من البيانات-موجهة إلى التكامل المادي: التعلم الآلي يعيد تشكيل الليزر الدقيق-تصنيع النانو

01مقدمة

يوفر الذكاء الاصطناعي (AI)، وخاصة التعلم الآلي (ML)، إمكانات ذكية كبيرة لتصنيع النانو -باستخدام الليزر، مما يوضح الأداء المتميز في مجالات مثل نمذجة عمليات التصنيع وتحسين معاملات العملية والكشف عن الانحرافات-في الوقت الفعلي. تعمل هذه الإمكانية التحويلية على دفع عملية تطوير الجيل التالي من تقنيات تصنيع النانو بالليزر -الصغيرة. تنشأ التحديات الرئيسية التي يواجهها التصنيع التقليدي بالليزر من تعقيد تفاعلات الليزر مع المواد، مما يؤدي إلى نتائج معالجة لا يمكن التحكم فيها وتراكم -عيوب النانو الدقيقة أثناء العمليات- المتعددة الخطوات، مما يؤدي في النهاية إلى فشل عملية كارثية. إن الجمع بين الذكاء الاصطناعي وتقنيات التصنيع بالليزر، من خلال تكامل النمذجة المستندة إلى البيانات- والنمذجة المستندة إلى الفيزياء-، بالإضافة إلى المراقبة الذكية في الموقع وتقنيات التحكم التكيفية، يمكن أن يعالج هذه التحديات بشكل فعال. ما هي التغييرات الثورية التي ستحدث عندما "يجتمع" الذكاء الاصطناعي مع التصنيع بالليزر؟

02التعلم الآلي-المساعدة الذكية

المعالجة بالليزر في المعالجة التقليدية بالليزر، تشتمل العمليات الفيزيائية لتفاعلات المواد بالليزر- على تأثيرات ديناميكية حرارية غير خطية معقدة وسلوكيات ديناميكيات الموائع وانتقالات الطور، مما يجعل الآليات الكامنة معقدة للغاية وتتأثر بالعديد من معلمات العملية مثل قوة الليزر وسرعة المسح. على الرغم من أن النماذج التحليلية أو عمليات المحاكاة الرقمية المستندة إلى الفيزياء- لها أهمية واضحة، إلا أنها تواجه تحديات كبيرة في التوصيف الدقيق للظواهر الفيزيائية العابرة والمتعددة-والمتعددة- أثناء المعالجة العملية. تكمن الميزة الأساسية للنمذجة المدعومة بالتعلم الآلي- في قدرتها على تعلم العلاقات غير الخطية المعقدة من البيانات، والتقاط ارتباطات التعيين بشكل فعال بين معلمات العملية وحالات العملية ومؤشرات الجودة النهائية، وبالتالي "تجاوز" تحليل النماذج الفيزيائية المعقدة لتحقيق التنبؤ والتحسين والتحكم في نتائج المعالجة. تنقسم نمذجة المعالجة بالليزر بمساعدة التعلم الآلي- بشكل أساسي إلى نوعين: النمذجة المستندة إلى البيانات- والنمذجة المستندة إلى الفيزياء-. بالمقارنة مع النمذجة المستندة إلى البيانات-، والتي تستكشف "نماذج الصندوق الأسود" بين المدخلات والمخرجات من خلال البيانات التجريبية، فإن النمذجة المستندة إلى الفيزياء- تتضمن قوانين فيزيائية مثل القيود الناعمة (مصطلحات دالة الخسارة) أو القيود الصارمة (هندسة الشبكة). لا تستخدم النمذجة المستندة إلى الفيزياء بيانات المراقبة فحسب، بل تدمج أيضًا المعرفة السابقة التي تصف العمليات الفيزيائية الأساسية بشكل كامل. البيانات-النمذجة المستندة إلى الدماغ: تنشئ واجهات الكمبيوتر (BCI)- مسارات اتصال بين الدماغ البشري والأجهزة الخارجية عن طريق تجاوز مسارات النقل العصبي البيولوجي من خلال أنظمة الحصول على الإشارات العصبية وفك التشفير. في الوقت الحالي، تستخدم تقنية التدخل العصبي المتقدمة نسبيًا أنظمة الأقطاب الكهربائية ذات التدخل الجراحي البسيط والمنتشرة داخل الأوعية الدموية الدماغية. تعمل دعامات الننتول كحاملات قطب كهربائي داخل الأوعية لجمع إشارات تخطيط كهربية الدماغ أو تقديم التحفيز الكهربائي. تستخدم طرق التجميع التقليدية بشكل أساسي مواد لاصقة قابلة للمعالجة بالأشعة فوق البنفسجية لربط أقطاب البلاتين بسطح الدعامة مع وصلات لحام دقيقة. تحافظ آلية "المعالجة الباردة" لليزر فائق السرعة على سلامة الواجهة الوعائية العصبية دون التسبب في ضرر حراري. باستخدام XGBoost (تعزيز التدرج الأقصى) وSVM (آلة ناقل الدعم)، يمكن إجراء تنبؤات لعرض الشق وتكرار التكرار. أظهر التحقق التجريبي أن طاقة النبضة المفردة انخفضت من 20 ميكروجول إلى 7.64 ميكروجول، وزاد تردد التكرار من 40 كيلو هرتز إلى 52.28 كيلو هرتز، وانخفضت سرعة المسح من 20 مم/ث إلى 8.33 مم/ث. تظهر نتائج المعالجة في الشكل 1. ويبين الشكل 1هـ مورفولوجيا البنية المجهرية غير المحسنة، بينما يوضح الشكل 1و مورفولوجيا المعالجة المحسنة، مما يشير بوضوح إلى أن الهيكل الأمثل يحتوي على منطقة متأثرة بالحرارة - أصغر ودقة معالجة أعلى.

