Ultimate magazine theme for WordPress.

مدل یادگیری ماشین ممکن است چاپ نانو ۳ بعدی را کامل کند

0

مدل یادگیری ماشین ممکن است چاپ نانو ۳ بعدی را کامل کند 

مدل یادگیری ماشین ممکن است چاپ نانو ۳ بعدی را کامل کند
دانشمندان و همکاران آزمایشگاه ملی لارنس لیورمور از یادگیری ماشین برای رفع دو مانع اصلی در صنعت لیتوگرافی دو فوتونی (TPL) استفاده می کنند: نظارت بر کیفیت قطعه در حین چاپ و تعیین دوز نور مناسب برای یک ماده خاص. این تیم برای شناسایی پارامترهای بهینه برای تنظیماتی مانند نوردهی و شدت لیزر و برای تشخیص خودکار کیفیت قطعات با دقت بالا ، الگوریتمی را برای یادگیری ماشین آموخته است که روی هزاران تصویر ویدیویی از ساخت TPL ساخته شده است. اعتبار: آزمایشگاه ملی لارنس لیورمور

مدل یادگیری ماشین ممکن است چاپ نانو ۳ بعدی را کامل کند لیتوگرافی دو فوتونی (TPL) – یک روش نانو چاپ ۳-D به طور گسترده ای که با استفاده از نور لیزر برای ایجاد اجسام ۳-D استفاده می شود – در برنامه های تحقیقاتی نویدبخش است اما هنوز به دلیل استقبال گسترده صنعت به دست نیامده است محدودیت در تولید قطعات در مقیاس بزرگ و تنظیم زمان طولانی.

دانشکده ها : TPL با قابلیت چاپ ویژگی های در مقیاس نانو با وضوح بسیار بالا ، از برچسب پرتوی لیزر برای ساخت قطعات ، تمرکز یک پرتو شدید نور را روی یک نقطه دقیق در داخل ماده فتوپلیمر مایع. پیکسل های حجمی یا “وکسل” ، در هر نقطه از برخورد پرتو ، مایع را به حالت جامد سخت می کند و مایع پاک نشده خارج می شود ، و ساختار ۳-D را پشت سر می گذارد. ساخت یک قطعه با کیفیت بالا با این تکنیک نیاز به راه رفتن روی یک خط ظریف دارد: نور کم و قطعه نمی تواند تشکیل شود ، زیاد است و باعث آسیب می شود. برای اپراتورها و مهندسان ، تعیین مقدار صحیح نور می تواند یک فرایند دستی دشوار باشد.

دانشمندان و همکاران آزمایشگاه ملی لارنس لیورمور (LLNL) به یادگیری ماشین برای رفع دو مانع اصلی در صنعت TPL: نظارت بر کیفیت قطعه در حین چاپ و تعیین مقدار مناسب نور برای یک ماده معین. الگوریتم یادگیری ماشین این تیم برای شناسایی پارامترهای بهینه برای تنظیماتی مانند قرار گرفتن در معرض و شدت لیزر و تشخیص خودکار کیفیت قطعه در بالا ، روی هزاران تصویر ویدئویی از سازه های دارای برچسب “غیر درمان” ، “درمان شده” و “آسیب دیده” آموزش دیده است. دقت. این اثر اخیراً در مجله Additive Manufacturing منتشر شده است. برایان گیرا ، محقق اصلی و مهندس LLNL ، برایان گیرا گفت: “شما هرگز از پارامترهای دقیق یک ماده معین اطلاع ندارید ، بنابراین معمولاً این روند وحشتناک بارگیری دستگاه ، چاپ صدها شی و مرتب سازی دستی داده ها را طی می کنید.” “کاری که ما انجام دادیم این بود که یک سری آزمایشات معمول را انجام دادیم و یک الگوریتم ساختیم که به طور خودکار فیلم را پردازش می کند تا سریع خوب یا بد را تشخیص دهد. و آنچه را که از آن فرآیند به صورت رایگان دریافت می کنید الگوریتمی است که با کیفیت واقعی نیز کار می کند ردیابی. “

تیم الگوریتم را توسعه داده و آن را در داده های آزمایشی جمع آوری شده آموزش داد. توسط سوراب ساها ، مهندس سابق تحقیق LLNL که اکنون استادیار انستیتوی فناوری جورجیا است. ساها این آزمایشات را به گونه ای طراحی کرد که به وضوح نشان دهد چگونه تغییرات در دوز نور بر روی انتقال در بین ساختارهای درمان نشده ، درمان شده و آسیب دیده تأثیر می گذارد و طیف وسیعی از اشیا را با استفاده از چاپگر TPL موجود در بازار با دو نوع پلیمر عکسبرداری چاپ می کند.

