یادگیری ماشینی توسعه تکنیک های تولید پیشرفته را تسریع می کند


یادگیری ماشینی توسعه تکنیک های تولید پیشرفته را تسریع می کند

دانشمندان رویکردهای پیشگام در یادگیری ماشینی برای طراحی و آموزش برنامه های نرم افزاری کامپیوتری هستند که توسعه فرآیندهای تولید جدید را هدایت می کنند. اعتبار: تصویر ترکیبی جف لندن | آزمایشگاه ملی شمال غرب اقیانوس آرام

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.

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.

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.

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

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.”

یک چالش این است که شرکای صنعتی تمایلی به سرمایه‌گذاری در فناوری‌های جدید ندارند، قبل از اینکه فیزیک زیربنایی و سایر پیچیدگی‌های تکنیک‌های تولید پیشرفته به طور کامل مشخص و تأیید شوند.

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.

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.

“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.

حل مشکل درست

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.

کاپاگانتولا گفت: در تولید پیشرفته، فیزیک کمتر درک می شود. “بدون این درک، تاخیر در استقرار وجود دارد.”

پروژه ابزارهای هوش مصنوعی Kappagantula، Kvinge و Emerson برای تولید پیشرفته با هدف شناسایی راه هایی است که یادگیری ماشین می تواند برای استخراج الگوهای بین پارامترهای فرآیند و خواص مواد حاصل از آن استفاده شود، که بینشی به فیزیک اساسی تکنیک های ساخت پیشرفته ارائه می دهد و می تواند آنها را تسریع کند. گسترش.

کوینگ گفت: «رویکردی که ما اتخاذ کرده‌ایم، موضوع وحدت‌بخش، درک این است که دانشمندان علم مواد به حوزه خود چگونه می‌نگرند – مدل‌های ذهنی آنها چیست؟ – و سپس استفاده از آن به عنوان داربستی برای ساخت مدل‌هایمان.






Keerti Kappagantula، دانشمند مواد، و هنری Kvinge، دانشمند داده و ریاضیدان، در حال توسعه هوش مصنوعی هستند تا به داده های تحقیقات تولیدی نگاه کنند و آزمایش های بعدی را توصیه کنند. کار آنها بخشی از ابتکار MARS است. اعتبار: آزمایشگاه ملی شمال غرب اقیانوس آرام

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.

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.

راه حل قابل تفسیر

چیزی که کاپاگانتولا و همکارانش به آن نیاز داشتند، یک چارچوب یادگیری ماشینی بود که می‌توانست نتایجی را ارائه دهد که به تیم او کمک کند در مورد آزمایش بعدی تصمیم‌گیری کنند. در غیاب چنین راهنمایی، فرآیند تنظیم پارامترها برای ایجاد یک ماده با خواص مطلوب، آزمون و خطا است.

در این پروژه، کوینگ و همکارانش ابتدا یک مدل یادگیری ماشین به نام طبقه‌بندی ویژگی‌های دیفرانسیل را توسعه دادند که از قابلیت تطبیق الگوی یادگیری ماشین برای تمایز بین دو مجموعه از پارامترهای فرآیند استفاده می‌کند تا مشخص کند که در صورت وجود هر کدام، به احتمال زیاد به ماده‌ای با مطلوبیت منجر می‌شود. خواص

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.

قبل از انجام آزمایشی که توسط یک مدل یادگیری ماشینی توصیه شده است، کاپاگانتولا گفت که باید به توصیه مدل اعتماد کند.

او گفت: “من می خواهم بتوانم ببینم که چگونه تحلیل می کند.”

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.

همانطور که Kvinge، Emerson و همکارانشان با این مشکل برخورد کردند، آنها سعی کردند آن را از چارچوب ذهنی دانشمندان مواد درک کنند.

Kvinge گفت: “معلوم شد که آنها از طریق این تصاویر از ریزساختارهای مواد به خوبی آن را درک می کنند.” “اگر از آنها بپرسید چه مشکلی پیش آمده است، چرا آزمایش خوب پیش نرفت یا چرا خوب پیش رفت، آنها به تصاویر نگاه می کنند و چیزهایی را به شما گوشزد می کنند و می گویند این اندازه دانه ها خیلی بزرگ، یا خیلی کوچک، یا چقدر است. تو را دارم.”

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. .

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.

Kappagantula در مورد ساخت پیشرفته می گوید: “این فقط کارها را با انرژی کارآمدتر انجام نمی دهد، بلکه ویژگی ها و عملکردی را باز می کند که قبلاً ندیده ایم.”


توسعه یک تکنیک پیش بینی هوش مصنوعی همه کاره و دقیق حتی با تعداد کمی آزمایش


ارائه شده توسط آزمایشگاه ملی شمال غرب اقیانوس آرام


نقل قول: یادگیری ماشینی توسعه تکنیک های تولید پیشرفته را تسریع می کند (2022، 18 اکتبر) بازیابی شده در 18 اکتبر 2022 از

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.





منبع