Pembelajaran mesin mempercepatkan teknologi pembuatan termaju

​Walaupun kehidupan hari ini dipenuhi dengan kemajuan teknologi yang menakjubkan, penggunaan logam yang menyokong perkembangan ini tidak berubah dengan ketara dalam beribu-ribu tahun. Itulah segala-galanya daripada rod logam, tiub dan kiub yang memberikan bentuk, kekuatan dan penjimatan bahan api kepada kereta dan trak, kepada wayar yang membawa elektrik kepada segala-galanya daripada loji kuasa hingga kabel dasar laut.

Tetapi keadaan berubah dengan pantas: pembuatan bahan menggunakan teknologi, proses dan kaedah inovatif baharu untuk menambah baik produk sedia ada dan mencipta yang baharu. Makmal Kebangsaan Barat Laut Pasifik (PNNL) Amerika Syarikat ialah peneraju dalam bidang ini, yang dikenali sebagai pembuatan termaju. Ditubuhkan pada 1965, PNNL memanfaatkan kekuatan uniknya dalam kimia, sains bumi, biologi dan sains data untuk memajukan pengetahuan saintifik bagi menangani tenaga mampan dan cabaran keselamatan negara.

Para saintis yang bekerja dalam projek Penaakulan Kecerdasan Buatan dalam Sains PNNL merintis cara untuk mereka bentuk dan melatih perisian komputer menggunakan pembelajaran mesin, satu cabang kecerdasan buatan, untuk membimbing pembangunan proses pembuatan baharu.

Atur cara perisian ini dilatih untuk mengenali corak dalam data pembuatan dan menggunakan keupayaan pengecaman corak ini untuk mengesyorkan atau meramal tetapan dalam proses pembuatan yang akan menghasilkan bahan dengan sifat yang lebih baik daripada menggunakan kaedah tradisional Bahan yang dihasilkan adalah lebih ringan, lebih kuat atau lebih konduktif.

Keerti Kappagantula, seorang saintis bahan di PNNL, berkata: "Komponen yang kami buat dengan proses pembuatan termaju sangat menarik kepada syarikat perindustrian, dan mereka mahu melihat teknologi ini dilancarkan secepat mungkin."

Cabaran Walau bagaimanapun, rakan kongsi industri enggan melabur dalam teknologi baharu sehingga fizik asas dan kerumitan lain teknologi pembuatan termaju telah disempurnakan dan terbukti sepenuhnya.

Untuk merapatkan jurang, Kappagantula bekerjasama dengan saintis data PNNL Henry Kvinge dan Tegan Emerson untuk membangunkan alatan pembelajaran mesin yang meramalkan cara pelbagai tetapan dalam proses pembuatan mempengaruhi prestasi bahan. Alat ini juga membentangkan ramalan dalam format visual, memberikan kejelasan dan pemahaman segera kepada rakan kongsi industri dan lain-lain.

Dengan menggunakan alatan pembelajaran mesin ini, pasukan percaya masa dari makmal ke kilang boleh dikurangkan kepada bulan dan bukannya tahun. Berpandukan ramalan alat, saintis bahan boleh menentukan sifat bahan masa hadapan dengan hanya menjalankan beberapa eksperimen, bukannya berdozen. Sebagai contoh, tetapan apakah yang akan menghasilkan prestasi yang dijangkakan bagi tiub aluminium.

"Matlamat kami ialah menggunakan pembelajaran mesin sebagai alat untuk membantu membimbing orang yang menjalankan proses pembuatan lanjutan untuk mencuba tetapan yang berbeza - parameter proses yang berbeza - pada peralatan mereka untuk mencari Satu yang membolehkan mereka mencapai perkara yang sebenarnya. ingin mencapai ”

Selesaikan masalah yang betul

Dalam pembuatan tradisional, model komputer dibina berdasarkan pemahaman yang sangat baik tentang fizik proses pembuatan , menunjukkan cara tetapan berbeza mempengaruhi sifat bahan . Kappagantula berkata bahawa dalam pembuatan lanjutan, fizik kurang difahami. Tanpa pemahaman profesional ini, pengeluaran tertangguh.

