01Giới thiệu
Trí tuệ nhân tạo (AI), đặc biệt là máy học (ML), đang cung cấp các khả năng thông minh đáng kể cho việc chế tạo nano-nano vi mô bằng laser, thể hiện hiệu suất vượt trội trong các lĩnh vực như lập mô hình quy trình sản xuất, tối ưu hóa tham số quy trình và phát hiện-bất thường theo thời gian thực. Tiềm năng biến đổi này đang thúc đẩy sự phát triển của thế hệ tiếp theo của công nghệ chế tạo nano vi mô bằng laser. Những thách thức chính mà quy trình sản xuất laze truyền thống phải đối mặt phát sinh từ sự phức tạp của các tương tác laze-vật liệu, dẫn đến kết quả xử lý không thể kiểm soát được và tích tụ các khiếm khuyết nano-vi mô trong các quy trình gồm-bước, cuối cùng dẫn đến những lỗi quy trình thảm khốc. Việc kết hợp AI với các công nghệ sản xuất laser, thông qua việc tích hợp mô hình hóa-theo hướng dữ liệu và mô hình hóa theo hướng vật lý-, cũng như các công nghệ giám sát tại chỗ và điều khiển thích ứng thông minh, có thể giải quyết một cách hiệu quả những thách thức này. Những thay đổi mang tính cách mạng nào sẽ xảy ra khi AI “đáp ứng” được việc sản xuất laser?
02Học máy-Thông minh được hỗ trợ
Xử lý bằng lazeTrong xử lý bằng laze thông thường, các quy trình vật lý của tương tác vật liệu bằng laze-có liên quan đến các hiệu ứng nhiệt động phi tuyến phức tạp, hành vi động lực học chất lỏng và chuyển pha, làm cho các cơ chế vốn có rất phức tạp và bị ảnh hưởng bởi nhiều thông số quy trình như công suất laze và tốc độ quét. Mặc dù các mô hình phân tích-dựa trên vật lý hoặc mô phỏng số có tầm quan trọng rõ ràng nhưng chúng phải đối mặt với những thách thức đáng kể trong việc mô tả chính xác các hiện tượng vật lý nhất thời, đa{3}}và đa{4}}vật lý trong quá trình xử lý thực tế. Ưu điểm cốt lõi của mô hình hóa có sự hỗ trợ của máy học-nằm ở khả năng tìm hiểu các mối quan hệ phi tuyến tính phức tạp từ dữ liệu, nắm bắt hiệu quả mối tương quan ánh xạ giữa các tham số quy trình, trạng thái quy trình và chỉ báo chất lượng cuối cùng, từ đó "bỏ qua" phân tích mô hình vật lý phức tạp để đạt được dự đoán, tối ưu hóa và kiểm soát kết quả xử lý. Mô hình xử lý laser-có sự hỗ trợ của máy học chủ yếu được chia thành hai loại: mô hình hóa-theo hướng dữ liệu và mô hình hóa{10}}theo hướng vật lý. So với mô hình hóa theo hướng dữ liệu khám phá "mô hình hộp đen" giữa đầu vào và đầu ra thông qua dữ liệu thử nghiệm, mô hình hóa theo hướng vật lý kết hợp các định luật vật lý dưới dạng ràng buộc mềm (thuật ngữ hàm mất mát) hoặc ràng buộc cứng (kiến trúc mạng). Mô hình hóa{15}}theo hướng vật lý không chỉ sử dụng dữ liệu quan sát mà còn tích hợp đầy đủ kiến thức có sẵn để mô tả các quá trình vật lý cơ bản. Dữ liệu-Mô hình hóa định hướng:Não{18}}Giao diện máy tính (BCI) thiết lập các đường dẫn giao tiếp giữa não người và các thiết bị bên ngoài bằng cách bỏ qua các đường dẫn truyền thần kinh sinh học thông qua hệ thống thu thập và giải mã tín hiệu thần kinh. Hiện nay, một kỹ thuật can thiệp thần kinh tương đối tiên tiến sử dụng hệ thống điện cực xâm lấn tối thiểu được triển khai trong mạch máu não. Stent Nitinol đóng vai trò là chất mang điện cực nội mạch để thu thập tín hiệu điện não đồ hoặc cung cấp kích thích điện. Các phương pháp lắp ráp truyền thống chủ yếu sử dụng chất kết dính có thể chữa được bằng tia cực tím-để gắn các điện cực bạch kim vào bề mặt ống đỡ động mạch kết hợp với các mối nối hàn vi{23}}. Cơ chế "xử lý lạnh" của tia laser cực nhanh duy trì tính toàn vẹn của bề mặt mạch máu thần kinh mà không gây tổn thương nhiệt. Bằng cách sử dụng XGBoost (Tăng cường độ dốc eXtreme) và SVM (Máy vectơ hỗ trợ), có thể đưa ra dự đoán về chiều rộng vết mổ và tần suất lặp lại. Xác minh thực nghiệm cho thấy rằng năng lượng xung đơn{27}}đã giảm từ 20 μJ xuống 7,64 μJ không được tối ưu hóa, tần số lặp lại tăng từ 40 kHz lên 52,28 kHz và tốc độ quét giảm từ 20 mm/s xuống 8,33 mm/s. Kết quả xử lý được hiển thị trong Hình 1. Hình 1e hiển thị hình thái cấu trúc vi mô chưa được tối ưu hóa, trong khi Hình 1f hiển thị hình thái xử lý được tối ưu hóa, chỉ rõ rằng cấu trúc được tối ưu hóa có vùng ảnh hưởng nhiệt nhỏ hơn và độ chính xác xử lý cao hơn.
