Lazerli materiallarni qayta ishlashga AI ilovalarining birinchi bosqichi allaqachon yetib borgan. Ikkinchi tur mashinani o'rganishni sezilarli darajada tezlashtiradi. Eng muhimi: AI sotadi.
ANDREAS THOSS, HISSA MUHARRIRI
Hozirgacha AI katta hajmdagi ma'lumotlarni qayta ishlash qobiliyatiga asoslangan ulkan yutuqlarga erishdi. Masalan, millionlab matnli hujjatlarni tahlil qilish, biz ular bilan inson kabi muloqot qiladigan katta til modellarini ishlab chiqishga olib keldi. Bu kompyuter fanining dastlabki kunlaridan beri va'da bo'lib kelgan, shuningdek, ko'plab ilmiy-fantastik kitoblardagi mavzu. Bu yaqinda amalga oshirildi.
Fraunhofer Lazer Texnologiyasi Instituti ILT, Aachen, Germaniya.
Sanoatda AI yanada hayratlanarli narsalarni amalga oshirdi va yaqinda sezilarli darajada tezlashdi.
Sanoatda AI
Sun'iy intellektning sanoatda qo'llanilishi tilni qayta ishlashdan ancha ustundir (garchi AI agentlari sotuvchilarning veb-saytlarini ham zabt etishsa ham). Birinchidan, ular bir nechta aniq tasvirni qayta ishlash vazifalarini avtomatlashtirishga yordam beradi. Nemis mashina ishlab chiqaruvchisi TRUMPF, masalan, tasvirni qayta ishlash dasturi uchun maxsus AI rejimini taklif qiladi. Elektr dvigatellarida soch iplarini payvandlashda AI tasvirdagi kontrast, aks ettirish yoki soyalar tufayli qiyinchiliklar yuzaga kelganda payvandlash sheriklarini (masalan, soch iplari) aniqlashga yordam beradi. TRUMPF maʼlumotlariga koʻra, yechim “birinchi{4}}oʻtish rentabelligini” 99,2% dan 99,8% gacha oshirdi. Bu 4x kamroq "yaxshi emas" qismlarga to'g'ri keladi.
Lekin bu faqat boshlanishi. Kelajakda sun'iy intellekt bir nechta manbalardan olingan ma'lumotlardan foydalanadi va ishlov berishdan oldin, davomida va keyin mahsuldorlikni oshiradi. Uning katta hajmdagi ma'lumotlarni qayta ishlash qobiliyati, ayniqsa, o'z vaqtida, chunki bir nechta tendentsiyalar sanoatda tobora ko'proq ma'lumotlar yaratilishiga olib keladi.
Bunday tendentsiyalardan biri sifat nazorati. Avtomobil ishlab chiqaruvchilari, masalan, har bir payvand chokini suratga olishlari va ishlab chiqarish jarayonlaridagi chidamlilik muammolarini kuzatishlari mumkin. AI ishlab chiqarish jarayonida to'plangan fotosuratlar asosida "yaxshi" va "yomon" payvand choklarini ajrata oladi. Bu ishlab chiqarishning barcha muhim bosqichlarida ma'lumotlarni ishlab chiqaradigan inline yoki post-protseduraga misoldir. Albatta, bu avtomobil ishlab chiqarishdan ko'proq narsaga tegishli.
Ikkinchi tendentsiya raqamli egizaklar bilan bog'liq. To'liq mashinalar yoki ishlab chiqarish ob'ektlari raqamli dunyoda simulyatsiya qilinadi, bu erda payvandlash jarayonining o'zi kompyuterda simulyatsiya qilinadi. Haqiqiy ma'lumotlar bunday modellarni yaxshilashga yordam beradi, garchi ular ishlab chiqaradigan ma'lumotlar asosan sintetikdir.
