L’apprendimento automatico accelera lo sviluppo di tecnologie di produzione avanzate

Nonostante i notevoli progressi tecnologici che riempiono le nostre vite oggi, i modi in cui affrontiamo i minerali che sono alla base di questi sviluppi non sono cambiati in modo significativo per migliaia di anni. Questo vale per qualsiasi cosa, dalle barre di metallo, tubi e cubi che forniscono ad auto e camion la loro forma, forza e risparmio di carburante, ai cavi che trasmettono energia elettrica in qualsiasi cosa, dai motori ai cavi dei sottomarini.

Ma le cose stanno cambiando rapidamente: l’industria manifatturiera dei materiali utilizza tecnologie, processi e metodi nuovi e innovativi per migliorare i prodotti esistenti e crearne di nuovi. Il Pacific Northwest National Laboratory (PNNL) è un pioniere in questo campo, noto come Advanced Manufacturing.

Ad esempio, gli scienziati che lavorano nell’iniziativa Mathematics for Artificial Thinking in Science del PNNL sono approcci pionieri nel ramo dell’intelligenza artificiale noto come apprendimento automatico per progettare e addestrare programmi software per computer che guidano lo sviluppo di nuovi processi di produzione.

Questi programmi sono addestrati a riconoscere i modelli nei dati di produzione e utilizzano questa capacità di riconoscimento dei modelli per raccomandare o prevedere impostazioni nei processi di produzione che produrranno materiali con proprietà migliorate – ad esempio più leggeri, più resistenti o più elettricamente conduttivi – rispetto ai materiali prodotti utilizzando metodi convenzionali.

“I componenti che produciamo utilizzando processi di produzione avanzati sono così attraenti per l’industria che vogliono lanciare queste tecnologie il più rapidamente possibile”, ha affermato Kirti Kapagantola, scienziata dei materiali presso PNNL.

Una sfida è che i partner del settore sono riluttanti a investire in nuove tecnologie prima che la fisica sottostante e altre complessità delle tecniche di produzione avanzate siano chiarite e convalidate.

Per colmare il divario, Kappagantula ha collaborato con i data scientist del PNNL Henry Kvinge e Tegan Emerson per creare strumenti di apprendimento automatico in grado di prevedere in che modo le diverse impostazioni nel processo di produzione influenzeranno le proprietà dei materiali. Gli strumenti presentano anche le previsioni in un modo visivo che fornisce chiarezza e comprensione immediata ai partner del settore e ad altri.

Utilizzando questi strumenti di apprendimento automatico, il team ritiene che il programma dal laboratorio alla fabbrica possa essere ridotto a mesi anziché anni. Guidati dalle previsioni degli strumenti, gli scienziati dei materiali devono solo eseguire pochi esperimenti, anziché dozzine, per determinare, ad esempio, le impostazioni che portano alle proprietà desiderate in un tubo di alluminio.

“Il nostro obiettivo era utilizzare l’apprendimento automatico come strumento per guidare la persona che esegue il processo di produzione avanzato mentre prova diverse impostazioni sulla propria macchina, diversi parametri di processo, per trovarne uno che consenta loro di ottenere effettivamente ciò che desidera”, ha affermato Kvinge .

Risolvi il problema giusto

Nella produzione convenzionale, i modelli computerizzati basati sulla fisica del processo di produzione ben compresi dagli scienziati mostrano come impostazioni diverse influenzino le proprietà dei materiali.

Kappagantula ha affermato che la fisica nella produzione avanzata è meno conosciuta. “Senza questa comprensione, c’è un ritardo nella pubblicazione”.

Il progetto Kappagantula e Kvinge e gli strumenti di intelligenza artificiale per la produzione avanzata di Emerson mirano a identificare i modi in cui l’apprendimento automatico può essere sfruttato per estrarre modelli tra i parametri di processo e produrre le proprietà dei materiali, che forniscono informazioni sulla fisica fondamentale e possono accelerare le tecniche di produzione avanzate. Designazione.

“L’approccio che abbiamo adottato, Unifying Subject, è capire come gli scienziati materialisti vedono il loro campo – quali modelli mentali hanno? – e poi usarlo come un pilastro su cui costruire i nostri modelli”, ha detto Kvinge.

Ha spiegato che troppo spesso i data scientist sviluppano soluzioni a problemi che i data scientist ritengono debbano essere risolti piuttosto che il problema che altri scienziati vogliono risolvere.

In questo progetto, Kvinge ha affermato di ritenere che il team desideri un modello di apprendimento automatico che preveda le proprietà di un materiale prodotto quando vengono forniti parametri specifici. In consultazione con gli scienziati dei materiali, ha presto appreso che volevano davvero essere in grado di definire una proprietà e avere un modello che suggerisse tutti i parametri di processo che potrebbero essere utilizzati per farlo accadere.

soluzione spiegabile

Ciò che Kappagantula e i suoi colleghi hanno chiesto è un framework di apprendimento automatico in grado di fornire risultati che aiutino il suo team a prendere decisioni su quale esperimento provare dopo. In assenza di tale guida, il processo di messa a punto dei parametri per sviluppare un materiale con le proprietà desiderate è per tentativi ed errori.

In questo progetto, Kvinge e colleghi hanno sviluppato per la prima volta un modello di apprendimento automatico chiamato Differential Property Classification che sfrutta la capacità del pattern matching di machine learning per distinguere tra due insiemi di parametri di processo per determinare quale, se presente, risulterà molto probabilmente in un materiale con il proprietà desiderate.

Il modello consente agli scienziati dei materiali di conoscere i parametri ottimali prima di avviare un esperimento, che può essere costoso e richiede molto lavoro preparatorio.

Prima di procedere con un esperimento consigliato dal modello di apprendimento automatico, Kappagantula ha affermato che deve fidarsi della raccomandazione del modello.

“Voglio essere in grado di vedere come lo analizzi”, ha detto.

Questo concetto, noto come interpretabilità o esplicabilità, nel campo dell’apprendimento automatico, ha significati diversi per gli esperti in diversi campi. Per gli scienziati dei dati, l’interpretazione di come un modello di apprendimento automatico arriva alla sua previsione può essere molto diversa dalla spiegazione che ha senso per gli scienziati dei materiali, ha sottolineato Kvinge.

Quando Kvinge, Emerson ei loro colleghi hanno affrontato questo problema, hanno cercato di capirlo dalla struttura mentale degli scienziati dei materiali.

“Si scopre che lo capiscono molto da queste immagini di microstrutture fisiche”, ha detto Kvinge. “Se chiedi loro cosa è andato storto, perché l’esperimento non è andato bene o perché è andato bene, guarderanno le immagini e indicheranno le cose verso di te e diranno che queste granulometrie sono troppo grandi o troppo piccole, o cosa sei.”

Per rendere interpretabili i risultati del loro modello di apprendimento automatico, Kvinge, Emerson e i loro colleghi hanno utilizzato immagini e dati correlati di microstrutture provenienti da esperimenti precedenti per addestrare un modello che genera immagini di microstrutture che potrebbero derivare da un processo di produzione ottimizzato con un determinato insieme di parametri.

Il team sta attualmente convalidando questo modello e mira a renderlo parte di un framework software che gli scienziati dei materiali possono utilizzare per determinare quali esperimenti eseguire mentre sviluppano tecniche di produzione avanzate che promettono di trasformare la produzione e le proprietà dei materiali.

“Non solo fa le cose in modo più efficiente dal punto di vista energetico, ma libera proprietà e prestazioni mai viste prima”, ha detto Kappagantula della produzione avanzata.