Машинное обучение ускоряет разработку передовых производственных технологий

Несмотря на замечательные технологические достижения, которые наполняют нашу жизнь сегодня, способы обращения с полезными ископаемыми, которые лежат в основе этих разработок, существенно не изменились за тысячи лет. Это относится ко всему: от металлических стержней, труб и кубов, которые придают легковым и грузовым автомобилям форму, прочность и экономию топлива, до проводов, передающих электроэнергию во всем, от двигателей до подводных кабелей.

Но все быстро меняется: промышленность по производству материалов использует новые и инновационные технологии, процессы и методы для улучшения существующих продуктов и создания новых. Тихоокеанская северо-западная национальная лаборатория (PNNL) является пионером в этой области, известной как передовое производство.

Например, ученые, работающие в рамках инициативы PNNL «Математика для искусственного мышления в науке», являются новаторскими подходами в области искусственного интеллекта, известной как машинное обучение, для разработки и обучения компьютерных программ, которые определяют разработку новых производственных процессов.

Эти программы обучены распознавать шаблоны в производственных данных и использовать эту способность распознавания шаблонов, чтобы рекомендовать или прогнозировать настройки в производственных процессах, которые позволят производить материалы с улучшенными свойствами — например, легче, прочнее или с большей электропроводностью — по сравнению с материалами, произведенными с использованием традиционных методов.

«Компоненты, которые мы производим с использованием передовых производственных процессов, настолько привлекательны для отрасли, что они хотят запустить эти технологии как можно быстрее», — сказал Кирти Капагантола, материаловед из PNNL.

Одна из проблем заключается в том, что отраслевые партнеры неохотно инвестируют в новые технологии до тех пор, пока не будут прояснены и проверены лежащие в их основе физические и другие сложности передовых производственных технологий.

Чтобы заполнить этот пробел, Каппагантула объединилась с учеными PNNL Генри Квинге и Теганом Эмерсоном, чтобы создать инструменты машинного обучения, которые предсказывают, как различные настройки в производственном процессе повлияют на свойства материалов. Инструменты также представляют прогнозы в визуальной форме, что обеспечивает мгновенную ясность и понимание для отраслевых партнеров и других лиц.

Используя эти инструменты машинного обучения, команда считает, что график от лаборатории до завода можно сократить до месяцев, а не лет. Руководствуясь прогнозами приборов, материаловедам нужно провести всего несколько экспериментов, а не десятки, чтобы определить, например, настройки, которые приводят к желаемым свойствам алюминиевой трубки.

«Наша цель состояла в том, чтобы использовать машинное обучение в качестве инструмента, помогающего человеку, управляющему передовым производственным процессом, когда он пробует разные настройки на своей машине — разные параметры процесса — чтобы найти тот, который позволит им действительно достичь того, чего они хотят», — сказал Квинге. .

Решите правильную проблему

В обычном производстве компьютерные модели, основанные на хорошо понятной ученым физике производственного процесса, показывают, как различные настройки влияют на свойства материалов.

Каппагантула сказал, что физика передового производства изучена хуже. «Без этого понимания происходит задержка публикации».

Проект Kappagantula и Kvinge, а также инструменты искусственного интеллекта Emerson Advanced Manufacturing нацелены на определение способов использования машинного обучения для извлечения закономерностей между параметрами процесса и свойствами получаемого материала, которые обеспечивают понимание фундаментальной физики и могут ускорить передовые технологии производства. Обозначение.

«Подход, который мы выбрали, Unifying Subject, заключается в том, чтобы понять, как ученые-материаловеды рассматривают свою область — какие у них есть ментальные модели? — и затем использовать это как столп, на котором мы строим наши модели», — сказал Квинге.

Он объяснил, что слишком часто специалисты по данным разрабатывают решения проблем, которые, по мнению специалистов по данным, должны быть решены, а не проблемы, которую хотят решить другие ученые.

В этом проекте Квинге сказал, что, по его мнению, команде нужна модель машинного обучения, которая предсказывает свойства материала, производимого при заданных определенных параметрах. Проконсультировавшись с учеными-материаловедами, он вскоре узнал, что они действительно хотят иметь возможность определить свойство и иметь модель, которая предлагала бы все параметры процесса, которые можно было бы использовать для этого.

объяснимое решение

О чем Каппагантула и ее коллеги просили, так это о структуре машинного обучения, которая может предоставить результаты, которые помогут ее команде принять решение о том, какой эксперимент следует провести дальше. В отсутствие такого руководства процесс настройки параметров для разработки материала с желаемыми свойствами является методом проб и ошибок.

В этом проекте Квинге и его коллеги впервые разработали модель машинного обучения под названием «Классификация дифференциальных свойств», которая использует способность сопоставления шаблонов машинного обучения различать два набора параметров процесса, чтобы определить, какие из них, если таковые имеются, с наибольшей вероятностью приведут к получению материала с желаемые свойства.

Модель позволяет ученым-материаловедам узнать об оптимальных параметрах перед постановкой эксперимента, который может быть дорогостоящим и требует большой подготовительной работы.

Прежде чем мы продолжим эксперимент, рекомендованный моделью машинного обучения, Каппагантула сказала, что ей нужно доверять рекомендации модели.

«Я хочу видеть, как вы это анализируете», — сказала она.

Это понятие, известное как интерпретируемость или объяснимость в области машинного обучения, имеет разное значение для специалистов в разных областях. По словам Квинге, для специалистов по данным интерпретация того, как модель машинного обучения приходит к своему прогнозу, может сильно отличаться от объяснения, которое имеет смысл для материаловедов.

Когда Квинге, Эмерсон и их коллеги взялись за эту проблему, они попытались понять ее с точки зрения ученых-материаловедов.

«Оказывается, они многое понимают по этим изображениям физических микроструктур», — сказал Квинге. «Если вы спросите их, что пошло не так, почему эксперимент не удался или почему он прошел хорошо, они посмотрят на фотографии, укажут на вас и скажут, что эти размеры зерна слишком велики, или слишком малы, или что-то в этом роде». ты.»

Чтобы сделать результаты своей модели машинного обучения интерпретируемыми, Квинге, Эмерсон и их коллеги использовали изображения и связанные данные микроструктур из предыдущих экспериментов для обучения модели, которая генерирует изображения микроструктур, которые могут возникнуть в результате производственного процесса, настроенного с заданным набором параметров. параметры.

В настоящее время команда проверяет эту модель и стремится сделать ее частью программной среды, которую ученые-материаловеды могут использовать для определения того, какие эксперименты следует проводить при разработке передовых технологий производства, которые обещают изменить производство материалов и их свойства.

«Это не только делает вещи более энергоэффективными, но и раскрывает свойства и производительность, которых мы никогда раньше не видели», — сказал Каппагантула о передовом производстве.