Ikkala tendentsiya ham AI evolyutsiyasi bilan chambarchas bog'liq. Sifatni nazorat qilishda yaxshi va yomon qismlarni ajratish uchun mashinani o'rganish (ML) ishlatiladi. Mashina qaysi parametrlar muhimligini bilib oladi va operator yoki dasturchi ogohlantirishlar yoki mashina qachon to'xtashi kerakligi uchun chegaralarni o'rnatadi.
Jarayondan keyingi tekshiruvlar-da sun'iy intellektdan foydalanish ham isbotlangan. Misol uchun, Germaniyaning Scansonic MI kompaniyasi tasvirlardagi yaxshi va yomon payvand choklarini aniqlash uchun AIdan foydalanadi. Keyingi izlanishlar "jarayonda foydalanish" diagnostikasidan-yopiq sikl jarayonlarni boshqarishda qanday foydalanish mumkinligini aniqlaydi. Tasvirga ishlov berishdan tashqari, bu spektral sensorlar, 3D tasvirlash uchun lazer triangulyatsiyasi yoki payvandlash chuqurligi diagnostikasi- uchun optik kogerent tomografiyani o'z ichiga olishi mumkin.
Payvandlash - bu kuchli misol, ammo bu faqat bitta. Bunday texnologiya investitsiyalarni oqlash uchun foydalanish holati etarlicha katta bo'lgan joyda qo'llanilishi mumkin (va bo'ladi).
Sifatni nazorat qilishda AI birinchi navbatda qayta ishlangan qismlarning namunalarini aniqlash uchun ishlatiladi. Boshqaruv halqasini yopish uchun AI eng boshidan jarayon haqida bilim talab qiladi. Shuning uchun tadqiqotchilar imkon qadar ko'proq jarayon parametrlari bilan oziqlangan jarayon simulyatsiyasidan foydalanadilar. Bu erda AI yanada katta salohiyatga ega - u kirish va chiqish parametrlarini ulashi mumkin. Masalan, Angliyadagi Ruterford Appleton laboratoriyasining Fan va Texnologiyalar Kengashining Markaziy lazer zavodi tadqiqotchilari plazma tezlashishi uchun lazer tizimini optimallashtirish uchun sun'iy intellektdan foydalanganlar.1. Burish uchun juda ko'p tugmalar mavjud va lazer plazma jarayoni juda chiziqli emas. AI olimlarga tizimni barqarorlashtirish va elektron tezlashtirish uchun plazma kanalini yaratishda yordam berdi.
Sanoatda qo‘llaniladigan sun’iy intellekt{0}}asosidagi jarayonni simulyatsiya qilish jarayonlarni boshqarish uchun halqani yopish imkonini beradi. AI mahsulot sifatini spetsifikatsiyaga qaytarish uchun qaysi tugmani burish kerakligini biladi. U barcha tugmalar bilan deyarli tajriba o'tkazish va parametr landshaftini o'rganish orqali o'rganishi mumkin. Bu vazifani hal qilish uchun-ma'lum modellar mavjud.
Lekin barcha oʻzgarishlarni sinab koʻrish vaqtni- va energiyani-keplashi mumkin. Shu nuqtada qiziqarli savol oldingi bilimlarga taalluqlidir: agar modelga odamlar jarayon haqida allaqachon ma'lum bo'lgan narsalar berilsa, sun'iy intellektni o'rganish qanchalik tez bo'lishi mumkin?
Fotonika sanoatidagi AI tendentsiyalari
2025-yilning . 2 va 3-oktabr kunlari Germaniyaning SPECTARIS - sanoat assotsiatsiyasi Fraunhofer ILT Lazer Texnologiyalari Instituti (Fraunhofer ILT) va BITMi Federal Assotsiatsiyasi - tomonidan qo‘llab-quvvatlangan holda fotonikda AI bo‘yicha seminar o‘tkazdi. Ishtirokchilar tadqiqot institutlari, jumladan, Fraunhofer ILTning o‘zi va bir qancha universitetlardan, lekin asosan sanoatdan, Microsoft, ZEISS, TRUMPF, Audi, Precitec Vision, Bystronic, Blackbird Robotersysteme, 4D Photonics GmbH va boshqalar vakillari bilan qatnashdilar. 27 ta taqdimotning ba'zilarida optik dizayndagi sun'iy intellekt muhokama qilingan bo'lsa, seminar asosan sanoat lazer texnologiyasidagi sun'iy intellekt dasturlariga qaratildi.
