Учёные использовали искусственный интеллект, чтобы решить задачу, которая до сих пор требовала большого количества дорогостоящих экспериментов: подобрать режимы 3D-печати высокотемпературного металлического сплава GRCop-42. Этот материал применяется в аэрокосмической отрасли, в том числе для элементов жидкостных ракетных двигателей, но его печать требует высокой мощности лазера и специального оборудования.
Исследователям удалось обнаружить шесть рабочих вариантов печати всего за 40 физических экспериментов. В одном из случаев сплав впервые удалось успешно напечатать при мощности лазера 500 Вт. Полученные результаты показывают, что алгоритмы искусственного интеллекта могут существенно сократить число дорогостоящих испытаний при подборе параметров аддитивного производства металлических деталей.
Почему ракетный сплав трудно печатать
Металлическая 3D-печать существенно отличается от привычной печати пластиком. В установках для аддитивного производства металлов мощный лазер локально расплавляет металлический порошок, после чего материал затвердевает и формирует очередной участок детали. Повторяя этот процесс слой за слоем, установка создаёт деталь сложной формы.
При этом результат зависит сразу от большого количества параметров. В частности, необходимо правильно подобрать мощность лазера и другие условия процесса. Если параметры не подходят материалу, вместо качественной детали можно получить деформированную или разрушенную структуру.
Для GRCop-42 эта проблема особенно существенна. Сплав рассчитан на работу в условиях очень высоких температур и обладает высокой теплопроводностью, поэтому его используют в аэрокосмической технике. Однако те же свойства делают процесс его 3D-печати сложным и требовательным к оборудованию.
Что представляет собой GRCop-42
GRCop-42 — металлический сплав на основе трёх элементов: меди, хрома и ниобия. Материал был разработан NASA для применения в условиях, где одновременно необходимы высокая теплопроводность и способность сохранять прочность при экстремальном нагреве.
Одной из областей применения GRCop-42 стали камеры сгорания жидкостных ракетных двигателей. Для таких компонентов крайне важно эффективно отводить тепло и сохранять механическую прочность при воздействии высоких температур. Поэтому материал представляет интерес именно для аэрокосмической техники, где требования к металлическим деталям значительно выше, чем для многих обычных промышленных изделий.
Проблема заключается в том, что подходящий для такого сплава процесс печати требует значительной мощности лазера. Это ограничивает круг оборудования, на котором можно работать с материалом. По данным исследовательской группы, около 90% коммерческих 3D-принтеров не способны печатать GRCop-42 при подходящих режимах.
Почему поиск подходящего режима превращается в огромную задачу
На первый взгляд может показаться, что достаточно постепенно менять мощность лазера и найти подходящее значение. На практике всё значительно сложнее. Параметры процесса образуют огромное пространство возможных комбинаций, и только небольшая часть из них приводит к успешной печати.
Исследователи оценили количество потенциальных вариантов более чем в 100 миллионов. Проверить их один за другим физически невозможно. Каждый эксперимент требует материала, времени работы оборудования и последующего анализа полученной детали.
Причём неудачный эксперимент не обязательно означает, что полученный объект просто немного отличается от ожидаемого. При неподходящих условиях напечатанная структура может оказаться непригодной для дальнейшего использования. В некоторых проведённых ранее испытаниях материал фактически расплавлялся, и получить требуемую структуру не удавалось.
Каждый эксперимент имеет реальную стоимость
Проблема поиска параметров заключается не только в количестве возможных вариантов. Для каждого испытания требуется провести реальный процесс печати, а затем исследовать результат.
По оценке команды, один запуск может обходиться в сотни долларов. Кроме того, подробный анализ качества напечатанного образца способен занимать несколько дней. Поэтому даже несколько десятков испытаний уже требуют значительных ресурсов.
