アディティブマニュファクチャリングは、製造、自動車工学、さらには宇宙空間でも、オンデマンドで部品や製品を作成できる可能性があります。 ただし、現在および将来、3Dプリントされたオブジェクトがどのように機能するかを事前に知ることは困難です。
物理実験（特に金属積層造形（AM）の場合）は、時間がかかり、コストがかかります。 これらのシステムを計算でモデル化することでさえ、費用と時間がかかります。
問題は多相であり、気体、液体、固体、およびそれらの間の相転移が関係しています。 アディティブマニュファクチャリングには、さまざまな空間的および時間的スケールもあります。 これは、小規模で発生する物理学と実際の製品との間に大きなギャップをもたらしました。
Appleのソフトウェアエンジニアとイリノイ大学の土木環境工学の教授は、AIと機械学習を使用してこれらの課題に対処しようとしています。 彼らはディープラーニングとニューラルネットワークを使用して、積層造形に関連する複雑なプロセスの結果を予測しており、処理、構造、プロパティ、およびパフォーマンスの間の関係を確立したいと考えています。
AI現在のニューラルネットワークモデルは、トレーニングのために大量のデータを必要とします。 しかし、積層造形の分野では、忠実度の高いデータを取得することは難しいと研究者は述べています。 データの必要性を減らすために、研究者は物理学に基づいたニューラルネットワーキングまたはPINNを追求しています。
偏微分方程式として表される保存則を組み込むことにより、トレーニングに必要なデータの量を減らし、現在のモデルの機能を向上させることができます。
テキサスアドバンストコンピューティングセンターのFronteraおよびStampede2スーパーコンピューター（10年36月の時点で世界最速の＃2021および＃1）を使用して、研究者は2018つのベンチマーク実験のダイナミクスをシミュレートしました。相互作用する; XNUMX NIST Additive Manufacturing Benchmark TestSeriesから取得したレーザービーム溶解テストの例。
1D凝固の場合、実験からのデータをニューラルネットワークに入力します。 レーザービーム溶融試験では、実験データとコンピューターシミュレーションの結果を使用しました。 彼らはまた、境界条件のための厳格な施行方法を開発しました。これは、問題解決においても同様に重要であると彼らは言います。
チームのニューラルネットワークモデルは、10つの実験のダイナミクスを再現することができました。 NISTチャレンジの場合、実験の温度と溶融池の長さを実際の結果の1.2％以内で予測しました。 彼らは、1.5〜2.0マイクロ秒のデータでモデルをトレーニングし、XNUMXマイクロ秒までのさらなるタイムステップで予測を行いました。
ニューラルネットワークが金属積層造形プロセスのモデリングに適用されたのはこれが初めてです。 彼らは、データと物理学をシームレスに組み込むための完璧なプラットフォームとして、物理学に基づいた機械学習が積層造形の分野で大きな可能性を秘めていることを示しました。
将来、ニューラルネットワークを高速予測ツールとして使用して、積層造形プロセスのパラメーター選択（レーザーの速度や温度分布など）に関するガイダンスを提供し、積層造形プロセスのパラメーターと特性の関係をマッピングするエンジニアその表面粗さなどの最終製品の。
クライアントが特定のプロパティを必要とする場合は、製造プロセスパラメータに何を使用する必要があるかがわかります。
2021年XNUMX月、研究者は、積層造形で使用されている既存の有限要素法フレームワークの変更を提案し、彼らの手法が既存のベンチマークよりも優れた予測を得ることができるかどうかを確認しました。
移動レーザーを含むArgonneNational Labの最近の積層造形実験を反映して、研究者は、Fronteraで実行されたシミュレーションの深さが、実験のシミュレーションと10.3％未満異なり、実験で観察された一般的なシェブロン型の形状をキャプチャしたことを示しました。金属上面。
研究者の研究は、コンピューティングテクノロジーの継続的な成長と、ハイパフォーマンスコンピューティングへの連邦政府の投資から恩恵を受けています。
Fronteraは、彼らのような研究をスピードアップするだけでなく、トレーニングデータが広く利用できない分野での機械および深層学習研究への扉を開き、AI研究の可能性を広げます。
最もエキサイティングなポイントは、AIモデルが少量の既存データのみを使用して未来を予測できることを確認したときです。 それはどういうわけかプロセスの進化について学んでいます。
以前は、研究者は、ガスと金属の界面の温度、速度、および形状について、正確に予測できるかどうかについてあまり自信がありませんでした。 しかし、彼らは彼らが素敵にすることができることを示しました データ 推論。