از داده‌ها-محرک به یکپارچه‌سازی فیزیکی: یادگیری ماشینی با تغییر شکل لیزر میکرو-ساخت نانو

01 مقدمه

هوش مصنوعی (AI)، به‌ویژه یادگیری ماشینی (ML)، قابلیت‌های هوشمند قابل‌توجهی را برای ساخت میکرو{0}نانو لیزری ارائه می‌کند، که عملکرد فوق‌العاده‌ای را در زمینه‌هایی مانند مدل‌سازی فرآیند تولید، بهینه‌سازی پارامترهای فرآیند و تشخیص ناهنجاری{1}زمان واقعی نشان می‌دهد. این پتانسیل دگرگون‌کننده باعث توسعه نسل بعدی فناوری‌های ساخت میکرو{3}}نانو لیزری می‌شود. چالش‌های اصلی تولید لیزر سنتی از پیچیدگی فعل و انفعالات لیزر-مواد ناشی می‌شود که منجر به نتایج پردازش غیرقابل کنترل و انباشته شدن نقص‌های میکرو{5}}نانو طی فرآیندهای چند مرحله‌ای می‌شود که در نهایت منجر به شکست‌های فاجعه‌بار فرآیند می‌شود. ترکیب هوش مصنوعی با فناوری‌های تولید لیزر، از طریق ادغام مدل‌سازی مبتنی بر داده و مدل‌سازی مبتنی بر فیزیک-و همچنین نظارت برجای هوشمند و فن‌آوری‌های کنترل تطبیقی، می‌تواند به طور مؤثر این چالش‌ها را برطرف کند. چه تغییرات انقلابی زمانی رخ خواهد داد که هوش مصنوعی با تولید لیزر "مقابله" کند؟

02 یادگیری ماشینی-هوشمند کمکی

پردازش لیزری در پردازش لیزری مرسوم، فرآیندهای فیزیکی برهمکنش‌های مواد لیزری{0}}شامل اثرات پیچیده ترمودینامیکی غیرخطی، رفتارهای دینامیک سیالات و انتقال فاز است که مکانیسم‌های ذاتی را بسیار پیچیده می‌کند و تحت تأثیر پارامترهای فرآیند متعددی مانند توان لیزر و سرعت اسکن قرار می‌گیرد. اگرچه مدل‌های تحلیلی مبتنی بر فیزیک یا شبیه‌سازی‌های عددی اهمیت واضحی دارند، اما با چالش‌های مهمی در توصیف دقیق پدیده‌های گذرا، چند مقیاس- و چند{4} فیزیک در طول پردازش عملی روبرو هستند. مزیت اصلی مدل‌سازی به کمک یادگیری ماشینی{6}}در توانایی آن در یادگیری روابط غیرخطی پیچیده از داده‌ها، به‌دست آوردن مؤثر همبستگی‌های نگاشت بین پارامترهای فرآیند، وضعیت‌های فرآیند و شاخص‌های کیفیت نهایی است، در نتیجه تحلیل مدل فیزیکی پیچیده برای دستیابی به پیش‌بینی، بهینه‌سازی و کنترل نتایج پردازش را «دور می‌زند». مدل‌سازی پردازش لیزری به کمک یادگیری ماشینی-به طور عمده به دو نوع تقسیم می‌شود: مدل‌سازی مبتنی بر داده و مدل‌سازی مبتنی بر فیزیک{10}}. در مقایسه با مدل‌سازی مبتنی بر داده، که «مدل‌های جعبه سیاه» را بین ورودی‌ها و خروجی‌ها از طریق داده‌های تجربی بررسی می‌کند، مدل‌سازی مبتنی بر فیزیک قوانین فیزیکی را به‌عنوان محدودیت‌های نرم (شرایط تابع ضرر) یا محدودیت‌های سخت (معماری شبکه) در بر می‌گیرد. مدل‌سازی مبتنی بر فیزیک{15}}نه تنها از داده‌های مشاهده‌ای استفاده می‌کند، بلکه دانش قبلی را که فرآیندهای فیزیکی اساسی را توصیف می‌کند، کاملاً ادغام می‌کند. در حال حاضر، یک تکنیک مداخله عصبی نسبتاً پیشرفته از سیستم‌های الکترود کم تهاجمی مستقر در عروق مغزی استفاده می‌کند. استنت های نیتینول به عنوان حامل الکترود داخل عروقی برای جمع آوری سیگنال های الکتروانسفالوگرافی یا ارائه تحریک الکتریکی عمل می کنند. روش‌های مونتاژ سنتی عمدتاً از چسب‌های فرابنفش{22}}قابل درمان برای اتصال الکترودهای پلاتین به سطح استنت همراه با اتصالات میکرو-جوشکاری استفاده می‌کنند. مکانیسم "پردازش سرد" لیزرهای فوق سریع، یکپارچگی رابط عصبی عروقی را بدون ایجاد آسیب حرارتی حفظ می کند. با استفاده از XGBoost (تقویت گرادیان فوق العاده) و SVM (ماشین بردار پشتیبانی)، می توان برای عرض برش و فرکانس تکرار پیش بینی کرد. راستی‌آزمایی تجربی نشان داد که انرژی تک پالس از 20 میکروژول به 7.64 میکروژول کاهش یافت، فرکانس تکرار از 40 کیلوهرتز به 52.28 کیلوهرتز و سرعت اسکن از 20 میلی‌متر بر ثانیه به 33/8 میلی‌متر بر ثانیه کاهش یافت. نتایج پردازش در شکل 1 نشان داده شده است. شکل 1e مورفولوژی ریزساختار بهینه نشده را نشان می دهد، در حالی که شکل 1f مورفولوژی پردازش بهینه را نشان می دهد، که به وضوح نشان می دهد که ساختار بهینه شده دارای ناحیه تحت تاثیر حرارت کمتر و دقت پردازش بالاتر است.