Mô hình hóa cơ chế vật lý:
So với chi phí cao và chu kỳ dài của mô hình hóa theo hướng dữ liệu, mô hình hóa cơ chế vật lý bỏ qua nhu cầu về các tập dữ liệu được tính toán trước bằng cách nhúng các phương trình vi phân từng phần vào hàm mất mát của mạng thần kinh. Gia công vi mô plasma-cảm ứng bằng laser (LIPMM) bị hạn chế bởi những giải thích lý thuyết vật lý không đầy đủ và chi phí thời gian đáng kể. Mặc dù đã có nhiều nỗ lực sử dụng máy học để xử lý vật liệu laser nhưng việc thiếu dữ liệu đầy đủ vẫn là một trở ngại lớn. Trong khung máy học có hướng dẫn-mô hình{8}}vật lý, các tham số cơ chế trung gian do mô hình vật lý tạo ra, chẳng hạn như mật độ huyết tương cực đại và thời lượng huyết tương, được thêm dưới dạng các thứ nguyên bổ sung vào vectơ tập dữ liệu gốc, kết hợp với thuật toán di truyền để tối ưu hóa các tham số quy trình đa{9}}chiều. Việc đưa vào thông tin cơ chế vật lý sẽ làm tăng kích thước dữ liệu, làm phong phú thêm tập dữ liệu huấn luyện và giảm lượng dữ liệu cần thiết. Cách tiếp cận này cải thiện độ chính xác của mô hình với kích thước mẫu nhỏ, do đó cho phép dự đoán chính xác độ sâu LIPMM. Việc đưa ra thông tin vật lý sẽ hướng dẫn quá trình tối ưu hóa với những tác động vật lý hợp lý hơn, cụ thể là mật độ huyết tương cực đại cao hơn, thời gian huyết tương dài hơn, năng lượng xung đơn{13}}lớn hơn và sự chồng chéo điểm tương đối nhỏ hơn, từ đó tối ưu hóa hiệu suất LIPMM.
03 Tóm tắt
Việc tích hợp trí tuệ nhân tạo và xử lý nano-laser vi mô đang trải qua một cuộc cách mạng sâu sắc, với vai trò của nó phát triển từ-tối ưu hóa quy trình một điểm đến việc xây dựng các hệ thống 'sản xuất nhận thức' từ đầu đến cuối{2}}đến{3}}nhận thức. Hiện tại, lĩnh vực này đang đi đầu trong lĩnh vực này tập trung vào các mô hình-có thông tin vật lý, đặc biệt là ứng dụng sâu của mạng thần kinh có thông tin vật lý-. Mô hình học máy tiên tiến này không còn đơn thuần là một 'kẻ bắt chước' theo hướng dữ liệu mà là một 'người hiểu' các định luật vật lý. Bằng cách đưa các phương trình vật lý cốt lõi như dẫn nhiệt và động lực học chất lỏng làm hạn chế vào quá trình huấn luyện mạng lưới thần kinh, các mô hình vẫn có thể đưa ra dự đoán chính xác theo các nguyên tắc vật lý mặc dù dữ liệu thực nghiệm còn thưa thớt. Điều này không chỉ giải quyết sự phụ thuộc của các mô hình học máy truyền thống vào các tập dữ liệu được dán nhãn lớn mà còn mang lại khả năng khái quát hóa 'suy luận từ một đến nhiều', khiến các dự đoán của chúng có thể hiểu được về mặt vật lý. Hiện tại, các nhà nghiên cứu đang xây dựng môi trường đào tạo 'hỗn hợp'. Trong môi trường này, cài đặt học tăng cường được xây dựng trên các mô phỏng vật lý có tính thực tế cao để tìm hiểu các chiến lược xử lý cơ bản, sau đó được tinh chỉnh và xác thực nhanh chóng bằng cách sử dụng dữ liệu thực tế trong quá trình xử lý.
Học máy biến đổi các tương tác phức tạp giữa ánh sáng và vật chất thành các định luật vật lý có thể lập trình và tối ưu hóa, thúc đẩy ngành sản xuất đạt được sự chuyển đổi mô hình từ "sự phụ thuộc vào kinh nghiệm" sang "quyền tự chủ về nhận thức". Sự tích hợp sâu này đang đưa chúng ta vượt ra khỏi các phương pháp thử-và-sai truyền thống để bước vào một kỷ nguyên mới của sản xuất chính xác được thúc đẩy bởi cả dữ liệu và kiến thức vật lý.
