Vòng ứng dụng AI đầu tiên đã xuất hiện trong quá trình xử lý vật liệu bằng laser. Vòng thứ hai sẽ tăng tốc đáng kể việc học máy. Quan trọng nhất: AI bán hàng.
ANDREAS THOSS, BIÊN TẬP ĐÓNG GÓP
Cho đến nay, AI đã đạt được tiến bộ vượt bậc dựa trên khả năng xử lý lượng lớn dữ liệu. Ví dụ, việc phân tích hàng triệu tài liệu văn bản đã dẫn đến sự phát triển của các mô hình ngôn ngữ lớn mà chúng ta có thể giao tiếp như thể họ là con người. Đây là một lời hứa kể từ những ngày đầu của khoa học máy tính, đồng thời là chủ đề trong nhiều cuốn sách khoa học viễn tưởng. Nó chỉ được thực hiện gần đây.
Được phép của Viện Công nghệ Laser Fraunhofer ILT, Aachen, Đức.
Trong ngành công nghiệp, AI thậm chí còn đạt được những thành tựu đáng kinh ngạc hơn và gần đây đã trở nên nhanh hơn đáng kể.
AI trong công nghiệp
Các ứng dụng của AI trong công nghiệp vượt xa việc xử lý ngôn ngữ (mặc dù các tác nhân AI cũng chinh phục được các trang web của nhà cung cấp). Đầu tiên, chúng giúp tự động hóa một số tác vụ xử lý hình ảnh riêng biệt. Ví dụ, nhà phát triển máy TRUMPF của Đức cung cấp chế độ AI đặc biệt cho phần mềm xử lý hình ảnh của mình. Đối với hàn kẹp tóc trong động cơ điện, AI giúp xác định đối tác hàn (chẳng hạn như kẹp tóc) khi gặp khó khăn do độ tương phản, phản xạ hoặc bóng trong ảnh. Theo TRUMPF, giải pháp này đã tăng "hiệu suất-đạt lần đầu" từ 99,2% lên 99,8%. Điều này tương đương với số phần "không ổn" ít hơn 4 lần.
Nhưng đây chỉ là sự khởi đầu. Trong tương lai, AI sẽ sử dụng dữ liệu từ nhiều nguồn và cải thiện năng suất trước, trong và sau khi xử lý. Khả năng xử lý lượng dữ liệu khổng lồ của nó đặc biệt kịp thời vì một số xu hướng đang dẫn đến việc tạo ra ngày càng nhiều dữ liệu trong ngành.
Một xu hướng như vậy là kiểm soát chất lượng. Ví dụ, các nhà sản xuất ô tô có thể chụp ảnh từng đường hàn và theo dõi các vấn đề về độ bền trong quy trình sản xuất. AI có thể phân biệt mối hàn “tốt” và “xấu” dựa trên những bức ảnh được thu thập trong quá trình sản xuất. Đây là ví dụ về quy trình nội tuyến hoặc quy trình hậu{3}} tạo ra dữ liệu trong tất cả các bước sản xuất quan trọng. Tất nhiên, nó áp dụng cho nhiều lĩnh vực hơn là sản xuất ô tô.
Xu hướng thứ hai liên quan đến cặp song sinh kỹ thuật số. Các máy móc hoặc cơ sở sản xuất hoàn chỉnh được mô phỏng trong thế giới kỹ thuật số, nơi quá trình hàn được mô phỏng trên máy tính. Dữ liệu thực giúp cải thiện các mô hình như vậy, mặc dù dữ liệu mà chúng tạo ra về cơ bản là tổng hợp.
Cả hai xu hướng đều gắn chặt với sự phát triển của AI. Trong kiểm soát chất lượng, học máy (ML) được sử dụng để phân tách phần tốt và phần xấu. Máy sẽ tìm hiểu những thông số nào là quan trọng và người vận hành hoặc lập trình viên sẽ đặt ra các ngưỡng cảnh báo hoặc khi nào máy nên dừng.
Việc sử dụng AI trong quá trình-kiểm tra sau quá trình cũng đã được chứng minh. Ví dụ, công ty Scansonic MI của Đức sử dụng AI để xác định các đường hàn tốt và xấu trong hình ảnh. Nghiên cứu sâu hơn sẽ xác định cách có thể sử dụng chẩn đoán "sử dụng trong-quy trình" để kiểm soát quy trình-vòng kín. Ngoài việc xử lý hình ảnh, việc này có thể liên quan đến cảm biến quang phổ, phép đo tam giác bằng laser để tạo hình ảnh 3D hoặc chụp cắt lớp kết hợp quang học để chẩn đoán độ sâu mối hàn.
Hàn là một ví dụ điển hình, nhưng nó chỉ là một. Công nghệ như vậy có thể (và sẽ) được sử dụng ở bất cứ nơi nào trường hợp sử dụng đủ lớn để chứng minh cho khoản đầu tư.
AI trong kiểm soát chất lượng chủ yếu được sử dụng để nhận dạng mẫu của các bộ phận đã được xử lý. Để đóng vòng điều khiển, AI cần có kiến thức về quy trình ngay từ đầu. Do đó, các nhà nghiên cứu sử dụng (các) mô phỏng quy trình với càng nhiều thông số quy trình càng tốt. Ở đây, AI thậm chí còn có tiềm năng lớn hơn - nó có thể kết nối các tham số đầu vào và đầu ra. Chẳng hạn, các nhà nghiên cứu tại Cơ sở Laser Trung tâm tại Phòng thí nghiệm Rutherford Appleton của Hội đồng Cơ sở Khoa học và Công nghệ ở Anh đã sử dụng AI để tối ưu hóa hệ thống laser nhằm tăng tốc plasma.1. Có nhiều nút để xoay và quy trình plasma laser có tính phi tuyến tính cao. AI đã giúp các nhà khoa học ổn định hệ thống và thiết lập kênh plasma để tăng tốc điện tử.