Если же пытаться перебрать хотя бы небольшую часть из потенциальных 100 миллионов вариантов обычным способом, стоимость и продолжительность работы становятся практически неприемлемыми. Именно здесь исследователи решили использовать искусственный интеллект не для замены физического эксперимента, а для выбора наиболее информативных экспериментов.
Искусственный интеллект не печатал детали сам
Важная особенность исследования заключается в том, что алгоритм не заменял оборудование для 3D-печати. Он выполнял другую задачу: анализировал результаты уже проведённых экспериментов и выбирал следующие варианты параметров, которые имело смысл проверить.
Это принципиально отличается от ситуации, когда компьютер просто выдаёт предположение о том, какой режим должен быть успешным. Алгоритм постоянно получал новые результаты реальных испытаний и использовал их для дальнейшего выбора.
Таким образом, процесс представлял собой последовательность «предсказание — эксперимент — результат — новое предсказание». Каждая новая попытка добавляла информацию, даже если печать оказывалась неудачной.
Первоначальные данные были получены из неудачных испытаний
Для начала исследователи использовали результаты 37 ранее проведённых неудачных экспериментов. Эти данные стали исходной информацией для модели.
На основании полученных результатов алгоритм оценивал вероятность успеха для ещё не проверенных комбинаций параметров. После этого он выбирал небольшие группы новых вариантов для реальной печати.
Здесь использовался принцип, при котором модель одновременно учитывала два направления поиска. С одной стороны, она должна была проверять варианты, которые выглядели наиболее перспективными. С другой — необходимо было исследовать области, в которых информации пока было мало и где новые эксперименты могли существенно улучшить работу самой модели.
Такой подход особенно полезен для задач, где успешные варианты встречаются редко. Если просто проверять самые очевидные кандидаты, можно быстро получить несколько похожих результатов и практически ничего не узнать о других областях пространства параметров. Если же исследовать только неизвестные области, будет потрачено много ресурсов на заведомо малоперспективные варианты.
Алгоритм должен был постоянно находить баланс между этими двумя задачами.
За 40 экспериментов нашли шесть рабочих вариантов
Основной результат исследования оказался практически значимым. За три месяца команда провела всего 40 экспериментов и обнаружила шесть конфигураций, при которых GRCop-42 удалось успешно напечатать.
Причём рабочие варианты были найдены при разных уровнях мощности лазера. Одним из наиболее заметных результатов стало первое успешное изготовление GRCop-42 при мощности лазера 500 Вт.
Для сравнения, пространство потенциальных комбинаций оценивалось более чем в 100 миллионов вариантов. Поэтому речь идёт не о полном переборе, а о целенаправленном поиске небольшого числа перспективных областей.
Особенно важно, что искусственный интеллект не получил заранее полный набор успешных примеров. На старте у исследователей были данные о 37 неудачных конфигурациях. После этого модель должна была учиться на новых результатах и постепенно приближаться к рабочим параметрам.
Неудачные эксперименты тоже оказались полезными
Для обычного экспериментатора неудачная печать означает потерю времени и материала. В используемом подходе отрицательный результат имел дополнительную ценность, поскольку позволял алгоритму точнее определить границы области, в которой находятся рабочие параметры.
Каждый новый результат сообщал модели, какие условия не дали нужного результата. Благодаря этому последующие варианты можно было выбирать более целенаправленно.
Это особенно важно для задач, в которых положительные результаты редки. Если успешных комбинаций очень мало по сравнению с общим количеством возможных вариантов, обычный случайный поиск становится крайне неэффективным. Искусственный интеллект в данном случае использовался именно для сокращения количества необходимых физических испытаний.
Что даёт печать при меньшей мощности лазера
Возможность работать с GRCop-42 на установках с меньшей мощностью имеет несколько потенциальных преимуществ.
Прежде всего, более низкая мощность лазера может уменьшить энергозатраты самого процесса. Кроме того, использование менее мощного оборудования способно расширить круг лабораторий и компаний, которые смогут работать с этим материалом.