AI yordamchilari lazer operatorlariga katta bilimlar bazasida to'g'ri qo'llanmani topishda yoki lazerni kesishda traektoriyani rejalashtirishni optimallashtirishda yordam berishi mumkin. Qizig'i shundaki, AI qanday murakkab qarorlarni qo'llab-quvvatlaydi, masalan, lazerli payvandlash yoki lazer qo'shimchalarini ishlab chiqarish jarayonlari sifatini nazorat qilish. RWTH Aachen universitetining Optik tizimlar texnologiyasi kafedrasi va Fraunhofer ILT boʻlim boshligʻi Karlo Xolli oʻzining yalpi taqdimotida asosiy tendentsiyani sarhisob qildi: “Biz hozir maʼlumotlarga asoslangan sunʼiy intellektdan-maʼlumotlarga- va fizika{4}}axborotlangan AIga oʻtmoqdamiz”.
Xolli buni o'z tadqiqotidan misol bilan tushuntirdi. Fraunhofer ILT jamoasi avvalroq yuqori{1}}tezlikdagi lazer materialini cho‘ktirish (EHLA yoki o‘ta yuqori{2}}lazer materialini joylashtirish) jarayonini ishlab chiqdi. 100 dan ortiq parametrlar bu jarayonda qoplama sifatiga ta'sir qiladi. Shunday qilib, jarayonni boshqa materialga o'tkazish odatda 1500 ta tajriba va tahlillar bilan ikki yil davom etadi. Jarayonning surrogat modeli va (Bayesian) AI optimallashtirish modelidan foydalangan holda, Xolli jamoasi testlar sonini sezilarli darajada qisqartirdi: optimal jarayon parametrlarini topish uchun atigi 17 ta sinov kerak bo'ldi.2.
Albatta, tegishli modellar va strategiyalarni topish doimiy tadqiqot mavzusidir. Joriy tadqiqotlar shuni ko'rsatdiki, jarayonni optimallashtirish vaqti oylarga emas, balki daqiqalarga qisqartirildi. Va, albatta, jarayonlarni avtomatlashtirilgan optimallashtirish yopiq-jarayonlarni boshqarish yo‘lidagi navbatdagi qadamdir.
ML 10× kamroq izohli maʼlumotlarga ega
Jarayonni optimallashtirish oldingi bilimlardan foyda ko'rsa, ML buning aksi foyda keltirishi mumkin. Xolli bu hayratlanarli faktni SPECTARIS seminarida -bepul ML annotatsiyasi g‘oyasi bilan tanishtirdi. Keyinchalik uning hamkasbi Yuliy Noys alyuminiy akkumulyator korpuslarini lazer bilan payvandlash yordamida tajribalar asosida payvandlash jarayoni sifatini nazorat qilishda bu qanday ko'rinishini ko'rsatdi.
Boshlanish nuqtasi sifatida Neuß yangi yondashuvni klassik nazorat ostidagi ish jarayoni bilan solishtirdi. Nazorat qilinadigan o'rnatishda operatorlar payvand chokining har bir qismiga qo'lda izoh qo'yishlari kerak: sim o'rni, eritma hovuzi, boncuk geometriyasi, teshiklar va chayqalishlar (1-rasm). Kichkina ma'lumotlar to'plami uchun ham bu tezda mehnatni talab qiladigan-bo'ladi. Bundan tashqari, AI faqat aniq belgilangan narsalarni o'rganadi va uning mustahkamligi izohli ma'lumotlar to'plamining xilma-xilligi va sifati bilan chegaralanadi.