Áp dụng cho ngành, mô phỏng quy trình dựa trên AI{0}}có thể cho phép đóng vòng lặp để kiểm soát quy trình. AI biết cần xoay nút nào để đưa chất lượng sản phẩm trở lại thông số kỹ thuật. Nó có thể học bằng cách thử nghiệm hầu như tất cả các nút bấm và khám phá bối cảnh tham số. Các mô hình-nổi tiếng tồn tại để giải quyết nhiệm vụ này.
Tuy nhiên, việc thử nghiệm tất cả các biến thể có thể tốn thời gian- và năng lượng-. Câu hỏi thú vị ở thời điểm này liên quan đến kiến thức trước đây: Quá trình học tập của AI có thể nhanh hơn bao nhiêu nếu mô hình được cung cấp những gì con người đã biết về quy trình?
Xu hướng AI trong ngành quang tử học
Vào ngày. 2 và tháng 10 năm 2025, hiệp hội công nghiệp Đức SPECTARIS - được hỗ trợ bởi Viện Công nghệ Laser Fraunhofer ILT (Fraunhofer ILT) và Hiệp hội Liên bang BITMi - đã tổ chức hội thảo về AI trong quang tử học. Những người tham gia đến từ các tổ chức nghiên cứu, bao gồm cả Fraunhofer ILT và một số trường đại học, nhưng chủ yếu đến từ ngành công nghiệp, với đại diện từ Microsoft, ZEISS, TRUMPF, Audi, Precitec Vision, Bystronic, Blackbird Robotersysteme, 4D Photonics GmbH, v.v. Trong khi một số trong số 27 bài trình bày thảo luận về AI trong thiết kế quang học thì hội thảo chủ yếu tập trung vào các ứng dụng AI trong công nghệ laser công nghiệp.
Trợ lý AI có thể giúp người vận hành máy laser tìm được hướng dẫn phù hợp trong cơ sở kiến thức rộng lớn hoặc tối ưu hóa việc lập kế hoạch quỹ đạo trong quá trình cắt laser. Thú vị hơn là cách AI hỗ trợ các quyết định phức tạp, chẳng hạn như trong việc kiểm soát chất lượng của quy trình hàn laser hoặc sản xuất bồi đắp bằng laser. Carlo Holly, chủ tịch Công nghệ hệ thống quang học tại Đại học RWTH Aachen và trưởng khoa tại Fraunhofer ILT, đã tóm tắt xu hướng chính trong bài trình bày toàn thể của mình: "Chúng tôi hiện đang chuyển từ AI-dựa trên dữ liệu sang AI có dữ liệu- và AI thông tin vật lý-."
Holly giải thích điều này bằng một ví dụ từ nghiên cứu của mình. Một nhóm tại Fraunhofer ILT trước đây đã phát triển một quy trình lắng đọng vật liệu bằng laser-tốc độ cao (EHLA hoặc-lắng đọng vật liệu bằng laser tốc độ cực cao). Hơn 100 thông số ảnh hưởng đến chất lượng lớp phủ trong quá trình này. Do đó, việc chuyển quy trình sang vật liệu khác thường mất hai năm với 1500 thí nghiệm và phân tích. Bằng cách sử dụng mô hình thay thế của quy trình và mô hình tối ưu hóa AI (Bayesian), nhóm của Holly đã giảm đáng kể số lượng thử nghiệm: Chỉ cần 17 thử nghiệm để tìm ra các thông số quy trình tối ưu2.
Tất nhiên, việc tìm ra các mô hình và chiến lược phù hợp là một chủ đề nghiên cứu đang được tiến hành. Điều đáng khích lệ là nghiên cứu hiện tại đã chỉ ra rằng thời gian tối ưu hóa quy trình đã giảm xuống còn vài phút thay vì hàng tháng. Và tất nhiên, tối ưu hóa quy trình tự động là bước tiếp theo hướng tới việc kiểm soát quy trình-vòng kín.
ML với dữ liệu được chú thích ít hơn 10×
Trong khi việc tối ưu hóa quy trình được hưởng lợi từ kiến thức có sẵn thì ML có thể được hưởng lợi từ điều ngược lại. Holly đã giới thiệu sự thật đáng ngạc nhiên này tại hội thảo SPECTARIS với ý tưởng về chú thích-ML miễn phí. Đồng nghiệp của ông, Julius Neuß, sau đó đã chứng minh điều này trông như thế nào trong việc kiểm soát chất lượng của quy trình hàn, dựa trên các thí nghiệm sử dụng hàn laser trên vỏ pin nhôm.
Ở điểm khởi đầu, Neuß đã so sánh phương pháp mới với quy trình làm việc được giám sát cổ điển. Trong thiết lập được giám sát, người vận hành phải chú thích thủ công từng phần của đường hàn: vị trí dây, vùng nóng chảy, hình dạng hạt, lỗ chân lông và vết loang (Hình 1). Ngay cả đối với một tập dữ liệu nhỏ, việc này nhanh chóng trở nên tốn nhiều công sức-. Hơn nữa, AI chỉ học những gì được gắn nhãn rõ ràng và độ mạnh mẽ của nó bị hạn chế cả bởi tính đa dạng và chất lượng của tập dữ liệu chú thích.