نمذجة الآلية الفيزيائية:

بالمقارنة مع التكلفة العالية والدورة الطويلة للنمذجة المستندة إلى البيانات-، فإن نمذجة الآلية الفيزيائية تتجاوز الحاجة إلى -مجموعات البيانات المحسوبة مسبقًا عن طريق تضمين معادلات تفاضلية جزئية في دالة الخسارة للشبكة العصبية. إن المعالجة الدقيقة للبلازما المستحثة بالليزر (LIPMM) - مقيدة بتفسيرات نظرية فيزيائية غير مكتملة وتكاليف زمنية كبيرة. على الرغم من المحاولات التي بذلت لاستخدام التعلم الآلي لمعالجة المواد بالليزر، إلا أن نقص البيانات الكافية لا يزال يمثل عقبة رئيسية. في -أطر التعلم الآلي الموجهة -الفيزيائية، تتم إضافة معلمات الآلية الوسيطة التي تم إنشاؤها بواسطة النماذج الفيزيائية، مثل كثافة البلازما القصوى ومدة البلازما، كأبعاد إضافية إلى متجهات مجموعة البيانات الأصلية، جنبًا إلى جنب مع الخوارزميات الجينية لتحسين معلمات العملية متعددة الأبعاد-. يؤدي تضمين معلومات الآلية المادية إلى زيادة أبعاد البيانات، وإثراء مجموعة بيانات التدريب، وتقليل كمية البيانات المطلوبة. يعمل هذا النهج على تحسين دقة النموذج بأحجام العينات الصغيرة، وبالتالي تمكين التنبؤ الدقيق لعمق LIPMM. يؤدي إدخال المعلومات المادية إلى توجيه عملية التحسين مع تأثيرات فيزيائية أكثر منطقية، وهي كثافة بلازما أعلى، ومدة بلازما أطول، وطاقة نبضة فردية أكبر، وتداخل موضعي أصغر نسبيًا، وبالتالي تحسين أداء LIPMM.

03 ملخص

يشهد تكامل الذكاء الاصطناعي والمعالجة بالليزر-بتقنية النانو الدقيقة ثورة عميقة، حيث يتطور دوره من تحسين عملية النقطة-المفردة إلى إنشاء أنظمة -إلى-أنظمة "التصنيع المعرفي" النهائية. في الوقت الحالي، تركز مقدمة هذا المجال على النماذج المدروسة ماديًا-، وخاصة التطبيق العميق للشبكات العصبية المدروسة -الفيزيائية. لم يعد نموذج التعلم الآلي المتقدم هذا مجرد "مقلد" يعتمد على البيانات-ولكنه "مستوعب" للقوانين الفيزيائية. من خلال دمج المعادلات الفيزيائية الأساسية، مثل التوصيل الحراري وديناميكيات الموائع كقيود في عملية تدريب الشبكات العصبية، لا يزال بإمكان النماذج تقديم تنبؤات دقيقة وفقًا للمبادئ الفيزيائية على الرغم من البيانات التجريبية المتناثرة. وهذا لا يحل مشكلة اعتماد نماذج التعلم الآلي التقليدية على مجموعات البيانات الضخمة المصنفة فحسب، بل يمنح أيضًا القدرة على التعميم "للاستدلال من واحد إلى كثير"، مما يجعل تنبؤاتهم قابلة للتفسير ماديًا. وفي الوقت الحاضر، يقوم الباحثون ببناء بيئات تدريب "مختلطة". في هذه البيئة، يتم إنشاء إعداد التعلم المعزز بناءً على عمليات محاكاة فيزيائية واقعية للغاية لتعلم إستراتيجيات المعالجة الأساسية، والتي يتم بعد ذلك ضبطها والتحقق منها بسرعة-باستخدام البيانات الفعلية أثناء المعالجة.

يعمل التعلم الآلي على تحويل التفاعلات المعقدة بين الضوء والمادة إلى قوانين فيزيائية قابلة للبرمجة وتحسينها، مما يدفع الصناعة التحويلية إلى تحقيق نقلة نوعية من "الاعتماد على الخبرة-" إلى "الاستقلال المعرفي". يقودنا هذا التكامل العميق إلى ما هو أبعد من الأساليب التقليدية للتجربة-والخطأ-إلى عصر جديد من التصنيع الدقيق الذي يعتمد على البيانات والمعرفة المادية.