مدل سازی مکانیزم فیزیکی:

در مقایسه با هزینه بالا و چرخه طولانی مدل‌سازی مبتنی بر داده-، مدل‌سازی مکانیزم فیزیکی نیاز به مجموعه داده‌های پیش{1} محاسبه‌شده را با تعبیه معادلات دیفرانسیل جزئی در تابع تلفات شبکه عصبی دور می‌زند. ماشینکاری میکرو پلاسمای القا شده با لیزر (LIPMM) با توضیحات تئوری فیزیکی ناقص و هزینه های زمانی قابل توجه محدود شده است. اگرچه تلاش هایی برای استفاده از یادگیری ماشین برای پردازش مواد لیزری انجام شده است، فقدان داده های کافی همچنان یک مانع بزرگ است. در چارچوب‌های یادگیری ماشین هدایت‌شده-مدل- فیزیک، پارامترهای مکانیزم میانی تولید شده توسط مدل‌های فیزیکی، مانند حداکثر چگالی پلاسما و مدت زمان پلاسما، به عنوان ابعاد اضافی به بردارهای داده اصلی اضافه می‌شوند و با الگوریتم‌های ژنتیک برای بهینه‌سازی پارامترهای فرآیند چند بعدی ترکیب می‌شوند. گنجاندن اطلاعات مکانیزم فیزیکی ابعاد داده ها را افزایش می دهد، مجموعه داده آموزشی را غنی می کند و مقدار داده مورد نیاز را کاهش می دهد. این رویکرد دقت مدل را با اندازه‌های نمونه کوچک بهبود می‌بخشد، بنابراین پیش‌بینی دقیق عمق LIPMM را ممکن می‌سازد. معرفی اطلاعات فیزیکی فرآیند بهینه‌سازی را با پیامدهای فیزیکی معقول‌تر هدایت می‌کند، یعنی تراکم بالاتر پلاسما، مدت زمان طولانی‌تر پلاسما، انرژی تک پالس بیشتر، و همپوشانی نقطه‌ای نسبتاً کوچک‌تر، در نتیجه عملکرد LIPMM را بهینه می‌کند.

03 خلاصه

ادغام هوش مصنوعی و میکرو{0}}نانو پردازش لیزری در حال تحول عمیقی است و نقش آن از بهینه‌سازی فرآیند تک نقطه‌ای به ساخت سیستم‌های «تولید شناختی»{2}}تا- پایان می‌یابد. در حال حاضر، خط مقدم این زمینه بر روی مدل‌های دارای اطلاعات فیزیکی-به ویژه کاربرد عمیق شبکه‌های عصبی با اطلاعات فیزیکی- متمرکز است. این الگوی یادگیری ماشین پیشرفته دیگر صرفاً یک «تقلیدگر» مبتنی بر داده نیست، بلکه یک «درک» قوانین فیزیکی است. با تعبیه معادلات فیزیکی هسته‌ای مانند هدایت گرما و دینامیک سیالات به عنوان محدودیت‌ها در فرآیند آموزش شبکه‌های عصبی، مدل‌ها همچنان می‌توانند با وجود داده‌های تجربی پراکنده، پیش‌بینی‌های دقیق مطابق با اصول فیزیکی انجام دهند. این نه تنها اتکای مدل‌های یادگیری ماشین سنتی به مجموعه داده‌های برچسب‌گذاری‌شده عظیم را برطرف می‌کند، بلکه قابلیت تعمیم «استنتاج از یک به بسیاری» را نیز به همراه می‌آورد و پیش‌بینی‌های آنها را قابل تفسیر فیزیکی می‌کند. در حال حاضر، محققان در حال ساخت محیط های آموزشی «هیبرید» هستند. در این محیط، تنظیمات یادگیری تقویتی بر اساس شبیه‌سازی‌های فیزیکی بسیار واقعی برای یادگیری استراتژی‌های پردازش بنیادی ساخته شده است، که سپس با استفاده از داده‌های واقعی در طول پردازش، به سرعت تنظیم و اعتبارسنجی می‌شوند.

یادگیری ماشینی تعاملات پیچیده بین نور و ماده را به قوانین فیزیکی قابل برنامه ریزی و بهینه تبدیل می کند و صنعت تولید را برای دستیابی به یک تغییر پارادایم از "تجربه-وابستگی" به "استقلال شناختی" سوق می دهد. این یکپارچگی عمیق ما را فراتر از رویکردهای آزمایشی-و{3}} سنتی به عصر جدیدی از تولید دقیق هدایت می‌کند که هم توسط داده‌ها و هم دانش فیزیکی هدایت می‌شود.