Већ је стигла прва рунда АИ апликација у ласерској обради материјала. Други круг ће значајно убрзати машинско учење. Најважније: АИ продаје.
АНДРЕАС ТОС, УРЕДНИК ДОНОСНИК
До сада је вештачка интелигенција направила огроман напредак на основу своје способности да обрађује велике количине података. Анализа зилиона текстуалних докумената, на пример, довела је до развоја великих језичких модела са којима комуницирамо као да су људи. Ово је обећање од раних дана компјутерске науке, као и тема у многим књигама научне фантастике. То је тек недавно испуњено.
Љубазношћу Фраунхофер института за ласерску технологију ИЛТ, Ахен, Немачка.
У индустрији, АИ је постигла још више запањујуће ствари и недавно је постала изузетно бржа.
АИ у индустрији
Примене АИ у индустрији далеко превазилазе обраду језика (иако АИ агенти освајају и веб странице добављача). Прво, они помажу да се аутоматизује неколико различитих задатака обраде слике. Немачки произвођач машина ТРУМПФ, на пример, нуди посебан режим вештачке интелигенције за свој софтвер за обраду слика. За заваривање укосницама у електромоторима, АИ помаже да се идентификују партнери за заваривање (као што су укоснице) када настану потешкоће због контраста, одсјаја или сенки на слици. Према ТРУМПФ-у, решење је повећало „принос првог{4}}проласка“ са 99,2% на 99,8%. Ово је једнако 4× мање "не у реду" делова.
Али ово је само почетак. У будућности, АИ ће користити податке из више извора и побољшати продуктивност пре, током и после обраде. Његова способност да обрађује огромне количине података је посебно правовремена јер неколико трендова доводи до све већег броја креирања података у индустрији.
Један такав тренд је контрола квалитета. Произвођачи аутомобила, на пример, могу да фотографишу сваки заварени шав и прате проблеме трајности до производних процеса. АИ може разликовати "добре" и "лоше" заварене шавове на основу фотографија које се прикупљају током производње. Ово је пример инлине или пост{3}}процедуре која производи податке кроз све критичне производне кораке. Наравно, то се односи на више од производње аутомобила.
Други тренд је везан за дигиталне близанце. Комплетне машине или производни погони се симулирају у дигиталном свету, где се сам процес заваривања симулира на рачунару. Прави подаци помажу да се побољшају такви модели, иако су подаци које они производе у суштини синтетички.
Оба тренда су уско повезана са еволуцијом вештачке интелигенције. У контроли квалитета, машинско учење (МЛ) се користи за раздвајање добрих и лоших делова. Машина учи који су параметри важни, а оператер или програмер постављају прагове за упозорења или када машина треба да се заустави.
Такође је демонстрирана употреба вештачке интелигенције у инспекцијама након{0}}а. На пример, немачка компанија Сцансониц МИ користи АИ да идентификује добре и лоше заварене шавове на сликама. Даља истраживања ће утврдити како се дијагностика „коришћења у-процесу“ може користити за контролу процеса у затвореној{4}}петљи. Поред обраде слике, ово може укључивати спектралне сензоре, ласерску триангулацију за 3Д слике или оптичку кохерентну томографију за дијагностику дубине{7}}завара.
Заваривање је снажан пример, али је само један. Таква технологија може (и биће) коришћена свуда где је случај употребе довољно велик да оправда улагање.
АИ у контроли квалитета се првенствено користи за препознавање образаца обрађених делова. Да би затворила контролну петљу, АИ је потребно знање о процесу од самог почетка. Стога, истраживачи користе симулацију(е) процеса са што више параметара процеса. Овде АИ има још већи потенцијал - може да повеже улазне и излазне параметре. Истраживачи из Централне ласерске установе у лабораторији Рутхерфорд Апплетон Савета за науку и технологију у Енглеској, на пример, користили су вештачку интелигенцију да оптимизују ласерски систем за убрзање плазме.1. Постоји много дугмади за окретање, а процес ласерске плазме је веома нелинеаран. АИ је помогао научницима да стабилизују систем и успоставе плазма канал за убрзање електрона.
