L'apprentissage automatique accélère les technologies de fabrication avancées

​Bien que la vie d'aujourd'hui soit remplie d'avancées technologiques étonnantes, l'utilisation des métaux qui sous-tendent ces développements n'a pas changé de manière significative depuis des milliers d'années. Cela va des tiges, tubes et cubes métalliques qui donnent aux voitures et aux camions leur forme, leur résistance et leur économie de carburant, jusqu'aux fils qui transportent l'électricité et à tout, des centrales électriques aux câbles sous-marins.

Mais les choses évoluent rapidement : la fabrication de matériaux utilise de nouvelles technologies, processus et méthodes innovants pour améliorer les produits existants et en créer de nouveaux. Le Pacific Northwest National Laboratory (PNNL) des États-Unis est un leader dans ce domaine, connu sous le nom de fabrication de pointe. Fondé en 1965, PNNL exploite ses atouts uniques en chimie, sciences de la terre, biologie et science des données pour faire progresser les connaissances scientifiques afin de relever les défis de l'énergie durable et de la sécurité nationale.

Les scientifiques travaillant dans le projet « Artificial Intelligence Inference in Science » du PNNL sont des pionniers dans la conception et la formation de logiciels informatiques en utilisant l’apprentissage automatique, une branche de l’intelligence artificielle, pour guider le développement de nouveaux processus de fabrication.

Ces logiciels sont formés pour reconnaître des modèles dans les données de fabrication et utilisent cette capacité de reconnaissance de modèles pour recommander ou prédire des paramètres dans le processus de fabrication qui produiront des matériaux aux propriétés améliorées par rapport à ceux produits à l'aide de méthodes traditionnelles.

Keerti Kappagantula, scientifique des matériaux au PNNL, a déclaré : « Les composants que nous fabriquons avec des processus de fabrication avancés sont très attractifs pour les entreprises industrielles, et elles souhaitent voir ces technologies lancées le plus tôt possible.

L'un des défis est de construire. » sur la base de technologies de fabrication avancées Les partenaires industriels sont réticents à investir dans de nouvelles technologies tant que la physique et d'autres complexités n'ont pas été pleinement étoffées et prouvées.

Pour combler le fossé, Kappagantula a travaillé avec les scientifiques des données du PNNL Henry Kvinge et Tegan Emerson pour développer des outils d'apprentissage automatique qui prédisent comment divers paramètres du processus de fabrication affectent les performances des matériaux. Ces outils affichent également les prévisions visuellement, offrant une clarté et une compréhension immédiates aux partenaires industriels et autres.

En utilisant ces outils d'apprentissage automatique, l'équipe pense que le temps écoulé entre le laboratoire et l'usine peut être réduit à quelques mois au lieu de quelques années. Guidés par les prédictions de l'outil, les scientifiques des matériaux peuvent déterminer les propriétés futures des matériaux en menant seulement quelques expériences, plutôt que des dizaines. Par exemple, quels réglages donneraient les performances attendues d’un tube en aluminium.

Kvinge a déclaré : « Notre objectif est d'utiliser l'apprentissage automatique comme un outil pour aider les personnes qui exécutent des processus de fabrication avancés à essayer différents réglages sur leur équipement - différents paramètres de processus - pour en trouver un qui leur permet d'atteindre ce qu'ils veulent réellement. à réaliser. »

Résoudre le bon problème

Dans la fabrication traditionnelle, les modèles informatiques reposent sur une très bonne compréhension de la physique du processus de fabrication, montrant comment différents paramètres affectent les performances du matériau. Kappagantula a déclaré que dans la fabrication avancée, la physique est mal comprise. Sans cette compréhension professionnelle, la production est retardée.

Le nouveau projet Advanced Manufacturing Artificial Intelligence Tools vise à identifier comment l'apprentissage automatique peut être utilisé pour extraire des modèles entre les paramètres de processus et les propriétés des matériaux qui en résultent, ce qui fournit un aperçu de la physique sous-jacente aux technologies de fabrication avancées et pourrait accélérer leur déploiement.

"L'approche que nous adoptons, le thème fédérateur, commence par comprendre comment les scientifiques des matériaux appliquent leur expertise et de quels modèles mentaux ils disposent ? Et ensuite utiliser cela comme cadre pour construire des modèles", a déclaré Kvinge.

Dans ce projet, un modèle d'apprentissage automatique est nécessaire pour prédire les performances d'un matériau en fonction de paramètres spécifiques. Lors de consultations avec des scientifiques des matériaux, il a rapidement compris que ce qu'ils souhaitaient réellement, c'était pouvoir spécifier une propriété et disposer d'un modèle suggérant tous les paramètres de processus pouvant être utilisés pour obtenir cette propriété.

Une solution démontrable

Ce dont Kappagantula et ses collègues avaient besoin, c'était d'un cadre d'apprentissage automatique capable de fournir des résultats qui aideraient son équipe à prendre des décisions sur les expériences à tenter ensuite. En l’absence de telles orientations, le processus d’ajustement des paramètres pour développer des matériaux présentant les propriétés souhaitées comporte de nombreux risques d’échec.

Dans ce projet, Kvinge et ses collègues ont d'abord développé un modèle d'apprentissage automatique appelé « classification d'attributs différentiels », qui utilise la puissance de correspondance de modèles de l'apprentissage automatique pour distinguer deux ensembles de paramètres de processus afin de déterminer quel groupe est le plus susceptible de produire matériaux ayant les propriétés souhaitées.

Le modèle permet aux scientifiques des matériaux de verrouiller les paramètres optimaux avant de commencer des expériences, ce qui peut être coûteux et nécessiter une préparation approfondie.

Kappagantula a déclaré qu'avant de mener des expériences sur les recommandations du modèle d'apprentissage automatique, elle devait faire confiance aux recommandations du modèle. "J'aimerais pouvoir voir comment il effectue l'analyse."

Ce concept est appelé interprétabilité dans le domaine de l'apprentissage automatique, et il signifie différentes choses pour les experts de différents domaines. Kvinge a noté que pour un data scientist, l'explication de la façon dont un modèle d'apprentissage automatique est parvenu à ses prédictions peut être complètement différente de l'explication qui a du sens pour un scientifique des matériaux.

Lorsque Kvinge, Emerson et leurs collègues ont abordé ce problème, ils ont essayé de le comprendre du point de vue d'un scientifique des matériaux.

"Il s'avère qu'ils le savent très bien grâce aux photos de la microstructure de ces matériaux", a déclaré Kvinge. "Si vous leur demandez ce qui n'a pas fonctionné, pourquoi l'expérience ne s'est pas bien déroulée ou pourquoi elle s'est bien déroulée, ils regardent. sur les images, vous signalant que ces particules sont trop grosses, ou trop petites, ou quelque chose comme ça. les données associées sont utilisées pour former un modèle qui génère des images microstructurales qui résulteront d'un processus de fabrication réglé par un ensemble donné de paramètres.

L'équipe valide actuellement le modèle et travaille à l'intégrer à un cadre logiciel que les scientifiques des matériaux peuvent utiliser pour déterminer les expériences à mener tout en développant des technologies de fabrication avancées qui promettent de transformer la production et les performances des matériaux.

Kappagantula a déclaré à propos de la fabrication de pointe : « Il ne s’agit pas seulement d’améliorer l’efficacité énergétique, cela ouvre la voie à de nouveaux matériaux dotés de propriétés et de performances jamais vues auparavant. »​

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!