“Saha گفت:” محبوبیت TPL به توانایی آن در ساخت انواع مختلف ساختارهای ۳-D خودسرانه پیچیده بستگی دارد. “با این حال ، این یک چالش برای تکنیک های سنتی کنترل فرآیند خودکار است زیرا ساختارهای درمان شده می توانند کاملاً متفاوت از یکدیگر باشند – متخصصان انسانی می توانند بصورت شهودی انتقال ها را شناسایی کنند. هدف ما در اینجا این بود که نشان دهیم ماشین ها می توانند این مهارت را آموزش دهند.”

محققان بیش از ۱۰۰۰ فیلم از انواع قطعات ساخته شده در شرایط مختلف دوز نور جمع آوری کردند. ژیان لی ، دانشجوی تحصیلات تکمیلی در دانشگاه ایالتی آیووا ، به صورت دستی هر فریم از فیلم ها را الک می کند و ده ها هزار تصویر را برای تجزیه و تحلیل هر منطقه در حال انتقال بررسی می کند.

با استفاده از الگوریتم یادگیری عمیق ، محققان دریافتند که می توانند کیفیت قطعه را با دقت بیش از ۹۵ درصد طی چند میلی ثانیه تشخیص دهند و یک توانایی نظارت بی سابقه برای روند TPL ایجاد کنند. Giera گفت: اپراتورها می توانند الگوریتم را برای یک سری آزمایشات اولیه به کار ببرند و یک مدل پیش ساخته برای تسریع بهینه سازی پارامترها و راهی برای نظارت بر روند ساخت و پیش بینی مشکلاتی مانند پخت بیش از حد غیرمنتظره در دستگاه ایجاد کنند.

“آنچه این اجازه می دهد نظارت واقعی فرآیند کیفی است که قبلاً توانایی انجام این کار را نداشته است” ، Giera گفت ، “یکی دیگر از ویژگی های خوب این است که اساساً فقط از داده های تصویر استفاده می کند. اگر من منطقه بسیار وسیعی داشتم و من در مکانهای مختلفی برای ساختن قسمت اصلی کار می کنم ، در واقع می توانم از همه مناطق فیلم ضبط کنم ، آن تصاویر زیر را در الگوریتم تغذیه کنم و نظارت موازی داشته باشم. “

با توجه به شفافیت ، تیم همچنین مواردی را توصیف کرد که الگوریتم در پیش بینی ها اشتباه کرده است ، و فرصتی برای بهبود مدل برای شناخت بهتر ذرات گرد و غبار و سایر ذرات معلق است که می تواند بر کیفیت ساخت تأثیر بگذارد. این تیم کل مجموعه داده را از جمله مدل ، وزن آموزش و داده های واقعی برای نوآوری بیشتر توسط جامعه علمی برای عموم منتشر کرد.

“از آنجا که یادگیری ماشینی یک زمینه تکاملی است ، اگر داده ها را در آنجا قرار دهیم ، این مشکل می تواند از طریق حل مشکل توسط افراد دیگر سودمند باشد. ما این مجموعه داده مبتدی را برای این زمینه انجام داده ایم و اکنون همه می توانند به جلو حرکت کنند” گیرا گفت. “این به ما امکان می دهد تا از جامعه وسیع تری برای یادگیری ماشین بهره مند شویم ، که ممکن است به اندازه ما درباره تولید افزودنی اطلاعاتی نداشته باشد اما درباره تکنیک های جدیدی که آنها در حال توسعه هستند بیشتر بدانیم.”

این کار از یک پروژه قبلی تحقیق و توسعه آزمایشگاهی (LDRD) در زمینه لیتوگرافی دو فوتونی نشات گرفته بود و تحت LDRD فعلی با عنوان “بهینه سازی ساخت چند حالته سریع (AMMO)” به پایان رسید.

ارسال یک پاسخ

آدرس ایمیل شما منتشر نخواهد شد.