自激光被發(fā)明以來(lái),激光切割、清洗、鉆孔、雕刻、燒蝕、增材制造和焊接等技術(shù)已被廣泛應(yīng)用于航空航天、汽車(chē)、電子、電池、醫(yī)療、3D打印、半導(dǎo)體、傳感器和太陽(yáng)能等領(lǐng)域。隨著技術(shù)的發(fā)展,激光微納加工正向著更精細(xì)(由毫米到微米甚至納米)、更高效(百平方毫米的處理速度)、隨形(三維)、隨性(多種材料)的方向發(fā)展。然而由于激光與物質(zhì)之間相互作用的物理機(jī)制復(fù)雜,無(wú)法對(duì)制造過(guò)程實(shí)現(xiàn)精確建模,制約了微納加工的進(jìn)一步發(fā)展,在加工質(zhì)量、隨形加工等方面仍然存在明顯不足。
人工智能技術(shù)為解決當(dāng)前激光加工領(lǐng)域瓶頸問(wèn)題提供了新的思路,對(duì)激光微納加工具有重大的補(bǔ)充作用。它通過(guò)統(tǒng)計(jì)技術(shù)和數(shù)值算法來(lái)執(zhí)行任務(wù),無(wú)需明確的程序指令,能夠?qū)崿F(xiàn)預(yù)測(cè)、加工參數(shù)優(yōu)化和構(gòu)建復(fù)雜動(dòng)力學(xué)模型。吉林大學(xué)陳岐岱教授、王磊教授課題組回顧了一些主要的機(jī)器學(xué)習(xí)技術(shù),并討論了幾種深度學(xué)習(xí)模型,綜述了機(jī)器學(xué)習(xí)在激光微納加工的各個(gè)工藝過(guò)程的重要應(yīng)用,并強(qiáng)調(diào)了深度神經(jīng)網(wǎng)絡(luò)的制定、發(fā)展和優(yōu)勢(shì)。最后展望了當(dāng)前已有的智能激光微納加工研究的改進(jìn)方案,以及未來(lái)可能出現(xiàn)的機(jī)器學(xué)習(xí)與激光微納加工交叉方向的進(jìn)一步應(yīng)用。圖1為部分示意圖。
圖1 常用的機(jī)器學(xué)習(xí)算法以及在激光微納加工的各個(gè)工藝流程的應(yīng)用
在智能制造領(lǐng)域,常常提到一個(gè)名詞“數(shù)字孿生",這一概念的實(shí)現(xiàn)將會(huì)極大地提高制造效率,賦能產(chǎn)業(yè)智能化。數(shù)字孿生的本質(zhì)是實(shí)現(xiàn)信息世界的模型與現(xiàn)實(shí)世界的實(shí)體之間的映射。模型能夠?qū)ξ锢韺?shí)體進(jìn)行仿真分析,根據(jù)物理實(shí)體運(yùn)行的實(shí)時(shí)反饋信息對(duì)其運(yùn)行狀態(tài)進(jìn)行監(jiān)控。現(xiàn)有的研究中,對(duì)激光微納加工產(chǎn)業(yè)的“數(shù)字孿生"化還處于探索階段,主要分為:激光微納加工參數(shù)優(yōu)化與工藝窗口預(yù)測(cè),加工過(guò)程的實(shí)時(shí)監(jiān)測(cè)與控制,激光微納加工結(jié)果的預(yù)測(cè),輔助激光微納加工物理機(jī)制的研究。1.激光微納加工參數(shù)優(yōu)化與工藝窗口預(yù)測(cè)激光微納加工是一種精密加工技術(shù),通過(guò)控制激光光束的聚焦位置,可以在微米和納米尺度下進(jìn)行高精度制造。為了獲得最佳的工藝效果,研究者需要對(duì)加工參數(shù)進(jìn)行優(yōu)化,并預(yù)測(cè)適宜的工藝窗口。然而,工藝效果與許多參數(shù)之間存在復(fù)雜的相關(guān)性,因此通常需要耗費(fèi)大量的時(shí)間和金錢(qián)成本來(lái)確定最佳的參數(shù)組合。