وصلت بالفعل الجولة الأولى من تطبيقات الذكاء الاصطناعي إلى معالجة المواد بالليزر. ستعمل الجولة الثانية على تسريع التعلم الآلي بشكل كبير. الأهم من ذلك: أن الذكاء الاصطناعي يبيع.
أندرياس ثوس، محرر مساهم
حتى الآن، حقق الذكاء الاصطناعي تقدمًا هائلاً بناءً على قدرته على معالجة كميات كبيرة من البيانات. على سبيل المثال، أدى تحليل ملايين الوثائق النصية إلى تطوير نماذج لغوية كبيرة نتواصل بها كما لو كنا بشرًا. لقد كان هذا وعدًا منذ الأيام الأولى لعلوم الكمبيوتر، بالإضافة إلى أنه موضوع في العديد من كتب الخيال العلمي. وقد تم الوفاء بها في الآونة الأخيرة فقط.
بإذن من معهد فراونهوفر لتكنولوجيا الليزر ILT، آخن، ألمانيا.
وفي الصناعة، حقق الذكاء الاصطناعي أشياء أكثر إثارة للدهشة، وأصبح مؤخرًا أسرع بشكل ملحوظ.
الذكاء الاصطناعي في الصناعة
إن تطبيقات الذكاء الاصطناعي في الصناعة تتجاوز بكثير معالجة اللغة (على الرغم من أن وكلاء الذكاء الاصطناعي يغزو مواقع البائعين أيضًا). أولاً، تساعد في أتمتة العديد من مهام معالجة الصور المتميزة. على سبيل المثال، يقدم مطور الآلات الألماني TRUMPF وضعًا خاصًا للذكاء الاصطناعي لبرنامج معالجة الصور الخاص به. بالنسبة إلى لحام دبابيس الشعر في المحركات الكهربائية، يساعد الذكاء الاصطناعي في تحديد شركاء اللحام (مثل دبابيس الشعر) عندما تنشأ صعوبات بسبب التباين أو الانعكاسات أو الظلال في الصورة. وفقًا لـ TRUMPF، أدى الحل إلى زيادة "عائد التمريرة الأولى" من 99.2% إلى 99.8%. وهذا يعادل 4 مرات أقل من الأجزاء "غير المقبولة".
ولكن هذه مجرد البداية. في المستقبل، سيستخدم الذكاء الاصطناعي البيانات من مصادر متعددة ويحسن الإنتاجية قبل المعالجة وأثناءها وبعدها. لقد جاءت قدرتها على معالجة كميات هائلة من البيانات في الوقت المناسب بشكل خاص نظرًا لأن العديد من الاتجاهات تؤدي إلى إنشاء المزيد والمزيد من البيانات في الصناعة.
أحد هذه الاتجاهات هو مراقبة الجودة. على سبيل المثال، يمكن لمصنعي السيارات تصوير كل وصلة لحام وتتبع مشاكل المتانة في عمليات التصنيع. يمكن للذكاء الاصطناعي التمييز بين طبقات اللحام "الجيدة" و"السيئة" بناءً على الصور التي يتم جمعها أثناء الإنتاج. هذا مثال على إجراء مضمّن أو {3}لاحق لعملية ينتج عنه بيانات خلال جميع خطوات الإنتاج المهمة. وبطبيعة الحال، ينطبق هذا على أكثر من مجرد تصنيع السيارات.
الاتجاه الثاني يتعلق بالتوائم الرقمية. تتم محاكاة الآلات الكاملة أو مرافق الإنتاج في العالم الرقمي، حيث تتم محاكاة عملية اللحام نفسها على الكمبيوتر. وتساعد البيانات الحقيقية في تحسين مثل هذه النماذج، رغم أن البيانات التي تنتجها هي في الأساس بيانات اصطناعية.
