در تولید سنتی، مدلهای رایانهای که بر اساس فیزیک کاملاً درک شده یک فرآیند تولید ساخته شدهاند به دانشمندان نشان میدهند که چگونه تنظیمات مختلف بر خواص مواد تأثیر میگذارند.
این مفهوم که به عنوان تفسیرپذیری یا توضیح پذیری در زمینه یادگیری ماشین شناخته می شود، برای متخصصان در حوزه های مختلف معانی متفاوتی دارد. برای دانشمندان داده، توضیح اینکه چگونه یک مدل یادگیری ماشینی به پیش بینی خود رسید ممکن است کاملاً متفاوت از توضیحی باشد که برای دانشمندان مواد منطقی است.
نقل قول: یادگیری ماشینی توسعه تکنیک های تولید پیشرفته را تسریع می کند (2022، 18 اکتبر) بازیابی شده در 18 اکتبر 2022 از
کاپاگانتولا گفت: در تولید پیشرفته، فیزیک کمتر درک می شود. “بدون این درک، تاخیر در استقرار وجود دارد.”
برای پر کردن این شکاف، Kappagantula با دانشمندان داده PNNL، هنری Kvinge و Tegan Emerson همکاری کرد تا ابزارهای یادگیری ماشینی بسازند که پیشبینی میکنند تنظیمات مختلف در فرآیند تولید چگونه بر خواص مواد تأثیر میگذارند. ابزارها همچنین پیشبینیها را به صورت بصری ارائه میکنند که وضوح و درک فوری را به شرکای صنعت و دیگران ارائه میدهد.
در این پروژه، Kvinge گفت که او فکر میکند که تیم یک مدل یادگیری ماشینی میخواهد که ویژگیهای یک ماده تولید شده با پارامترهای خاص را پیشبینی کند. با مشورت دانشمندان مواد، او به زودی متوجه شد که آنها واقعاً میخواهند بتوانند یک ویژگی را مشخص کنند و مدلی داشته باشند که تمام پارامترهای فرآیندی را که میتوان برای دستیابی به آن مورد استفاده قرار داد، پیشنهاد کند.
این مدل به دانشمندان مواد اجازه میدهد تا پارامترهای بهینه را قبل از راهاندازی یک آزمایش بررسی کنند، که میتواند هزینه زیادی داشته باشد و به کار آماده سازی زیادی نیاز دارد.
Kvinge، Emerson و همکاران برای تفسیرپذیر ساختن نتایج مدل یادگیری ماشین خود، از تصاویر و دادههای مربوط به ریزساختارها از آزمایشهای قبلی استفاده کردند تا مدلی را آموزش دهند که تصاویری از ریزساختارها تولید کند که از فرآیند تولید با مجموعهای از پارامترها تنظیم شده است. .
با استفاده از این ابزارهای یادگیری ماشینی، تیم بر این باور است که میتواند بهجای سالها، جدول زمانی را از آزمایشگاه تا کارخانه به ماهها کوتاه کند. با هدایت پیشبینیهای ابزار، دانشمندان مواد فقط به جای دهها آزمایش، به انجام چند آزمایش نیاز دارند تا مثلاً تعیین کنند که چه تنظیماتی منجر به خواص مطلوب در یک لوله آلومینیومی میشود.
او توضیح داد که اغلب اوقات، دانشمندان داده راهحلهایی برای مشکلاتی که دانشمندان داده فکر میکنند باید حل شوند، به جای مشکلی که دانشمندان دیگر میخواهند حل شود، توسعه میدهند.
برای مثال، دانشمندانی که در ابتکار ریاضیات برای استدلال مصنوعی در علوم PNNL کار میکنند، رویکردهای پیشگامی در شاخه هوش مصنوعی به نام یادگیری ماشینی برای طراحی و آموزش برنامههای نرمافزاری رایانهای هستند که توسعه فرآیندهای تولید جدید را هدایت میکنند.
Keerti Kappagantula، دانشمند مواد در PNNL گفت: “قطعاتی که ما با استفاده از فرآیندهای تولید پیشرفته می سازیم برای صنعت آنقدر جذاب هستند که آنها می خواهند این فناوری ها را در سریع ترین زمان ممکن راه اندازی کنند.”
“هدف ما استفاده از یادگیری ماشینی به عنوان ابزاری برای کمک به راهنمایی افرادی بود که فرآیند تولید پیشرفته را در حین آزمایش تنظیمات مختلف در دستگاه خود – پارامترهای مختلف فرآیند – برای یافتن یکی از آنها که به آنها امکان می دهد به آنچه واقعا می خواهند دست پیدا کنند، هدایت می کند. کوینگ گفت.
همانطور که Kvinge، Emerson و همکارانشان با این مشکل برخورد کردند، آنها سعی کردند آن را از چارچوب ذهنی دانشمندان مواد درک کنند.
اما همه چیز به سرعت در حال تغییر است: صنعت تولید مواد از فناوریها، فرآیندها و روشهای جدید و نوآورانه برای بهبود محصولات موجود و ایجاد محصولات جدید استفاده میکند. آزمایشگاه ملی شمال غرب اقیانوس آرام (PNNL) پیشرو در این فضا است که به عنوان تولید پیشرفته شناخته می شود.
با وجود پیشرفتهای فنآوری قابلتوجهی که زندگی امروز ما را پر کرده است، روشهای کار ما با فلزاتی که زیربنای این پیشرفتها هستند، طی هزاران سال تغییر قابلتوجهی نداشته است. این در مورد همه چیز صادق است، از میلهها، لولهها و مکعبهای فلزی که شکل، استحکام و مصرف سوخت خودروها و کامیونها را فراهم میکنند تا سیمهایی که انرژی الکتریکی را در همه چیز از موتورها گرفته تا کابلهای زیردریایی منتقل میکنند.
این تیم در حال حاضر در حال تایید این مدل هستند و قصد دارند آن را به بخشی از چارچوب نرم افزاری تبدیل کنند که دانشمندان مواد می توانند از آن برای تعیین آزمایش هایی که همزمان با توسعه تکنیک های ساخت پیشرفته که نوید تغییر تولید و خواص مواد را می دهد، انجام دهند.
این برنامههای نرمافزاری برای تشخیص الگوها در دادههای ساخت و استفاده از این قابلیت تشخیص الگو برای توصیه یا پیشبینی تنظیماتی در فرآیندهای تولید آموزش داده شدهاند که موادی با خواص بهبودیافته (مثلاً سبکتر، قویتر یا رساناتر) نسبت به موادی که با استفاده از آنها تولید میشوند، به دست میآورند. روش های سنتی
راه حل قابل تفسیر
این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به غیر از هرگونه معامله منصفانه به منظور مطالعه یا تحقیق خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.