人工智能和激光相结合，照亮未来制造业的变革之路

现代激光材料加工系统每天都会生成大量数据：一方面，这些数据可以用来监测激光器和光学元件；另一方面，过程监测也提供了来自材料加工区域的直接数据。如今，这些数据已经被用来监测和记录各个加工步骤的质量，从而帮助用户评估加工过程随时间或多台机器的变化。

来自东京大学的Yohei Kobayashi教授和Hiroharu Tamaru教授将人工智能与尖端激光技术相结合，为个性化制造提供解决方案。通过使用人工智能（AI），更好地理解激光切割、焊接或钻孔材料的复杂物理原理。他们希望实现基于互联网的激光生产系统控制，这样就可以按需制造想要的产品。

激光可实现智能制造，推动新一轮工业革命

激光的多功能性
激光生产系统控制的一个重要组成部分是网络-物理系统。在该系统中，计算、网络和物理生产流程融为一体，并通过内置反馈机制实现全自动控制。增材制造（3D打印）就是一个典型例子，它通常使用激光进行物理加工，但激光的作用又远不止于此。

自20世纪60年代发展以来，激光为制造业提供了令人兴奋的可能性。激光的应用多种多样，其特性也近乎完美。它们可以将大量光能聚焦在一个小点上，在目标上产生大量热量。因此，与许多传统的机械和化学工业工艺不同，激光加工具有超高的效率，而且不需要任何额外的化学品。

激光可以以极高的速率产生脉冲，每个脉冲的持续时间可以短至几十飞秒（10-15秒）。这比能量耗散的速度更快，因此可以对小于毫米的材料进行微加工而不会造成热损伤。只要正确选择激光波长，激光就能准确加工其中一种材料，而使其他材料完好无损。此外，激光还可以直接用于焊接部件、切割金属板或钻孔。激光也可以更巧妙地用于表面抛光或纹理处理。

由东京大学开发的Meister数据发生器和智能激光系统
 

高质量的数据
由于激光器是由电力驱动的，因此更容易集成到计算机控制系统中，是网络物理系统的理想选择。但是，激光的一系列特性使其应用范围如此广泛成为可能，同时也带来了一个重大的技术问题：如何为特定工作找到最佳参数？

传统解决方案是基于用户的直觉进行试错，但以这种方式优化激光系统可能需要数月的时间，这在实现真正有用的网络物理系统所需的规模上根本不可行。更复杂的是，即使为特定系统确定了执行特定任务的最佳配置，但对一种材料有效的配置可能对另一种材料无效。

东京大学的研究人员利用人工智能和机器学习来解决这个问题。“由于激光和光-物质相互作用的复杂性，人工智能是否可以强大到足以提供解决方案并不清楚，”光子科学与技术研究所教授Hiroharu Tamaru说，“但现在我们已经看到，良好的数据可以提供很大的帮助。”

“高质量数据至关重要，因为人工智能机器学习系统需要经过训练。通常需要几千到几万个数据点，算法才能开始做出有用的预测，”东京大学固体物理研究所教授Yohei Kobayashi说，“我们构建了一个全自动的自主数据采集系统，名为Meister数据生成器。我们甚至不需要去实验室采集数据。它全天候24小时都在工作。”

研究人员已将他们的想法应用于许多激光生产过程，包括激光烧蚀：使用短脉冲光从表面去除少量材料。在这种情况下，他们通过向固体目标发射持续时间可控的光脉冲来创建高质量的数据集。事实证明，这种大数据驱动的方法硕果累累，东京大学的项目合作机构福冈九州大学的研究人员已经在利用这种方法为半导体制造业服务。

巨大的潜力
一旦收集到数据，深度学习算法就可以模拟在任意位置和任意脉冲能量的多个激光脉冲照射后创建的3D拓扑。该团队已经将该系统应用于各种材料，包括电介质、半导体和有机聚合物。目前，Meister数据生成器系统可以使用先进的算法自主搜索各种激光参数，如贝叶斯优化，该算法可以在实验运行时确定下一个要测试的参数。这样的高质量数据将有可能进一步改变激光制造工艺。

虽然人工智能技术在现实世界中具有巨大潜力，但研究团队也对其基础研究的影响感到兴奋。在如此高强度下，光与物质之间的相互作用非常复杂。例如，在完全理解激光烧蚀的物理学原理之前，还需要进一步研究。

激光焦点处的电场强度可能类似于将原子固定在一起的电场强度，因此基于熔化和汽化的简单模型几乎没有用武之地。先进的分子动力学模拟带来了希望，但由于激光烧蚀过程中发生的物理过程千变万化。激光脉冲快至几飞秒，而熔化可能发生在微秒之间，因此需要巨大的处理能力。

Meister数据发生器收集的大量高质量数据集，将有助于理解光与物质的高强度相互作用。随着对激光加工基础科学的深入了解，业界对该技术的控制能力也会增强，并有更大的潜力实现更大的变革。

德国弗劳恩霍夫激光技术研究所的Carlo Holly教授描述了一个重要趋势：人工智能的功能是众所周知的，现在的问题是建造从一开始就设计的新机器，以充分利用人工智能的潜力。传感器技术和算法必须结合在一起，理想情况下从一开始就以协调的方式进行规划。”

下一个目标是机器的自我学习。这分成四个步骤：首先，传感器从过程中生成数据。然后，对数据进行分析，使其易于理解，即在现有数据的基础上进行解释。在第三步中，系统模拟过程的结果将如何发展。为此，可以推断先前的趋势，或者可以模拟某些参数的影响。之后将启用第四步：系统控制。到目前为止，人工智能主要用于机器的质量监控和预测性维护。闭环控制是“下一件大事”。

但随着数字过程数据的可用性越来越高，人工智能可以做得更多。过去的数据使计算新的加工任务和特定材料的参数范围成为可能，在这些材料中，工艺应该运行良好。当规划和设置新的加工过程时，人工智能可以节省时间和资源，从而节省资金。