머신러닝으로 고급 제조 기술 가속화

​오늘날의 삶은 놀라운 기술 발전으로 가득 차 있지만, 이러한 발전을 뒷받침하는 금속의 사용은 수천 년 동안 크게 변하지 않았습니다. 여기에는 자동차와 트럭의 모양, 강도, 연비를 결정하는 금속 막대, 튜브, 큐브부터 발전소부터 해저 케이블까지 모든 곳으로 전기를 전달하는 전선에 이르기까지 모든 것이 포함됩니다.

그러나 상황은 빠르게 변하고 있습니다. 재료 제조는 새롭고 혁신적인 기술, 프로세스 및 방법을 사용하여 기존 제품을 개선하고 새로운 제품을 만들어냅니다. 미국의 PNNL(Pacific Northwest National Laboratory)은 첨단 제조라고 알려진 이 분야의 선두주자입니다. 1965년에 설립된 PNNL은 화학, 지구 과학, 생물학 및 데이터 과학 분야의 고유한 강점을 활용하여 지속 가능한 에너지 및 국가 안보 문제를 해결하기 위한 과학 지식을 발전시킵니다.

PNNL의 "과학에서의 인공지능 추론" 프로젝트에 참여하는 과학자들은 인공 지능의 한 분야인 기계 학습을 사용하여 컴퓨터 소프트웨어를 설계하고 교육하는 선구적인 방법을 통해 새로운 제조 프로세스의 개발을 안내하고 있습니다.

이러한 소프트웨어 프로그램은 제조 데이터의 패턴을 인식하고 이 패턴 인식 기능을 사용하여 기존 방법을 사용하여 생산된 재료보다 더 가볍고 강하며 전도성이 향상된 재료를 생산하는 제조 공정의 설정을 추천하거나 예측합니다.

PNNL의 재료 과학자인 Keerti Kappagantula는 "우리가 첨단 제조 공정으로 만드는 부품은 산업 기업에게 매우 매력적이며, 그들은 이러한 기술이 가능한 한 빨리 출시되기를 원합니다."라고 말했습니다.

한 가지 과제는 구축하는 것입니다. 첨단 제조 기술을 기반으로 업계 파트너들은 물리학 및 기타 복잡성이 완전히 구체화되고 입증될 때까지 신기술에 투자하기를 꺼립니다.

간극을 메우기 위해 Kappagantula는 PNNL 데이터 과학자 Henry Kvinge 및 Tegan Emerson과 협력하여 제조 공정의 다양한 설정이 재료 성능에 어떤 영향을 미치는지 예측하는 기계 학습 도구를 개발했습니다. 또한 이러한 도구는 예측을 시각적 형식으로 제시하여 업계 파트너 및 기타 사람들에게 즉각적인 명확성과 이해를 제공합니다.

이러한 기계 학습 도구를 사용하면 연구실에서 공장까지 걸리는 시간이 몇 년이 아닌 몇 개월로 단축될 수 있다고 팀은 믿고 있습니다. 도구의 예측에 따라 재료 과학자들은 수십 번의 실험이 아닌 몇 번의 실험만으로 미래의 재료 특성을 결정할 수 있습니다. 예를 들어, 어떤 설정을 하면 알루미늄 튜브의 예상 성능이 나올 수 있습니까?

Kvinge는 다음과 같이 말했습니다. “우리의 목표는 기계 학습을 도구로 사용하여 고급 제조 프로세스를 실행하는 사람들이 장비에서 다양한 설정(다양한 프로세스 매개변수)을 시도하여 목표를 달성할 수 있는 설정을 찾도록 안내하는 것입니다. ”

올바른 문제를 해결하세요

전통적인 제조에서 컴퓨터 모델은 제조 공정의 물리학에 대한 매우 좋은 이해를 바탕으로 구축되어 다양한 설정이 재료의 성능에 어떤 영향을 미치는지 보여줍니다. Kappagantula는 첨단 제조에서는 물리학이 잘 이해되지 않는다고 말했습니다. 이러한 전문적인 이해가 없으면 생산이 지연됩니다.

