Maschinelles Lernen beschleunigt fortschrittliche Fertigungstechnologien

​Obwohl das Leben heute voller erstaunlicher technologischer Fortschritte ist, hat sich die Art und Weise, wie die Metalle, die diesen Entwicklungen zugrunde liegen, verwendet werden, seit Tausenden von Jahren nicht wesentlich verändert. Das reicht von den Metallstäben, -rohren und -würfeln, die Autos und Lastwagen ihre Form, Festigkeit und ihren Kraftstoffverbrauch verleihen, bis hin zu den Drähten, die Strom zu allem transportieren, von Kraftwerken bis zu Unterseekabeln.

Aber die Dinge ändern sich rasant: Die Materialherstellung nutzt neue innovative Technologien, Prozesse und Methoden, um bestehende Produkte zu verbessern und neue zu schaffen. Das Pacific Northwest National Laboratory (PNNL) der Vereinigten Staaten ist führend auf diesem Gebiet, das als „Advanced Manufacturing“ bezeichnet wird. PNNL wurde 1965 gegründet und nutzt seine einzigartigen Stärken in den Bereichen Chemie, Geowissenschaften, Biologie und Datenwissenschaft, um wissenschaftliche Erkenntnisse zur Bewältigung nachhaltiger Energie- und nationaler Sicherheitsherausforderungen voranzutreiben.

Wissenschaftler, die im PNNL-Projekt „Artificial Intelligence Inference in Science“ arbeiten, sind bahnbrechende Methoden zum Entwerfen und Trainieren von Computersoftware mithilfe von maschinellem Lernen, einem Zweig der künstlichen Intelligenz, um die Entwicklung neuer Herstellungsprozesse zu steuern.

Diese Softwareprogramme sind darauf trainiert, Muster in Herstellungsdaten zu erkennen und diese Mustererkennungsfähigkeit zu nutzen, um Einstellungen im Herstellungsprozess zu empfehlen oder vorherzusagen, die Materialien mit verbesserten Eigenschaften als diejenigen produzieren, die mit herkömmlichen Methoden hergestellt werden.

Keerti Kappagantula, Materialwissenschaftlerin bei PNNL, sagte: „Die Komponenten, die wir mit fortschrittlichen Herstellungsprozessen herstellen, sind für Industrieunternehmen sehr attraktiv, und sie möchten, dass diese Technologien so schnell wie möglich eingeführt werden.“

Eine Herausforderung besteht darin, zu bauen.“ auf der Grundlage fortschrittlicher Fertigungstechnologien. Industriepartner zögern, in neue Technologien zu investieren, bis die physikalischen und anderen Komplexitäten vollständig geklärt und bewiesen sind.

Um diese Lücke zu schließen, arbeitete Kappagantula mit den PNNL-Datenwissenschaftlern Henry Kvinge und Tegan Emerson zusammen, um maschinelle Lernwerkzeuge zu entwickeln, die vorhersagen, wie sich verschiedene Einstellungen im Herstellungsprozess auf die Materialleistung auswirken. Diese Tools stellen Prognosen auch in einem visuellen Format dar und bieten Branchenpartnern und anderen so sofortige Klarheit und Verständnis.

Durch den Einsatz dieser maschinellen Lerntools ist das Team davon überzeugt, dass die Zeit vom Labor bis zur Fabrik auf Monate statt auf Jahre verkürzt werden kann. Anhand der Vorhersagen des Tools können Materialwissenschaftler zukünftige Materialeigenschaften bestimmen, indem sie nur wenige statt Dutzende Experimente durchführen. Welche Einstellungen würden beispielsweise zu der erwarteten Leistung eines Aluminiumrohrs führen?

Kvinge sagte: „Unser Ziel ist es, maschinelles Lernen als Werkzeug zu nutzen, um Menschen, die fortgeschrittene Herstellungsprozesse ausführen, dabei zu helfen, verschiedene Einstellungen an ihren Geräten – verschiedene Prozessparameter – auszuprobieren, um eine zu finden, die es ihnen ermöglicht, das zu erreichen, was sie tatsächlich wollen.“ zu erreichen. „

Das richtige Problem lösen

In der traditionellen Fertigung basieren Computermodelle auf einem sehr guten Verständnis der Physik des Herstellungsprozesses und zeigen, wie sich unterschiedliche Einstellungen auf die Leistung des Materials auswirken. Kappagantula sagte, dass die Physik in der modernen Fertigung nur unzureichend verstanden sei. Ohne dieses professionelle Verständnis verzögert sich die Produktion.

