01Introdução
A inteligência artificial (IA), especialmente o aprendizado de máquina (ML), está fornecendo recursos inteligentes significativos para a micro{0}}nano fabricação a laser, demonstrando excelente desempenho em áreas como modelagem de processos de fabricação, otimização de parâmetros de processo e detecção de anomalias-em tempo real. Esse potencial transformador está impulsionando o desenvolvimento da próxima geração de tecnologias de micro{3}}nano fabricação a laser. Os principais desafios enfrentados pela fabricação tradicional de laser surgem da complexidade das interações laser-material, que levam a resultados de processamento incontroláveis e ao acúmulo de micro-nano defeitos durante processos de várias-etapas, resultando em falhas catastróficas no processo. Combinar IA com tecnologias de fabricação a laser, por meio da integração de modelagem-orientada por dados e modelagem orientada-pela física, bem como monitoramento inteligente in situ e tecnologias de controle adaptativo, pode enfrentar esses desafios de maneira eficaz. Que mudanças revolucionárias ocorrerão quando a IA “encontrar” a fabricação a laser?
02Aprendizado de máquina-Inteligente Assistido
Processamento a laserNo processamento a laser convencional, os processos físicos de interações de materiais-a laser envolvem efeitos termodinâmicos não lineares complexos, comportamentos de dinâmica de fluidos e transições de fase, tornando os mecanismos inerentes altamente complicados e influenciados por vários parâmetros do processo, como potência do laser e velocidade de varredura. Embora modelos analíticos-baseados em física ou simulações numéricas tenham um significado claro, eles enfrentam desafios significativos na caracterização precisa de fenômenos transitórios, multi{3}}escala e multi{4}}físicos durante o processamento prático. A principal vantagem da modelagem assistida-de aprendizado de máquina reside em sua capacidade de aprender relacionamentos não lineares complexos a partir de dados, capturando efetivamente as correlações de mapeamento entre parâmetros de processo, estados de processo e indicadores de qualidade finais, "ignorando" análises complexas de modelos físicos para obter previsão, otimização e controle de resultados de processamento. A modelagem de processamento a laser-assistida por aprendizado de máquina é dividida principalmente em dois tipos: modelagem-orientada por dados e modelagem-orientada por física. Em comparação com a modelagem-orientada por dados, que explora "modelos de caixa preta" entre entradas e saídas por meio de dados experimentais, a modelagem-orientada pela física incorpora leis físicas como restrições suaves (termos de função de perda) ou restrições rígidas (arquitetura de rede). A modelagem-orientada pela física não apenas utiliza dados observacionais, mas também integra totalmente o conhecimento prévio que descreve processos físicos fundamentais.Modelagem-orientada por dados:As interfaces de computador-do cérebro (BCI) estabelecem caminhos de comunicação entre o cérebro humano e dispositivos externos, contornando caminhos de neurotransmissão biológica por meio de aquisição de sinais neurais e sistemas de decodificação. Atualmente, uma técnica de intervenção neural relativamente avançada emprega sistemas de eletrodos minimamente invasivos implantados na vasculatura cerebral. Os stents de nitinol servem como transportadores de eletrodos intravasculares para coletar sinais eletroencefalográficos ou fornecer estimulação elétrica. Os métodos de montagem tradicionais usam principalmente adesivos curáveis-por radiação ultravioleta para fixar eletrodos de platina à superfície do stent, combinados com conexões de micro-soldagem. O mecanismo de “processamento a frio” dos lasers ultrarrápidos mantém a integridade da interface neurovascular sem causar danos térmicos. Usando XGBoost (eXtreme Gradient Boosting) e SVM (Support Vector Machine), podem ser feitas previsões para largura de incisão e frequência de repetição. A verificação experimental mostrou que a energia do pulso único foi reduzida de 20 μJ não otimizados para 7,64 μJ, a frequência de repetição aumentou de 40 kHz para 52,28 kHz e a velocidade de varredura diminuiu de 20 mm/s para 8,33 mm/s. Os resultados do processamento são mostrados na Figura 1. A Figura 1e mostra a morfologia da microestrutura não otimizada, enquanto a Figura 1f mostra a morfologia do processamento otimizado, indicando claramente que a estrutura otimizada tem uma zona afetada-pelo calor menor e maior precisão de processamento.
Modelagem do Mecanismo Físico:
Em comparação com o alto custo e o longo ciclo da modelagem-orientada por dados, a modelagem de mecanismos físicos ignora a necessidade de conjuntos de dados pré{1}}computados, incorporando equações diferenciais parciais na função de perda de uma rede neural. A microusinagem a plasma-induzida por laser-(LIPMM) é restrita por explicações teóricas físicas incompletas e custos de tempo significativos. Embora tenham sido feitas tentativas de usar o aprendizado de máquina para processamento de materiais a laser, a falta de dados suficientes continua sendo um grande obstáculo. Em estruturas de aprendizado de máquina guiadas por-modelos-de física, parâmetros de mecanismos intermediários gerados por modelos físicos, como pico de densidade e duração do plasma, são adicionados como dimensões extras aos vetores do conjunto de dados original, combinados com algoritmos genéticos para otimizar parâmetros de processo multi-dimensionais. A inclusão de informações sobre mecanismos físicos aumenta as dimensões dos dados, enriquece o conjunto de dados de treinamento e reduz a quantidade de dados necessários. Esta abordagem melhora a precisão do modelo com amostras pequenas, permitindo assim uma previsão precisa da profundidade do LIPMM. A introdução de informações físicas orienta o processo de otimização com implicações físicas mais razoáveis, ou seja, maior densidade de plasma de pico, maior duração de plasma, maior energia de pulso único e sobreposição de pontos relativamente menor, otimizando assim o desempenho do LIPMM.
03 Resumo
A integração da inteligência artificial e do processamento micro{0}}nano a laser está passando por uma revolução profunda, com seu papel evoluindo da otimização de processos-de ponto único para a construção de sistemas-de{3}}de 'fabricação cognitiva' de ponta a ponta. Atualmente, a vanguarda desse campo está centrada em modelos-informados fisicamente, particularmente na aplicação profunda de redes neurais informadas-físicas. Esse paradigma avançado de aprendizado de máquina não é mais apenas um “imitador” baseado em dados, mas um “compreensor” de leis físicas. Ao incorporar equações físicas essenciais, como condução de calor e dinâmica de fluidos, como restrições ao processo de treinamento de redes neurais, os modelos ainda podem fazer previsões precisas de acordo com os princípios físicos, apesar dos dados experimentais esparsos. Isto não só resolve a dependência dos modelos tradicionais de aprendizagem automática em conjuntos de dados rotulados massivos, mas também confere uma capacidade de generalização de “inferência de um para muitos”, tornando as suas previsões fisicamente interpretáveis. Actualmente, os investigadores estão a construir ambientes de formação “híbridos”. Nesse ambiente, a configuração de aprendizado por reforço é baseada em simulações físicas altamente realistas para aprender estratégias de processamento fundamentais, que são rapidamente-ajustadas e validadas usando dados reais durante o processamento.
O aprendizado de máquina transforma as interações complexas entre a luz e a matéria em leis físicas programáveis e otimizáveis, levando a indústria manufatureira a alcançar uma mudança de paradigma da "dependência-da experiência" para a "autonomia cognitiva". Essa integração profunda está nos levando além das abordagens tradicionais de tentativa-e{3}}erro para uma nova era de fabricação precisa impulsionada por dados e conhecimento físico.
