Несмотря на замечательные технологические достижения, которые наполняют нашу жизнь сегодня, способы работы с металлами, лежащие 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 лидером в области передового производства.
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 возможность распознавания шаблонов, чтобы рекомендовать или прогнозировать настройки в производственных процессах, которые будут давать материалы с улучшенными свойствами — например, легче, прочнее или с большей проводимостью — чем материалы, произведенные с использованием традиционные методы.
«Компоненты, которые мы производим с использованием передовых производственных процессов , настолько привлекательны для промышленности, что они хотят, чтобы эти технологии были запущены как можно быстрее», — сказал Кирти Каппагантула, материаловед из PNNL.
Проблема заключается в том, что отраслевые партнеры неохотно инвестируют в новые технологии до тех пор, пока основные физические и другие сложности передовых производственных технологий не будут полностью конкретизированы и проверены.
Чтобы преодолеть этот разрыв, Каппагантула объединилась с учеными PNNL Генри Квинге и Теганом Эмерсоном, чтобы создать инструменты машинного обучения, которые предсказывают, как различные параметры производственного процесса влияют на свойства материалов. Инструменты также представляют прогнозы в визуальной форме, что обеспечивает немедленную ясность и понимание для отраслевых партнеров и других лиц.
Команда считает, что с помощью этих инструментов машинного обучения можно сократить до месяцев, а не лет, время от лаборатории до заводского цеха. Руководствуясь прогнозами инструментов, ученым-материаловедам нужно провести всего несколько экспериментов вместо десятков, чтобы определить, например, какие настройки приводят к желаемым свойствам алюминиевой трубки.
«Наша цель состояла в том, чтобы использовать машинное обучение в качестве инструмента, помогающего человеку, который управляет передовым производственным процессом, когда он пробует разные настройки на своем устройстве — разные параметры процесса — чтобы найти тот, который позволит им достичь того, чего они на самом деле хотят. для достижения», — сказал Квинге.
Решение правильной проблемы
В традиционном производстве компьютерные модели, построенные на хорошо изученной физике производственного процесса, показывают ученым, как различные настройки влияют на свойства материалов.
По словам Каппагантулы, в передовом производстве физика менее понятна. «Без этого понимания происходит задержка в развертывании».
Каппагантула, Квинге и проект Emerson «Инструменты искусственного интеллекта для передового производства» направлены на определение способов использования машинного обучения для извлечения закономерностей между параметрами процесса и получаемыми свойствами материалов, что обеспечивает понимание лежащей в основе физики передовых технологий производства и может ускорить их развертывание.
«Подход, который мы выбрали, объединяющая тема, заключается в том, чтобы понять, как ученые-материаловеды рассматривают свою область — какие у них есть ментальные модели ? — и затем использовать это как основу для построения наших моделей», — 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 понадобится модель машинного обучения, которая предсказывает свойства материала, производимого при заданных определенных параметрах. Проконсультировавшись с учеными-материаловедами, он вскоре узнал, что они действительно хотели иметь возможность указать свойство и иметь модель, предлагающую все параметры процесса, которые можно было бы использовать для его достижения.
Интерпретируемое решение
Каппагантула и ее коллеги нуждались в системе машинного обучения, которая могла бы предоставить результаты, которые помогли бы 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, называемую дифференциальной классификацией свойств, которая использует возможности сопоставления шаблонов машинного обучения, чтобы различать два набора параметров процесса, чтобы определить, какие из них с большей вероятностью приведут к получению материала с желаемыми свойствами. характеристики.
Модель позволяет материаловедам ориентироваться на оптимальные параметры перед постановкой эксперимента, который может быть дорогостоящим и требовать большой подготовительной работы.
Прежде чем приступить к эксперименту, рекомендованному моделью машинного обучения, Каппагантула сказала, что ей нужно доверять рекомендации модели.
«Я хочу увидеть, как он проводит анализ», — 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 объяснение того, как модель машинного обучения пришла к своему прогнозу, может полностью отличаться от объяснения, которое имеет смысл для материаловедов.
Когда Квинге, Эмерсон и их коллеги решали эту проблему, они пытались понять ее с точки зрения ученых-материаловедов.
«Оказалось, что они очень хорошо понимают это через эти изображения микроструктур материала», — сказал Квинге. «Если вы спросите их, что пошло не так, почему эксперимент не удался или почему он прошел хорошо, они посмотрят на фотографии, укажут вам на вещи и скажут, что эти размеры зерен слишком велики, или слишком малы, или что-то еще». есть у тебя».
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 будут получены в результате производственного процесса, настроенного с заданным набором параметров. .
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 просто повышение энергоэффективности, — сказал Каппагантула о передовом производстве , — это раскрытие свойств и производительности, которых мы никогда раньше не видели».
