Машинное обучение ускоряет разработку передовых производственных технологий

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...

Сообщает android-robot.com

 

Опубликовано: 15:00, 20.10.2022

 

Новость из рубрики:

 

Поделиться новостью:

 

Топ новости часа

• Twitch: платформа для заработка на стриминге и доходах от рекламы...
• Зеленский ввел санкции против ФСБ, Совфеда и Минфина России...
• Сергей Шойгу озвучил главную задачу ВС России на 2023 год...
• Компания Samsung представила среднебюджетный смартфон Samsung Galaxy A14 5G...
• Что происходит после ввода войск России на Украину. День 334-й // Онлайн-трансляция: последние новости и заявления 23 января...
• Что можно сделать, пока готовит мультиварка...