soldadura. El mecanisme de "processament en fred" dels làsers ultraràpids manté la integritat de la interfície neurovascular sense causar danys tèrmics. Mitjançant XGBoost (eXtreme Gradient Boosting) i SVM (Support Vector Machine), es poden fer prediccions per a l'amplada de la incisió i la freqüència de repetició. La verificació experimental va demostrar que l'energia d'un pols -únic es va reduir d'uns 20 μJ no optimitzats a 7,64 μJ, la freqüència de repetició va augmentar de 40 kHz a 52,28 kHz i la velocitat d'escaneig va disminuir de 20 mm/s a 8,33 mm/s. Els resultats del processament es mostren a la figura 1. La figura 1e mostra la morfologia de la microestructura no optimitzada, mentre que la figura 1f mostra la morfologia de processament optimitzada, indicant clarament que l'estructura optimitzada té una zona afectada per la calor-menys i una precisió de processament més alta.
Modelització del mecanisme físic:
En comparació amb l'alt cost i el cicle llarg del modelatge basat en dades-, el modelatge de mecanismes físics evita la necessitat de conjunts de dades pre-calculats incorporant equacions diferencials parcials a la funció de pèrdua d'una xarxa neuronal. El micro-mecanitzat de plasma induït per làser (LIPMM) està restringit per explicacions físiques teòriques incompletes i costos de temps significatius. Tot i que s'han intentat utilitzar l'aprenentatge automàtic per al processament de materials làser, la manca de dades suficients continua sent un obstacle important. En els marcs d'aprenentatge automàtic guiat-model-físic, els paràmetres de mecanismes intermedis generats pels models físics, com ara la densitat màxima del plasma i la durada del plasma, s'afegeixen com a dimensions addicionals als vectors del conjunt de dades originals, combinats amb algorismes genètics per optimitzar els paràmetres de procés multi-dimensionals. La inclusió d'informació del mecanisme físic augmenta les dimensions de les dades, enriqueix el conjunt de dades d'entrenament i redueix la quantitat de dades requerides. Aquest enfocament millora la precisió del model amb mides de mostra petites, permetent així una predicció precisa de la profunditat de LIPMM. La introducció d'informació física guia el procés d'optimització amb implicacions físiques més raonables, és a dir, una densitat màxima de plasma més alta, una durada de plasma més llarga, una energia d'un pols únic-i una superposició de punts relativament més petita, optimitzant així el rendiment del LIPMM.
03 Resum
La integració de la intel·ligència artificial i el micro-nanoprocessament làser està experimentant una profunda revolució, amb el seu paper evolucionant des de l'optimització del procés-punt únic fins a la construcció de sistemes de "fabricació cognitiva" d'extrem--extrem. Actualment, l'avantguarda d'aquest camp se centra en models-informats físicament, especialment en l'aplicació profunda de les xarxes neuronals-informades de la física. Aquest paradigma avançat d'aprenentatge automàtic ja no és només un "imitador" basat en dades-, sinó un "comprensor" de les lleis físiques. Incorporant equacions físiques bàsiques com la conducció de calor i la dinàmica de fluids com a limitacions en el procés d'entrenament de les xarxes neuronals, els models encara poden fer prediccions precises d'acord amb els principis físics malgrat les dades experimentals escasses. Això no només resol la dependència dels models tradicionals d'aprenentatge automàtic en conjunts de dades etiquetats massius, sinó que també dota d'una capacitat de generalització d'"inferència d'un a molts", fent que les seves prediccions siguin físicament interpretables. Actualment, els investigadors estan construint entorns d'entrenament "híbrids". En aquest entorn, la configuració d'aprenentatge de reforç es basa en simulacions físiques molt realistes per aprendre estratègies de processament fonamentals, que després s'ajusten-i es validen ràpidament mitjançant dades reals durant el processament.
L'aprenentatge automàtic transforma les complexes interaccions entre la llum i la matèria en lleis físiques programables i optimitzables, impulsant la indústria manufacturera a aconseguir un canvi de paradigma de la "dependència de l'experiència-" a l'"autonomia cognitiva". Aquesta profunda integració ens porta més enllà dels enfocaments tradicionals de prova-i-error cap a una nova era de fabricació precisa impulsada tant per dades com per coneixement físic.