يرتبط كلا الاتجاهين ارتباطًا وثيقًا بتطور الذكاء الاصطناعي. في مراقبة الجودة، يتم استخدام التعلم الآلي (ML) لفصل الأجزاء الجيدة والسيئة. تتعرف الآلة على المعلمات المهمة، ويقوم المشغل أو المبرمج بتعيين حدود التحذيرات أو متى يجب أن تتوقف الآلة.
لقد تم أيضًا إثبات استخدام الذكاء الاصطناعي في-عمليات التفتيش اللاحقة. على سبيل المثال، تستخدم الشركة الألمانية Scansonic MI الذكاء الاصطناعي لتحديد طبقات اللحام الجيدة والسيئة في الصور. ستحدد الأبحاث الإضافية كيفية استخدام تشخيصات "الاستخدام في -العملية" للتحكم في عملية الحلقة- المغلقة. بالإضافة إلى معالجة الصور، قد يتضمن ذلك أجهزة استشعار طيفية، أو التثليث بالليزر للتصوير ثلاثي الأبعاد، أو التصوير المقطعي التوافقي البصري لتشخيص عمق اللحام.
اللحام هو مثال قوي، لكنه مجرد مثال واحد. يمكن (وسوف يتم) استخدام مثل هذه التكنولوجيا حيثما تكون حالة الاستخدام كبيرة بما يكفي لتبرير الاستثمار.
يُستخدم الذكاء الاصطناعي في مراقبة الجودة بشكل أساسي للتعرف على أنماط الأجزاء المعالجة. لإغلاق حلقة التحكم، يتطلب الذكاء الاصطناعي معرفة العملية منذ البداية. لذلك، يستخدم الباحثون محاكاة (محاكاة) العملية التي يتم تغذيتها بأكبر عدد ممكن من معلمات العملية. هنا، يتمتع الذكاء الاصطناعي بإمكانات أكبر - حيث يمكنه ربط معلمات الإدخال والإخراج. على سبيل المثال، استخدم الباحثون في مرفق الليزر المركزي في مختبر روثرفورد أبليتون التابع لمجلس مرافق العلوم والتكنولوجيا في إنجلترا الذكاء الاصطناعي لتحسين نظام الليزر لتسريع البلازما.1. هناك العديد من المقابض التي يمكن تدويرها، وعملية بلازما الليزر غير خطية إلى حد كبير. ساعد الذكاء الاصطناعي العلماء على تثبيت النظام وإنشاء قناة بلازما لتسريع الإلكترون.
ومن خلال تطبيقها على الصناعة، يمكن لمحاكاة العمليات المستندة إلى الذكاء الاصطناعي- أن تسمح بإغلاق حلقة التحكم في العمليات. يعرف الذكاء الاصطناعي المقبض الذي يجب تشغيله لإعادة جودة المنتج إلى المواصفات. يمكنه التعلم من خلال تجربة جميع المقابض تقريبًا واستكشاف مشهد المعلمات. توجد-نماذج معروفة لحل هذه المهمة.
ولكن اختبار جميع الأشكال المختلفة قد يستغرق وقتًا- وطاقة-. السؤال المثير للاهتمام في هذه المرحلة يتعلق بالمعرفة السابقة: ما مدى سرعة تعلم الذكاء الاصطناعي إذا تم تغذية النموذج بما يعرفه البشر بالفعل عن العملية؟
اتجاهات الذكاء الاصطناعي في صناعة الضوئيات
في يومي . 2 و3 أكتوبر 2025، أجرت جمعية الصناعة الألمانية SPECTARIS - بدعم من معهد فراونهوفر لتكنولوجيا الليزر ILT (Fraunhofer ILT) والجمعية الفيدرالية BITMi - ورشة عمل حول الذكاء الاصطناعي في الضوئيات. جاء المشاركون من مؤسسات بحثية، بما في ذلك Fraunhofer ILT نفسها، والعديد من الجامعات، ولكن بشكل رئيسي من الصناعة، مع ممثلين من Microsoft، وZEISS، وTRUMPF، وAudi، وPrecitec Vision، وBystronic، وBlackbird Robotersysteme، و4D Photonics GmbH، والمزيد. وبينما ناقشت بعض العروض التقديمية الـ 27 الذكاء الاصطناعي في التصميم البصري، ركزت ورشة العمل بشكل أساسي على تطبيقات الذكاء الاصطناعي في تكنولوجيا الليزر الصناعية.
