Исследователи из Университета штата Вашингтон использовали искусственный интеллект для поиска оптимальных параметров 3D-печати сплава GRCop-42 – материала, разработанного NASA для работы в условиях экстремальных температур. Об этом пишет Sciencedaily.
Как ИИ нашел способ печатать сплав NASA?
Перед системой стояла чрезвычайно сложная задача. Теоретически существовало более 100 миллионов возможных комбинаций параметров печати, но проверять их вручную было практически невозможно. Вместо этого команда решила позволить алгоритму самостоятельно определять, какие эксперименты обладают наибольшим потенциалом.
Исследование провели специалисты Школы электротехники и компьютерных наук и Школы машиностроения и материаловедения Университета штата Вашингтон. Результаты были опубликованы в журнале Proceedings of the AAAI Conference on Artificial Intelligence. Проект также получил награду Innovative Deployed Application Award на ежегодной конференции AAAI.
По словам профессора Джаны Доппы, возглавлявшей исследование, этот результат может существенно расширить доступ к данной технологии.
90 % коммерческих принтеров не могут печатать этот металлический сплав, поэтому что нам удалось найти подходящие параметры процесса, позволяет использовать эти коммерческие принтеры. Фактически мы делаем печать этого сплава доступной для всех, – сказала Джана Доппа, профессор компьютерных наук и инженерии.
Почему GRCop-42 так сложно напечатать?
GRCop-42 состоит из меди, хрома и ниобия. NASA создала этот материал для применений, где одновременно требуются высокая прочность, устойчивость к очень высоким температурам и эффективный отвод тепла.
Именно поэтому сплав используют в аэрокосмических системах, в частности в камерах сгорания жидкостных ракетных двигателей.
Высокая теплопроводность меди помогает отводить тепло, а добавление хрома и ниобия позволяет материалу сохранять необходимые механические свойства при экстремальных температурах.
Однако свойства, которые делают GRCop-42 ценным для космической техники, одновременно создают проблемы при 3D-печати. Для его обработки обычно требуется значительная мощность лазера, а значит – специализированное оборудование. Предыдущие попытки напечатать GRCop-42 на принтерах с меньшей доступной мощностью заканчивались неудачей.
Проблема заключается не только в стоимости самого оборудования. Каждый эксперимент требует металлического порошка, времени работы принтера и последующего анализа полученного образца. Одна печать может стоить сотни долларов, а детальное исследование готового материала иногда занимает несколько дней.
Азза Фадхель, первая авторка научной работы и докторантка по компьютерным наукам, объяснила сложность поиска на конкретном примере.
"Иногда они печатали определенную конфигурацию, и продукт просто расплавлялся. На самом деле его было невозможно напечатать, и даже имея время и деньги, они не смогли бы опробовать все 100 миллионов вариантов. В рамках нашего сотрудничества мы применили ИИ, чтобы эффективно отбирать кандидаты из этого огромного пространства поиска", – сказала Фадхель.
Сколько экспериментов потребовалось ИИ?
Вместо того чтобы начинать поиск с нуля, команда использовала результаты 37 предыдущих экспериментов, в которых различные параметры печати GRCop-42 уже оказались неудачными.
На основе этих данных исследователи создали модель искусственного интеллекта, способную оценивать вероятность успешной печати для комбинаций параметров, что еще никто не проверял. После этого алгоритм предлагал небольшие группы новых конфигураций для физического тестирования.
ИИ при этом использовал два подхода одновременно. Часть экспериментов он направлял на наиболее перспективные варианты, а часть – на менее очевидные области поискового пространства. Это позволяло получать новую информацию и совершенствовать модель.
К работе над физической печатью присоединились Натаниэль Цукшверт, Сусмита Бозе и Амит Бандйопадхьяй из Школы машиностроения и материаловедения. Они изготавливали образцы по параметрам, рекомендованным ИИ, после чего команда оценивала результат. К проекту также присоединился Арьян Дешвал из Университета Миннесоты.
Для алгоритма даже неудачный эксперимент имел ценность, поскольку давал новую информацию.
"Они присылали мне результаты, и мне нравились все они – даже если они были неудачными, потому что каждый результат улучшал нашу модель ИИ", – рассказала Фадхель. В результате за три месяца исследований команда провела всего 40 экспериментов.
Несмотря на огромное количество потенциальных комбинаций, исследователям удалось найти шесть успешных конфигураций с разными уровнями мощности лазера.
Самым важным результатом стала первая успешная 3D-печать GRCop-42 с использованием всего 500 ватт лазерной мощности.
Почему 500 ватт могут иметь большое значение?
Снижение необходимой мощности лазера способно сделать производство GRCop-42 более доступным. Меньшая мощность означает потенциально более низкое энергопотребление и меньшую нагрузку на оборудование. Это также может снизить затраты, связанные с обработкой и анализом напечатанных деталей.
Но еще важнее то, что технология может открыть доступ к данному материалу для гораздо более широкого круга организаций.
Если раньше для работы с GRCop-42 требовались специализированные высокомощные системы, то успешная печать при более низкой мощности потенциально позволяет использовать более распространенное коммерческое оборудование.
Это может быть особенно важно для университетов, небольших лабораторий и компаний, не имеющих доступа к дорогостоящим специализированным системам. Именно поэтому исследователи говорят не только об экономии средств, но и о фактическом расширении доступа к технологии.
Можно ли использовать этот подход для других материалов?
Авторы работы считают, что метод не ограничивается GRCop-42. Тот же принцип можно адаптировать для поиска рабочих параметров 3D-печати других металлических сплавов и использования других систем аддитивного производства.
Более широкое значение исследования заключается в том, что ИИ может помогать не просто анализировать уже полученные научные данные, а определять, какой физический эксперимент стоит провести следующим.
Это особенно полезно в ситуациях, когда существуют миллионы или сотни миллионов возможных вариантов, но успешные результаты встречаются крайне редко.
Такие задачи возникают не только в производстве. Подобный подход потенциально может применяться в других сферах научных исследований, в частности при поиске новых лекарственных препаратов. Там также приходится перебирать огромное количество потенциальных вариантов, а каждый реальный эксперимент может требовать значительных затрат времени, материалов и денег. В то же время исследователи отмечают, что использование ИИ в реальных физических экспериментах по-прежнему сопряжено с риском. Алгоритм может предложить неудачную конфигурацию, а каждая такая попытка обходится дорого.
"Всегда существует неопределенность, когда вы внедряете что-то в среду, где задействованы реальные люди, материалы и физические затраты. Мы не знали, добьемся ли успеха, и этот риск всегда существует. На кону стояли реальные ресурсы. Я была очень удивлена, что нам удалось сделать это настолько хорошо", – отметила Джана Доппа.
Таким образом, главный результат эксперимента заключается не просто в том, что ИИ нашел несколько подходящих параметров для печати конкретного сплава. Исследователи продемонстрировали способ сокращать огромное пространство возможных физических экспериментов до небольшого количества наиболее информативных проверок.
В случае с GRCop-42 вместо потенциального тестирования более 100 миллионов вариантов команде хватило 40 реальных экспериментов, чтобы получить шесть успешных конфигураций, включая вариант с рекордно низкой для этой задачи мощностью в 500 ватт.