새로운 고급 제조 인공 지능 도구 프로젝트의 목표는 기계 학습을 사용하여 프로세스 매개변수와 결과 재료 특성 사이의 패턴을 추출하는 방법을 식별하는 것입니다. 이를 통해 고급 제조 기술의 기본 물리학에 대한 통찰력을 제공하고 배포를 가속화할 수 있습니다.

"우리가 취하는 접근 방식, 즉 통합 주제는 재료 과학자들이 자신의 전문 지식을 어떻게 적용하고 어떤 정신적 모델을 가지고 있는지 이해하는 것부터 시작됩니다. 그런 다음 이를 모델 구축을 위한 프레임워크로 사용합니다"라고 Kvinge는 말했습니다.

이 프로젝트에서는 특정 매개변수가 주어지면 재료의 성능을 예측하기 위해 기계 학습 모델이 필요합니다. 재료 과학자들과의 협의를 통해 그는 그들이 정말로 원하는 것은 속성을 지정하고 해당 속성을 달성하는 데 사용할 수 있는 모든 프로세스 매개 변수를 제안하는 모델을 갖는 것이라는 사실을 빨리 깨달았습니다.

증명 가능한 솔루션

Kappagantula와 동료들에게 필요한 것은 팀이 다음에 시도할 실험을 결정하는 데 도움이 되는 결과를 제공할 수 있는 기계 학습 프레임워크였습니다. 그러한 지침이 없으면 원하는 특성을 가진 재료를 개발하기 위해 매개변수를 조정하는 과정이 실패할 위험이 있습니다.

이 프로젝트에서 Kvinge와 그의 동료들은 먼저 "차등 속성 분류"라는 기계 학습 모델을 개발했습니다. 이 모델은 기계 학습의 패턴 일치 기능을 사용하여 두 세트의 프로세스 매개변수를 구별하여 어느 그룹이 더 생산할 가능성이 높은지 결정합니다. 원하는 특성을 가진 재료.

이 모델을 사용하면 재료 과학자는 실험을 시작하기 전에 최적의 매개변수를 고정할 수 있으며, 이는 비용이 많이 들고 광범위한 준비가 필요할 수 있습니다.

Kappagantula는 기계 학습 모델 추천에 대한 실험을 수행하기 전에 모델의 추천을 신뢰해야 한다고 말했습니다. "분석을 어떻게 수행하는지 보고 싶습니다."

이 개념을 머신러닝 분야에서는 해석성이라고 하는데, 분야마다 전문가들마다 의미가 다릅니다. Kvinge는 데이터 과학자의 경우 기계 학습 모델이 어떻게 예측에 도달했는지에 대한 설명이 재료 과학자가 이해하는 설명과 완전히 다를 수 있다고 지적했습니다.

Kvinge, Emerson 및 동료들은 이 문제를 다룰 때 재료 과학자의 관점에서 이를 이해하려고 노력했습니다.

"그들은 이러한 물질의 미세 구조 사진을 통해 이를 매우 잘 알고 있는 것으로 나타났습니다."라고 Kvinge는 말했습니다. "무엇이 잘못되었는지, 왜 실험이 잘 되지 않았는지, 왜 잘 되었는지 묻는다면 그들은 이렇게 대답합니다. Kvinge, Emerson 및 동료들은 기계 학습 모델의 결과를 해석 가능하게 만들기 위해 실험에서 얻은 이전 미세 구조 이미지를 사용했습니다. 관련 데이터는 주어진 매개변수 세트에 따라 조정된 제조 공정의 결과인 미세구조 이미지를 생성하는 모델을 훈련하는 데 사용됩니다.

팀에서는 현재 모델을 검증하고 재료 과학자들이 어떤 실험을 수행할지 결정하는 데 사용할 수 있는 소프트웨어 프레임워크의 일부로 만들기 위해 노력하고 있으며 재료 생산과 성능을 변화시킬 수 있는 고급 제조 기술을 개발하고 있습니다.

Kappagantula는 첨단 제조에 대해 이렇게 말했습니다. "단순히 에너지 효율성을 향상시키는 것이 아니라 이전에 볼 수 없었던 특성과 성능을 갖춘 새로운 소재를 개척하는 것입니다."​

위 내용은 머신러닝으로 고급 제조 기술 가속화의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!