01Introduction
L'intelligence artificielle (IA), en particulier l'apprentissage automatique (ML), offre des capacités intelligentes significatives pour la micro-nanofabrication laser, démontrant des performances exceptionnelles dans des domaines tels que la modélisation des processus de fabrication, l'optimisation des paramètres de processus et la-détection d'anomalies en temps réel. Ce potentiel de transformation stimule le développement de la prochaine génération de technologies de fabrication de micro-nano lasers. Les principaux défis rencontrés par la fabrication laser traditionnelle proviennent de la complexité des interactions laser-matériau, qui conduisent à des résultats de traitement incontrôlables et à l'accumulation de micro-nano défauts au cours de processus en plusieurs-étapes, aboutissant finalement à des échecs de processus catastrophiques. La combinaison de l'IA avec les technologies de fabrication laser, grâce à l'intégration de la -modélisation basée sur les données et de la modélisation basée sur la physique-, ainsi que des technologies intelligentes de surveillance in situ et de contrôle adaptatif, peut relever efficacement ces défis. Quels changements révolutionnaires se produiront lorsque l’IA « rencontrera » la fabrication laser ?
02Apprentissage automatique-Intelligence assistée
Traitement laserDans le traitement laser conventionnel, les processus physiques des interactions laser-matériaux impliquent des effets thermodynamiques non linéaires complexes, des comportements dynamiques des fluides et des transitions de phase, ce qui rend les mécanismes inhérents très compliqués et influencés par de nombreux paramètres de processus tels que la puissance du laser et la vitesse de balayage. Bien que les modèles analytiques-basés sur la physique ou les simulations numériques aient une importance évidente, ils sont confrontés à des défis importants pour caractériser avec précision les phénomènes transitoires, multi-échelles et multi-physiques lors du traitement pratique. Le principal avantage de la modélisation assistée par apprentissage automatique- réside dans sa capacité à apprendre des relations non linéaires complexes à partir des données, en capturant efficacement les corrélations cartographiques entre les paramètres de processus, les états de processus et les indicateurs de qualité finaux, « contournant » ainsi l'analyse complexe de modèles physiques pour réaliser la prédiction, l'optimisation et le contrôle des résultats de traitement. La modélisation par traitement laser assistée par apprentissage automatique-est principalement divisée en deux types : la modélisation basée sur les données-et la modélisation basée sur la physique-. Par rapport à la modélisation basée sur les données, qui explore les « modèles de boîte noire » entre les entrées et les sorties via des données expérimentales, la modélisation basée sur la physique intègre les lois physiques sous forme de contraintes douces (termes de fonction de perte) ou de contraintes strictes (architecture de réseau). La modélisation basée sur la physique-utilise non seulement des données d'observation, mais intègre également pleinement les connaissances antérieures décrivant les processus physiques fondamentaux.Modélisation basée sur les données- : cerveau-Les interfaces informatiques (BCI) établissent des voies de communication entre le cerveau humain et les appareils externes en contournant les voies de neurotransmission biologique via des systèmes d'acquisition et de décodage de signaux neuronaux. Actuellement, une technique d’intervention neuronale relativement avancée utilise des systèmes d’électrodes peu invasifs déployés dans le système vasculaire cérébral. Les stents en nitinol servent de supports d'électrodes intravasculaires pour collecter des signaux électroencéphalographiques ou délivrer une stimulation électrique. Les méthodes d'assemblage traditionnelles utilisent principalement des adhésifs durcissables aux ultraviolets-pour fixer des électrodes de platine à la surface du stent combinées à des connexions par micro-soudage. Le mécanisme de « traitement à froid » des lasers ultrarapides maintient l’intégrité de l’interface neurovasculaire sans provoquer de dommages thermiques. Grâce à XGBoost (eXtreme Gradient Boosting) et SVM (Support Vector Machine), des prédictions peuvent être faites pour la largeur de l'incision et la fréquence de répétition. La vérification expérimentale a montré que l'énergie d'une impulsion unique a été réduite de 20 μJ non optimisés à 7,64 μJ, la fréquence de répétition a augmenté de 40 kHz à 52,28 kHz et la vitesse de balayage a diminué de 20 mm/s à 8,33 mm/s. Les résultats du traitement sont présentés sur la figure 1. La figure 1e montre la morphologie de la microstructure non optimisée, tandis que la figure 1f montre la morphologie du traitement optimisée, indiquant clairement que la structure optimisée a une zone affectée thermiquement plus petite et une précision de traitement plus élevée.