Сейчас для печати GRCop-42 требуются установки с соответствующими характеристиками, а значительная часть коммерческих принтеров не подходит для этого процесса. Если рабочие режимы можно надёжно реализовать на более доступном оборудовании, материал станет доступнее для университетов, небольших исследовательских лабораторий и компаний, у которых нет специализированных высокомощных систем.
Есть и другие потенциальные преимущества. Более низкая мощность лазера может снизить нагрузку на оборудование, а также затраты, связанные с последующей обработкой деталей. Однако сами исследователи не утверждают, что найденные режимы автоматически делают производство дешёвым или пригодным для любого коммерческого принтера. Полученные параметры требуют дальнейшего изучения и проверки.
Почему этот результат важен для космической техники
В космической отрасли 3D-печать металла уже имеет большое значение, поскольку аддитивные технологии позволяют создавать детали сложной геометрии, которые трудно или невозможно изготовить традиционными способами.
Особенно это важно для ракетных двигателей. Их компоненты должны выдерживать высокие температуры и значительные механические нагрузки, а некоторые детали имеют сложную внутреннюю геометрию. Возможность изготавливать такие компоненты непосредственно методом послойного формирования металла может упростить производство отдельных конструкций.
Однако преимущества 3D-печати проявляются только в том случае, если процесс обеспечивает требуемое качество материала. Недостаточно получить деталь, которая просто сохраняет форму после печати. Для аэрокосмического применения необходимо понимать, какие свойства имеет материал после изготовления и насколько стабильно повторяется процесс.
Именно поэтому подбор режима печати является отдельной научной и инженерной задачей. В случае GRCop-42 исследователи применили искусственный интеллект, чтобы сократить число физических экспериментов, необходимых для поиска подходящих условий.
Искусственный интеллект помогает искать редкие решения
Работа с GRCop-42 представляет собой частный пример более общей проблемы. Во многих научных и инженерных исследованиях существует огромное количество возможных комбинаций параметров, но успешные решения встречаются относительно редко.
Проверить все варианты экспериментально невозможно или слишком дорого. При этом компьютерное моделирование не всегда способно точно воспроизвести реальный процесс. В таких ситуациях наиболее эффективным может оказаться сочетание машинного обучения и физических экспериментов.
Компьютер анализирует уже полученные данные и выбирает следующую небольшую группу испытаний. Люди проводят реальные эксперименты, а результаты возвращаются в алгоритм. После этого модель корректирует свои оценки и выбирает следующие кандидаты.
Такой цикл позволяет постепенно концентрировать эксперименты вокруг наиболее перспективных областей, не отказываясь полностью от поиска в малоизученных направлениях.
Такой принцип применим не только к 3D-печати
Исследователи считают, что разработанный подход можно использовать для подбора параметров производства других металлических сплавов и других систем аддитивного производства.
Потенциальная область применения значительно шире. Общая идея подходит для научных задач, в которых положительные результаты встречаются редко, а каждое физическое испытание требует значительных затрат.
В качестве примера можно привести поиск новых материалов. Вместо последовательного изготовления огромного числа образцов алгоритм может анализировать результаты предыдущих испытаний и выбирать следующие эксперименты таким образом, чтобы получать максимум новой информации при минимальном количестве физических тестов.
Авторы исследования также указывают, что аналогичные методы могут использоваться в других областях науки, включая поиск лекарственных соединений. Причина применимости одна и та же: огромное пространство вариантов и высокая стоимость проверки каждого кандидата.
Почему искусственный интеллект не отменяет лабораторные испытания
Несмотря на заметное сокращение числа экспериментов, полученный результат не означает, что физические испытания металлических деталей больше не нужны.
Модель строилась именно на данных реальных экспериментов. Без этих данных алгоритму нечему было бы обучаться и не с чем было бы сравнивать свои прогнозы.
Кроме того, компьютерная оценка вероятности успеха не является гарантией того, что выбранный режим действительно даст качественную деталь. Каждый предложенный вариант всё равно должен быть проверен на физическом оборудовании.