Das neue Projekt „Advanced Manufacturing Artificial Intelligence Tools“ zielt darauf ab, herauszufinden, wie maschinelles Lernen genutzt werden kann, um Muster zwischen Prozessparametern und daraus resultierenden Materialeigenschaften zu extrahieren, was Einblicke in die zugrunde liegende Physik fortschrittlicher Fertigungstechnologien liefert und deren Einsatz beschleunigen könnte.

„Der Ansatz, den wir verfolgen, das verbindende Thema, beginnt damit, zu verstehen, wie Materialwissenschaftler ihr Fachwissen anwenden und welche mentalen Modelle sie haben? Und diese dann als Rahmen für die Erstellung von Modellen zu nutzen“, sagte Kvinge.

In diesem Projekt wird ein maschinelles Lernmodell benötigt, um die Leistung eines Materials bei bestimmten Parametern vorherzusagen. In Gesprächen mit Materialwissenschaftlern stellte er schnell fest, dass es ihnen eigentlich darum ging, eine Eigenschaft zu spezifizieren und in einem Modell alle Prozessparameter vorzuschlagen, die zum Erreichen dieser Eigenschaft verwendet werden könnten.

Eine nachweisbare Lösung

Was Kappagantula und ihre Kollegen brauchten, war ein Framework für maschinelles Lernen, das Ergebnisse liefern konnte, die ihrem Team helfen würden, Entscheidungen darüber zu treffen, welche Experimente als nächstes durchgeführt werden sollten. Fehlt eine solche Anleitung, ist der Prozess der Parameteranpassung zur Entwicklung von Materialien mit den gewünschten Eigenschaften mit dem Risiko eines Scheiterns behaftet.

In diesem Projekt entwickelten Kvinge und seine Kollegen zunächst ein Modell für maschinelles Lernen namens „Differentiale Attributklassifizierung“, das die Mustervergleichsleistung des maschinellen Lernens nutzt, um zwischen zwei Sätzen von Prozessparametern zu unterscheiden und zu bestimmen, welche Gruppe Es wird wahrscheinlicher produziert Materialien mit den gewünschten Eigenschaften.

Das Modell ermöglicht es Materialwissenschaftlern, vor Beginn von Experimenten optimale Parameter festzulegen, was teuer sein kann und eine umfangreiche Vorbereitung erfordert.

Kappagantula sagte, dass sie vor der Durchführung von Experimenten zu Modellempfehlungen für maschinelles Lernen den Empfehlungen des Modells vertrauen müsse. „Ich würde gerne sehen, wie es Analysen durchführt.“

Dieses Konzept wird im Bereich des maschinellen Lernens als Interpretierbarkeit bezeichnet und hat für Experten in verschiedenen Bereichen unterschiedliche Bedeutungen. Kvinge stellte fest, dass für einen Datenwissenschaftler die Erklärung, wie ein maschinelles Lernmodell zu seinen Vorhersagen kam, völlig anders sein kann als die Erklärung, die für einen Materialwissenschaftler sinnvoll ist.

Als Kvinge, Emerson und ihre Kollegen sich mit diesem Problem befassten, versuchten sie, es aus der Perspektive eines Materialwissenschaftlers zu verstehen.

„Es stellt sich heraus, dass sie dies anhand von Bildern der Mikrostruktur dieser Materialien sehr gut wissen“, sagte Kvinge. „Wenn man sie fragt, was schief gelaufen ist, warum das Experiment nicht gut gelaufen ist oder warum es gut gelaufen ist, dann sehen sie.“ Um die Ergebnisse ihres maschinellen Lernmodells interpretierbar zu machen, verwendeten Kvinge, Emerson und Kollegen frühere mikrostrukturelle Bilder aus Experimenten Zugehörige Daten werden verwendet, um ein Modell zu trainieren, das mikrostrukturelle Bilder generiert, die aus einem Herstellungsprozess resultieren, der durch einen bestimmten Satz von Parametern abgestimmt wird.

Das Team validiert derzeit das Modell und arbeitet daran, es zu einem Teil eines Software-Frameworks zu machen, mit dem Materialwissenschaftler bestimmen können, welche Experimente sie durchführen müssen, während sie fortschrittliche Fertigungstechnologien entwickeln, die eine Transformation der Materialproduktion und -leistung versprechen.

Kappagantula sagte über die fortschrittliche Fertigung: „Es geht nicht nur um eine Verbesserung der Energieeffizienz, es eröffnet auch neue Materialien mit noch nie dagewesenen Eigenschaften und Leistungen.“​

Das obige ist der detaillierte Inhalt vonMaschinelles Lernen beschleunigt fortschrittliche Fertigungstechnologien. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!