研究者利用神經(jīng)網(wǎng)絡(luò)來(lái)建立工藝效果與加工參數(shù)之間的映射關(guān)系可以大大縮短這一過(guò)程,有助于加快工藝優(yōu)化過(guò)程,降低成本。例如漢陽(yáng)大學(xué)Sehun Rhee課題組利用機(jī)器學(xué)習(xí)技術(shù)實(shí)現(xiàn)了激光加工過(guò)程中加工參數(shù)到加工結(jié)果的建模,并使用遺傳算法進(jìn)行了參數(shù)優(yōu)化,為激光加工領(lǐng)域的進(jìn)一步研究和發(fā)展提供重要啟示。2.加工過(guò)程的實(shí)時(shí)監(jiān)測(cè)與控制在智能制造領(lǐng)域,通過(guò)機(jī)器學(xué)習(xí)來(lái)實(shí)現(xiàn)原位檢測(cè)和反饋控制一直被視為推動(dòng)激光加工的關(guān)鍵技術(shù)之一。然而,目前工藝流程的實(shí)時(shí)監(jiān)控能力有限,在很大程度上仍處于開(kāi)環(huán)狀態(tài)。雖然成像裝置可以在加工過(guò)程中提供可視化圖像,但它們?nèi)狈ψ詣?dòng)分析能力。因此,利用機(jī)器學(xué)習(xí)來(lái)實(shí)時(shí)處理和分析加工過(guò)程中遇到的各種異常問(wèn)題,很可能成為機(jī)器實(shí)時(shí)控制系統(tǒng)的一個(gè)組成部分,這將使得整個(gè)激光微納加工具備智能化的能力。例如卡內(nèi)基梅隆大學(xué)Jack Beuth課題組通過(guò)機(jī)器學(xué)習(xí)技術(shù)實(shí)現(xiàn)了激光增材制造過(guò)程中缺陷的實(shí)時(shí)檢測(cè),以期望提高加工的良品率。3.激光微納加工結(jié)果的預(yù)測(cè)在激光微納加工的許多工藝中,常常包含多個(gè)流程,如果其中某個(gè)工藝過(guò)程出錯(cuò),將會(huì)導(dǎo)致整個(gè)加工流程的失敗。即使加工流程順利進(jìn)行,也需要通過(guò)一些觀測(cè)手段(例如掃描電子顯微鏡)來(lái)對(duì)最終的加工結(jié)果進(jìn)行觀察和分析等,以進(jìn)行微區(qū)分析、材料缺陷分析等。如果在加工開(kāi)始之前建立預(yù)測(cè)模型,上述的眾多異常事件將會(huì)在很大程度上被避免。例如南安普頓大學(xué)Ben Mills課題組提出一種新穎的想法,傳統(tǒng)的先加工后分析的方式,通過(guò)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了加工前就能預(yù)測(cè)加工結(jié)果。激光微納加工涉及多個(gè)物理過(guò)程,包括非線性光吸收、光電離、電子-電子散射、電子-光子散射,熱傳導(dǎo)等。目前,人們對(duì)這些物理現(xiàn)象的理解還不夠清楚,導(dǎo)致模型預(yù)測(cè)能力有限。傳統(tǒng)的機(jī)器學(xué)習(xí)在這一領(lǐng)域具有較大的優(yōu)勢(shì),只要提供足夠數(shù)量且高質(zhì)量訓(xùn)練數(shù)據(jù),機(jī)器學(xué)習(xí)模型就可以自動(dòng)學(xué)習(xí)復(fù)雜物理現(xiàn)象和問(wèn)題的隱含映射關(guān)系,甚至可以達(dá)到比現(xiàn)有物理模型更高的精度。