El aprendizaje automático acelera el desarrollo de técnicas de fabricación avanzadas

A pesar de los notables avances tecnológicos que llenan nuestras vidas hoy en día, las formas en que trabajamos con los metales que subyacen a estos desarrollos no han cambiado significativamente en miles de años. Esto es cierto para todo, desde las varillas, tubos y cubos de metal que proporcionan a los automóviles y camiones su forma, resistencia y economía de combustible, hasta los cables que mueven la energía eléctrica en todo, desde motores hasta cables submarinos.

Pero las cosas están cambiando rápidamente: la industria de fabricación de materiales está utilizando tecnologías, procesos y métodos nuevos e innovadores para mejorar los productos existentes y crear otros nuevos. El Laboratorio Nacional del Noroeste del Pacífico (PNNL) es líder en este espacio, conocido como fabricación avanzada.

Por ejemplo, los científicos que trabajan en la iniciativa Matemáticas para el razonamiento artificial en la ciencia del PNNL son enfoques pioneros en la rama de la inteligencia artificial conocida como aprendizaje automático para diseñar y entrenar programas de software que guían el desarrollo de nuevos procesos de fabricación.

Estos programas de software están capacitados para reconocer patrones en los datos de fabricación y utilizan esta capacidad de reconocimiento de patrones para recomendar o predecir configuraciones en los procesos de fabricación que producirán materiales con propiedades mejoradas (más ligeros, más fuertes o más conductivos, por ejemplo) que los materiales producidos usando métodos tradicionales.

«Los componentes que fabricamos utilizando procesos de fabricación avanzados son tan atractivos para la industria que quieren ver estas tecnologías lanzadas lo más rápido posible», dijo Keerti Kappagantula, científico de materiales en PNNL.

Un desafío es que los socios de la industria son reacios a invertir en nuevas tecnologías antes de que la física subyacente y otras complejidades de las técnicas de fabricación avanzadas se desarrollen y validen por completo.

Para cerrar la brecha, Kappagantula se asoció con los científicos de datos de PNNL Henry Kvinge y Tegan Emerson para crear herramientas de aprendizaje automático que predicen cómo las diversas configuraciones en el proceso de fabricación afectan las propiedades del material. Las herramientas también presentan las predicciones de una manera visual que ofrece claridad y comprensión inmediatas a los socios de la industria y otros.

Con estas herramientas de aprendizaje automático, el equipo cree que puede acortar a meses, en lugar de años, la línea de tiempo desde el laboratorio hasta la planta de producción. Con la guía de las predicciones de las herramientas, los científicos de materiales solo necesitan realizar un puñado de experimentos, en lugar de docenas, para determinar, por ejemplo, qué configuraciones conducen a las propiedades deseadas en un tubo de aluminio.

«El objetivo para nosotros era utilizar el aprendizaje automático como una herramienta para ayudar a guiar a la persona que ejecuta el proceso de fabricación avanzada mientras prueba diferentes configuraciones en su dispositivo (diferentes parámetros de proceso) para encontrar una que les permita lograr lo que realmente quieren. lograr», dijo Kvinge.

Resolviendo el problema correcto

En la fabricación tradicional, los modelos informáticos basados ​​en la física bien entendida de un proceso de fabricación muestran a los científicos cómo las diferentes configuraciones afectan las propiedades de los materiales.

En la fabricación avanzada, la física se entiende menos, dijo Kappagantula. «Sin esa comprensión, hay un retraso en el despliegue».

El proyecto Herramientas de inteligencia artificial para la fabricación avanzada de Kappagantula, Kvinge y Emerson tiene como objetivo identificar formas en que el aprendizaje automático se puede aprovechar para extraer patrones entre los parámetros del proceso y las propiedades del material resultante, lo que proporciona información sobre la física subyacente de las técnicas de fabricación avanzadas y puede acelerar su despliegue.

«El enfoque que hemos tomado, el tema unificador, es comprender cómo los científicos de materiales ven su campo, ¿cuáles son los modelos mentales que tienen?, y luego usarlo como un andamio sobre el cual construir nuestros modelos», dijo Kvinge.

Con demasiada frecuencia, explicó, los científicos de datos desarrollan soluciones a los problemas que los científicos de datos creen que deben resolverse en lugar del problema que otros científicos quieren resolver.

En este proyecto, Kvinge dijo que pensó que el equipo querría un modelo de aprendizaje automático que predijera las propiedades de un material producido cuando se le dan parámetros específicos. En consulta con los científicos de materiales, pronto se enteró de que realmente querían poder especificar una propiedad y tener un modelo que sugiriera todos los parámetros del proceso que podrían usarse para lograrlo.

Una solución interpretable

Lo que necesitaban Kappagantula y sus colegas era un marco de aprendizaje automático que pudiera proporcionar resultados que ayudaran a su equipo a tomar decisiones sobre qué experimento probar a continuación. En ausencia de dicha guía, el proceso de ajuste de parámetros para desarrollar un material con las propiedades deseadas es prueba y error.

En este proyecto, Kvinge y sus colegas desarrollaron por primera vez un modelo de aprendizaje automático llamado clasificación de propiedades diferenciales que aprovecha la capacidad de coincidencia de patrones del aprendizaje automático para distinguir entre dos conjuntos de parámetros de proceso para determinar cuál, si es que alguno, resultará más probable en un material con la calidad deseada. propiedades.

El modelo permite a los científicos de materiales concentrarse en los parámetros óptimos antes de configurar un experimento, lo que puede resultar costoso y requerir mucho trabajo de preparación.

Antes de seguir adelante con un experimento recomendado por un modelo de aprendizaje automático, Kappagantula dijo que necesita confiar en la recomendación del modelo.

«Quiero poder ver cómo está haciendo su análisis», dijo.

Este concepto, conocido como interpretabilidad o explicabilidad, en el campo del aprendizaje automático, tiene diferentes significados para los expertos en diferentes dominios. Para los científicos de datos, la explicación de cómo un modelo de aprendizaje automático llegó a su predicción puede ser completamente diferente a una explicación que tenga sentido para los científicos de materiales, señaló Kvinge.

Cuando Kvinge, Emerson y sus colegas abordaron este problema, intentaron comprenderlo desde el marco mental de los científicos de materiales.

«Resultó que lo entienden mucho a través de estas imágenes de microestructuras materiales», dijo Kvinge. «Si les preguntas qué salió mal, por qué el experimento no salió bien o por qué salió bien, mirarán las imágenes y te señalarán las cosas y dirán que estos tamaños de grano son demasiado grandes, demasiado pequeños o qué». Tienes.»

Para hacer que los resultados de su modelo de aprendizaje automático sean interpretables, Kvinge, Emerson y sus colegas usaron imágenes y datos relacionados de microestructuras de experimentos anteriores para entrenar un modelo que genera imágenes de las microestructuras que resultarían del proceso de fabricación sintonizado con un conjunto determinado de parámetros. .

Actualmente, el equipo está validando este modelo y tiene como objetivo convertirlo en parte de un marco de software que los científicos de materiales pueden usar para determinar qué experimentos realizar mientras desarrollan técnicas de fabricación avanzadas que prometen transformar la producción y las propiedades de los materiales.

«No se trata solo de hacer las cosas con mayor eficiencia energética», dijo Kappagantula sobre la fabricación avanzada, «es desbloquear propiedades y rendimiento que nunca antes habíamos visto».

---

---