В этом и заключается главное отличие подхода от идеи полной автоматизации научного поиска. Искусственный интеллект не заменяет экспериментальную работу, а помогает определить, какие эксперименты стоит провести в первую очередь.
Это особенно важно там, где один тест может стоить сотни долларов и занимать несколько дней вместе с анализом результата. Сокращение числа ненужных испытаний непосредственно уменьшает стоимость исследования и ускоряет поиск рабочего решения.
Важен не только результат, но и способ его получения
В случае GRCop-42 исследователям пришлось решать необычную для алгоритмов задачу. Модель практически каждый раз получала очень простой результат: эксперимент оказался успешным или неуспешным.
При этом пространство возможных вариантов было огромным. Более 100 миллионов потенциальных конфигураций нужно было исследовать с использованием очень небольшого числа физических испытаний.
Именно поэтому эффективность метода определялась не количеством данных, а тем, насколько грамотно алгоритм выбирал следующие эксперименты. Его задача состояла в том, чтобы как можно быстрее находить редкие рабочие комбинации и одновременно использовать неудачные результаты для улучшения последующего поиска.
В итоге за 40 испытаний удалось найти шесть успешных конфигураций. Для задачи с настолько большим пространством вариантов это стало демонстрацией того, что адаптивный экспериментальный поиск способен существенно сократить объём физической работы.
Что будет дальше
Найденные параметры являются важным результатом исследования, но для практического использования технологии необходимы дальнейшие испытания. В частности, требуется убедиться, что процесс стабильно воспроизводится и позволяет получать материал с необходимыми характеристиками.
Для аэрокосмической техники особенно важна повторяемость. Единичный успешный образец ещё не означает, что технология готова для изготовления ответственных деталей. Необходимо установить, насколько одинаково ведёт себя процесс при повторных запусках и какие свойства имеют полученные изделия.
Поэтому следующий этап исследований связан не только с поиском новых рабочих параметров, но и с оценкой качества полученного материала.
Тем не менее уже продемонстрированный результат имеет практическое значение. Исследователям удалось найти шесть успешных конфигураций за 40 экспериментов и впервые получить GRCop-42 при мощности лазера 500 Вт. Это показывает, что искусственный интеллект способен эффективно направлять экспериментальный поиск даже тогда, когда пространство возможных вариантов огромно, а успешные решения встречаются редко.
Новый подход к поиску материалов для космоса
Работа с GRCop-42 показывает изменение самого подхода к материаловедческим исследованиям. Раньше при большом количестве возможных вариантов исследователям приходилось значительно сильнее полагаться на собственный опыт, расчёты и последовательное проведение экспериментов.
Теперь часть этой работы можно передать алгоритмам, которые способны анализировать результаты испытаний и определять, какой следующий эксперимент потенциально принесёт больше всего полезной информации.
В случае с ракетным сплавом это позволило перейти от задачи, практически невозможной для полного перебора, к небольшому числу целенаправленных физических испытаний. Более 100 миллионов потенциальных конфигураций не пришлось проверять одну за другой: алгоритм постепенно сузил область поиска и за три месяца помог обнаружить шесть рабочих вариантов.
Для космической техники это особенно интересно из-за высокой стоимости разработки и испытаний новых материалов. Если подобные методы удастся успешно применять к другим сплавам и технологиям производства, искусственный интеллект сможет стать инструментом, который не просто анализирует уже существующие научные данные, но и определяет, какие реальные эксперименты следует провести следующими.
В случае GRCop-42 речь пока идёт о научной демонстрации метода, а не о готовой технологии массового производства ракетных деталей. Однако сам принцип уже показал практическую эффективность: физические эксперименты остались необходимыми, но их количество удалось резко сократить за счёт интеллектуального выбора наиболее перспективных вариантов.
Источники:
Статья создана по материалам Phys.Org