然而,在激光微納加工領(lǐng)域中,研究者常常很難獲取到足量的高質(zhì)量數(shù)據(jù),同時(shí)其模型也缺乏可解釋性。因此將先驗(yàn)物理知識(shí)嵌入到模型當(dāng)中,使其模型更具可解釋性,將為激光微納加工的物理研究提供新的范式。例如美國(guó)伊利諾伊大學(xué)香檳分校Jinhui Yan課題組通過(guò)物理信息神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了制造過(guò)程中熔池溫度場(chǎng)的預(yù)測(cè),這一模型可以為加工參數(shù)的優(yōu)化提供了指導(dǎo)性的建議。除了以上領(lǐng)域之外,機(jī)器學(xué)習(xí)技術(shù)還能促進(jìn)激光加工微納器件的集成化。近日,陳岐岱教授、王磊教授課題組提出了利用機(jī)器學(xué)習(xí)方法對(duì)人工仿生復(fù)眼成像進(jìn)行三維重建,同時(shí)提升了成像的分辨率,為未來(lái)人工仿生復(fù)眼與平面成像傳感器匹配集成打下基礎(chǔ)。
綜合而言,激光智能微納加工是一個(gè)交叉方向,包含激光微納加工與人工智能兩個(gè)大領(lǐng)域。近些年來(lái),激光微納加工的工藝技術(shù)相較于人工智能技術(shù)發(fā)展相對(duì)緩慢。所以,想要推動(dòng)激光微納加工研究的發(fā)展,不斷地跟進(jìn)人工智能技術(shù)的發(fā)展是一個(gè)不錯(cuò)的選擇。
其次,由于神經(jīng)網(wǎng)絡(luò)方法是數(shù)據(jù)驅(qū)動(dòng)的,模型的泛化性和準(zhǔn)確率直接與可用的數(shù)據(jù)量有關(guān)。一些領(lǐng)域已經(jīng)建立了自己的大數(shù)據(jù)集,如圖像識(shí)別的ImageNet,光學(xué)字符識(shí)別的MNIST,自然語(yǔ)言處理的SQuAD,圖像分割的MS-COCO等。神經(jīng)網(wǎng)絡(luò)在這些領(lǐng)域展示了它們的強(qiáng)大力量。相比之下,激光微納加工領(lǐng)域缺乏公開(kāi)的數(shù)據(jù)集,而收集訓(xùn)練數(shù)據(jù)的成本很高。出于這種困境,建立小樣本訓(xùn)練模型是必要的。最后,雖然深度學(xué)習(xí)模型是一種非常有用的機(jī)器學(xué)習(xí)模型,但因其“黑盒子"的特性,使用者無(wú)法有效控制神經(jīng)網(wǎng)絡(luò),更無(wú)法理解網(wǎng)絡(luò)內(nèi)部到底發(fā)生了什么,這導(dǎo)致模型性能難以進(jìn)一步提升。因此,為了提升模型性能,深度學(xué)習(xí)的可解釋性研究也是必要的。
參考文獻(xiàn): 中國(guó)光學(xué)期刊網(wǎng)

您好,可以免費(fèi)咨詢(xún)技術(shù)客服[Daisy]
筱曉(上海)光子技術(shù)有限公司
歡迎大家給我們留言,私信我們會(huì)詳細(xì)解答,分享產(chǎn)品鏈接給您。
免責(zé)聲明:
資訊內(nèi)容來(lái)源于互聯(lián)網(wǎng),目的在于傳遞信息,提供專(zhuān)業(yè)服務(wù),不代表本網(wǎng)站及新媒體平臺(tái)贊同其觀點(diǎn)和對(duì)其真實(shí)性負(fù)責(zé)。如對(duì)文、圖等版權(quán)問(wèn)題存在異議的,請(qǐng)聯(lián)系我們將協(xié)調(diào)給予刪除處理。行業(yè)資訊僅供參考,不存在競(jìng)爭(zhēng)的經(jīng)濟(jì)利益。