Примењена на индустрију, симулација процеса заснована на вештачкој интелигенцији{0}} би могла да омогући затварање петље за контролу процеса. АИ зна које дугме да окрене да врати квалитет производа на спецификације. Може да учи тако што практично експериментише са свим дугмадима и истражује пејзаж параметара. Постоје-познати модели за решавање овог задатка.
Али тестирање свих варијација може да захтева време- и енергију-. Интересантно питање у овом тренутку односи се на претходно знање: Колико брже учење АИ може постати ако се модел храни оним што људи већ знају о процесу?
Трендови АИ у индустрији фотонике
Дана. 2 и 3. октобра 2025., немачко индустријско удружење СПЕЦТАРИС - уз подршку Фраунхофер института за ласерску технологију ИЛТ (Фраунхофер ИЛТ) и Савезног удружења БИТМи - одржало је радионицу о вештачкој интелигенцији у фотоници. Учесници су били из истраживачких институција, укључујући сам Фраунхофер ИЛТ, и неколико универзитета, али углавном из индустрије, са представницима Мицрософта, ЗЕИСС-а, ТРУМПФ-а, Аудија, Прецитец Висион-а, Бистрониц-а, Блацкбирд Роботерсистеме-а, 4Д Пхотоницс ГмбХ и других. Док су неке од 27 презентација говориле о вештачкој интелигенцији у оптичком дизајну, радионица се углавном фокусирала на примене вештачке интелигенције у индустријској ласерској технологији.
АИ асистенти могу помоћи ласерским оператерима да пронађу прави водич у великој бази знања или оптимизују планирање путање у ласерском резању. Интересантније је како АИ подржава сложене одлуке, на пример, у контроли квалитета ласерског заваривања или процеса производње ласерских адитива. Карло Холи, председник одељења за технологију оптичких система на Универзитету РВТХ у Ахену и шеф одељења на Фраунхофер ИЛТ, резимирао је главни тренд у својој пленарној презентацији: „Сада се крећемо од вештачке интелигенције{2}}базиране на подацима{3}} и физике{4}}информисане вештачке интелигенције.
Холи је то објаснила примером из свог истраживања. Тим у Фраунхофер ИЛТ-у је претходно развио процес за-наношење ласерског материјала велике брзине (ЕХЛА или екстремно{2}}наношење ласерског материјала велике брзине). Више од 100 параметара утиче на квалитет премаза у овом процесу. Дакле, преношење процеса на други материјал обично траје две године са 1500 експеримената и анализа. Користећи сурогат модел процеса и (Баиесиан) модел оптимизације АИ, Холијев тим је значајно смањио број тестова: било је потребно само 17 покушаја да се пронађу оптимални параметри процеса2.
Наравно, проналажење одговарајућих модела и стратегија је стални предмет истраживања. Охрабрујуће, тренутна истраживања су показала да је време за оптимизацију процеса сведено на минуте, а не на месеце. И, наравно, аутоматска оптимизација процеса је следећи корак ка затвореној-контроли процеса.
МЛ са 10× мање означених података
Док оптимизација процеса има користи од претходног знања, МЛ може имати користи од супротног. Холи је представила ову изненађујућу чињеницу на СПЕЦТАРИС радионици са идејом МЛ без напомена{1}. Његов колега Јулиус Нојс касније је демонстрирао како то изгледа у контроли квалитета процеса заваривања, на основу експеримената ласерског заваривања кућишта алуминијумских батерија.
Као полазну тачку, Нојс је упоредио нови приступ са класичним надгледаним током рада. У контролисаном подешавању, оператери морају ручно да обележе сваки део завареног шава: положај жице, базен растопљеног материјала, геометрију перли, поре и прскање (Слика 1). Чак и за мали скуп података, ово брзо постаје радно-интензивно. Штавише, АИ учи само оно што је експлицитно означено, а његова робусност је ограничена и разноврсношћу и квалитетом скупа података са коментарима.