يمكن لمساعدي الذكاء الاصطناعي مساعدة مشغلي الليزر في العثور على البرنامج التعليمي المناسب في قاعدة معرفية كبيرة أو تحسين تخطيط المسار في القطع بالليزر. والأكثر إثارة للاهتمام هو كيفية دعم الذكاء الاصطناعي للقرارات المعقدة، على سبيل المثال، في مراقبة جودة اللحام بالليزر أو عمليات تصنيع الإضافات بالليزر. لخص كارلو هولي، رئيس قسم تكنولوجيا الأنظمة البصرية في جامعة RWTH Aachen ورئيس القسم في Fraunhofer ILT، الاتجاه الرئيسي في العرض التقديمي الذي قدمه: "نحن الآن ننتقل من الذكاء الاصطناعي القائم على البيانات-إلى الذكاء الاصطناعي القائم على البيانات- والفيزياء-الذكاء الاصطناعي المستنيرة."
وأوضح هولي هذا بمثال من بحثه. قام فريق من Fraunhofer ILT سابقًا بتطوير عملية لترسيب المواد بالليزر عالي السرعة-(EHLA، أو ترسيب المواد بالليزر عالي السرعة- للغاية). أكثر من 100 معلمة تؤثر على جودة الطلاء في هذه العملية. وبالتالي، فإن نقل العملية إلى مادة أخرى عادة ما يستغرق عامين مع 1500 تجربة وتحليل. باستخدام نموذج بديل للعملية ونموذج (بايزي) لتحسين الذكاء الاصطناعي، قام فريق هولي بتقليل عدد الاختبارات بشكل كبير: كانت هناك حاجة إلى 17 تجربة فقط للعثور على معلمات العملية المثلى2.
وبطبيعة الحال، فإن العثور على النماذج والاستراتيجيات المناسبة هو موضوع بحث مستمر. ومن المشجع أن الأبحاث الحالية أظهرت أن الوقت اللازم لتحسين العملية قد انخفض إلى دقائق بدلاً من أشهر. وبطبيعة الحال، يعد التحسين التلقائي للعملية هو الخطوة التالية نحو التحكم في عملية الحلقة المغلقة-.
ML مع 10 × بيانات مشروحة أقل
في حين أن تحسين العمليات يستفيد من المعرفة السابقة، فإن تعلم الآلة قد يستفيد من العكس. قدمت هولي هذه الحقيقة المدهشة في ورشة عمل SPECTARIS بفكرة التعليق التوضيحي-تعلم الآلة المجاني. وقد أظهر زميله يوليوس نيوس لاحقًا كيف يبدو هذا الأمر في مراقبة جودة عملية اللحام، استنادًا إلى تجارب استخدام اللحام بالليزر لأغطية بطاريات الألومنيوم.
كنقطة بداية، قارن نويس النهج الجديد مع سير العمل الكلاسيكي الخاضع للإشراف. في الإعداد الخاضع للإشراف، يجب على المشغلين وضع تعليقات توضيحية على كل جزء من وصلة اللحام يدويًا: موضع السلك، وحوض الذوبان، وهندسة الخرز، والمسام، والبقع (الشكل 1). حتى بالنسبة لمجموعة بيانات صغيرة، سرعان ما يصبح هذا أمرًا كثيفًا-. علاوة على ذلك، يتعلم الذكاء الاصطناعي فقط ما يتم تصنيفه بشكل صريح، وقوته محدودة بسبب تنوع وجودة مجموعة البيانات المشروحة.