Projek Alat AI Pembuatan Termaju Baharu bertujuan untuk mengenal pasti cara pembelajaran mesin boleh digunakan untuk mengekstrak corak antara parameter proses dan sifat bahan yang terhasil, yang memberikan cerapan tentang fizik asas teknologi pembuatan termaju dan boleh mempercepatkan penggunaannya.

"Pendekatan yang kami ambil, tema penyatuan, bermula dengan memahami cara bahan saintis menggunakan kepakaran mereka dan apakah model mental yang mereka ada? Dan kemudian menggunakannya sebagai rangka kerja untuk membina model," kata Kvinge.

Dalam projek ini model pembelajaran mesin diperlukan untuk meramal prestasi bahan yang diberikan parameter khusus. Dalam perundingan dengan saintis bahan, dia dengan cepat mengetahui bahawa apa yang mereka benar-benar mahukan ialah dapat menentukan sifat dan mempunyai model mencadangkan semua parameter proses yang boleh digunakan untuk mencapai sifat itu.

Penyelesaian yang boleh dibuktikan

Apa yang diperlukan oleh Kappagantula dan rakan sekerjanya ialah rangka kerja pembelajaran mesin yang boleh memberikan hasil yang akan membantu pasukannya membuat keputusan tentang eksperimen yang akan dicuba seterusnya. Sekiranya tiada panduan sedemikian, proses melaraskan parameter untuk membangunkan bahan dengan sifat yang dikehendaki penuh dengan risiko kegagalan.

Dalam projek ini, Kvinge dan rakan-rakannya mula-mula membangunkan model pembelajaran mesin yang dipanggil "klasifikasi atribut pembezaan", yang menggunakan keupayaan padanan corak pembelajaran mesin untuk membezakan dua set parameter proses untuk Menentukan kumpulan yang lebih berkemungkinan untuk menghasilkan bahan dengan sifat yang dikehendaki.

Model ini membolehkan saintis bahan mengunci parameter optimum sebelum memulakan eksperimen, yang mungkin mahal dan memerlukan penyediaan yang menyeluruh.

Kappagantula berkata bahawa sebelum menjalankan eksperimen pada pengesyoran model pembelajaran mesin, dia perlu mempercayai pengesyoran model tersebut. "Saya ingin dapat melihat cara ia melakukan analisis." Kvinge menyatakan bahawa bagi seorang saintis data, penjelasan tentang cara model pembelajaran mesin mencapai ramalannya mungkin berbeza sama sekali daripada penjelasan yang masuk akal kepada saintis bahan.

Apabila Kvinge, Emerson dan rakan sekerja mereka menangani masalah ini, mereka cuba memahaminya dari perspektif saintis bahan.

"Ternyata mereka tahu perkara ini dengan baik daripada gambar struktur mikro bahan ini," kata Kvinge "Jika anda bertanya kepada mereka apa yang salah, mengapa percubaan itu tidak berjalan dengan baik, atau mengapa ia berlaku baik, mereka akan melihat gambar dan menunjukkan masalah kepada anda, mengatakan zarah ini terlalu besar, atau terlalu kecil, atau sesuatu seperti itu.”

Untuk menjadikan hasil model pembelajaran mesin mereka boleh ditafsirkan, Kvinge berkata. , Emerson dan rakan sekerja menggunakan imej mikrostruktur dan data berkaitan daripada eksperimen terdahulu untuk melatih model yang menghasilkan imej mikrostruktur yang akan terhasil daripada proses pembuatan yang ditala oleh set parameter tertentu.

Pasukan kini sedang mengesahkan model dan berusaha untuk menjadikannya sebahagian daripada rangka kerja perisian yang boleh digunakan oleh saintis bahan untuk menentukan eksperimen yang perlu dijalankan sambil membangunkan teknologi pembuatan termaju yang menjanjikan untuk mengubah pengeluaran dan prestasi bahan.

Kappagantula berkata mengenai pembuatan termaju: “Ia bukan sahaja meningkatkan kecekapan tenaga, ia membuka bahan baharu dengan sifat dan prestasi yang tidak pernah dilihat sebelum ini.”​

Atas ialah kandungan terperinci Pembelajaran mesin mempercepatkan teknologi pembuatan termaju. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!