Modélisation des mécanismes physiques :
Par rapport au coût élevé et au long cycle de la modélisation basée sur les données-, la modélisation des mécanismes physiques évite le besoin d'ensembles de données pré-calculés en intégrant des équations aux dérivées partielles dans la fonction de perte d'un réseau neuronal. Le micro-usinage à plasma induit par laser (LIPMM) est limité par des explications théoriques physiques incomplètes et des coûts de temps importants. Bien que des tentatives aient été faites pour utiliser l’apprentissage automatique pour le traitement des matériaux au laser, le manque de données suffisantes reste un obstacle majeur. Dans les cadres d'apprentissage automatique guidés par des modèles physiques--, les paramètres de mécanisme intermédiaires générés par des modèles physiques, tels que la densité maximale du plasma et la durée du plasma, sont ajoutés en tant que dimensions supplémentaires aux vecteurs de l'ensemble de données d'origine, combinés à des algorithmes génétiques pour optimiser les paramètres de processus multi-dimensionnels. L'inclusion d'informations sur les mécanismes physiques augmente les dimensions des données, enrichit l'ensemble de données d'entraînement et réduit la quantité de données requises. Cette approche améliore la précision du modèle avec des échantillons de petite taille, permettant ainsi une prédiction précise de la profondeur du LIPMM. L'introduction d'informations physiques guide le processus d'optimisation avec des implications physiques plus raisonnables, à savoir une densité de plasma maximale plus élevée, une durée de plasma plus longue, une plus grande énergie d'impulsion unique et un chevauchement de points relativement plus petit, optimisant ainsi les performances du LIPMM.
03 Résumé
L'intégration de l'intelligence artificielle et du micro-nanotraitement laser connaît une révolution profonde, son rôle évoluant de l'optimisation de processus-en un seul point à la construction de-systèmes de "fabrication cognitive" de bout en bout. Actuellement, l'avant-garde de ce domaine se concentre sur les modèles-informés physiquement, en particulier l'application approfondie des réseaux de neurones-informés par la physique. Ce paradigme avancé d'apprentissage automatique n'est plus simplement un « imitateur » axé sur les données, mais un « compréhenseur » des lois physiques. En intégrant des équations physiques de base telles que la conduction thermique et la dynamique des fluides comme contraintes dans le processus de formation des réseaux neuronaux, les modèles peuvent toujours faire des prédictions précises conformément aux principes physiques malgré la rareté des données expérimentales. Cela résout non seulement la dépendance des modèles d'apprentissage automatique traditionnels à des ensembles de données étiquetés massifs, mais confère également une capacité de généralisation de « inférence de un à plusieurs », rendant leurs prédictions physiquement interprétables. À l'heure actuelle, les chercheurs construisent des environnements de formation « hybrides ». Dans cet environnement, le paramètre d'apprentissage par renforcement s'appuie sur des simulations physiques très réalistes pour apprendre des stratégies de traitement fondamentales, qui sont ensuite rapidement affinées et validées à l'aide de données réelles pendant le traitement.
L'apprentissage automatique transforme les interactions complexes entre la lumière et la matière en lois physiques programmables et optimisables, ce qui pousse l'industrie manufacturière à opérer un changement de paradigme, passant de la "dépendance à l'expérience- à l'"autonomie cognitive". Cette intégration approfondie nous amène au-delà des approches traditionnelles d'essais-et-d'erreurs vers une nouvelle ère de fabrication précise basée à la fois sur les données et les connaissances physiques.
