התקדמות ביישום למידת מכונה בסימולציה מספרית של ריתוך לייזר

01 מבוא
בניתוח הצימוד הרב-פיזיקלי של ריתוך חדירה עמוקה בלייזר, המתאר במדויק את התנודות בתדירות הגבוהה של דופן חור המנעול המונעת על ידי לחץ רתיעה של אדי מתכת ומנגנון האינטראקציה של פלזמה המושרה בצילום- תלוי אך ורק בפתרון בו-זמני של התוצאה של שימור המסה, המומנטום והאנרגיה. דינמיקת נוזלים חישובית מסורתית (CFD), בעוד שהיא מסוגלת ללכוד התנהגות נוזל חולפת-בנאמנות גבוהה על ידי בניית רשתות בדידות-בצפיפות גבוהה ואלגוריתמי צעדים-מותאמים בזמן, היא בעצם אסטרטגיית פתרון-כוח גס המבוססת על משוואות Navier-Stokes. ככל שמספר ריינולדס של רשת התחום החישובי גדל, העלות החישובית גדלה באופן אקספוננציאלי, כאשר סימולציית ארעית אחת-תלת-ממדית אחת-תלת-ממדית נמשכת לרוב מספר ימים. מחסום חישובי זה מגביל מאוד את האופטימיזציה האיטרטיבית של חלונות תהליכים בקנה מידה גדול. בינתיים, למרות שלמידת מכונה יכולה לבנות מיפוי לא ליניארי ממרחב פרמטרים של תהליך-ממדי גבוה למרחב תגובה פיזי, תוך עקיפת תהליך דיסקרטיזציה חלקי חלקי של משוואות דיפרנציאליות ושיפור משמעותי ביעילות, אופי ה"קופסה השחורה" שלו מוביל לחוסר פרשנות פיזית ויכולות הכללה בלתי מספקות. מודלים המונעים{16}}של נתונים בלבד, כשהם מנותקים מהאילוצים של חוקי השימור הפיזיים, נאבקים להבטיח את-העקביות העצמית של תוצאות החיזוי בתנאי{18}}נתונים דלים.

לכן, הכיוון החדשני- הנוכחי בסימולציה מספרית של ריתוך לייזר אינו מוגבל עוד לבחירה של שיטה חישובית יחידה, אלא עבר לכיוון האינטגרציה העמוקה של למידת מכונה ו-CFD. על ידי הקמת ארכיטקטורות משולבות כגון אלו המבוססות על אינטראקציית זיכרון (PyFluent) או רשתות נוירונים מיודעות בפיזיקה-(PINNs), המטרה היא לשלב את היכולת של CFD לחקור לעומק מנגנונים פיזיים עם יכולות הסריקה היעילות של למידת מכונה על פני מגוון רחב של פרמטרים. גישה זו משתמשת בנתונים-הגבוהים והעקביים פיזית שמסופקים על ידי CFD תוך מינוף יתרונות ההסקת המקוונים של למידת מכונה, ומספקת פתרון הנדסי שיטתי לקונפליקט המובנה בין דיוק ויעילות בסימולציות מספריות מסורתיות.

02 הפיתוח של למידת מכונה בחיזוי ריתוך הפיתוח של למידת מכונה בתחום הדמיית ריתוך מספרית משקף את ההבנה המעמיקה של קשרי הפיזיקה- של נתונים בתוך הקהילה האקדמית. האבולוציה הטכנולוגית שלה עוקבת בעיקר משלוש רמות, ומשיגה בהדרגה קפיצה מהתאמת נתונים פשוטה לאינטגרציה עמוקה של נתונים ומנגנונים פיזיים. 2.1 אינטרפולציה סטטית ורגרסיה ליניארית כאסטרטגיית הפחתת מימד ראשונית ליישום למידת מכונה לסימולציה נומרית ריתוך, מודלים פונדקאיים משתמשים בקבוצה מוגבלת של תוצאות אימון סופיות{{4} של חישוב גבוה{{4}. הם משתמשים באלגוריתמים כגון רשתות עצביות מלאכותיות (ANN) ורגרסיית תהליך גאוס (GPR) כדי לבנות קשר פונקציונלי בין פרמטרים של תהליך קלט ומדדי איכות פלט (כגון עומק ריתוך ונקבוביות). שיטה זו היא בעצם אינטרפולציה סטטיסטית במרחב-ממדי גבוה. למרות שהוא יכול להשיג יעילות חיזוי גבוהה במיוחד, ליבת הדגם שלו חסרת תמיכה במשוואות בקרה תרמו-נוזליות ומציגה מאפיין- של קופסה שחורה. בשל מגבלה זו, מודלים כאלה מתאימים רק לחיזוי תוצאות{11}}יציב. ברגע שפרמטרי התהליך חורגים מטווח הספינה הקמורה של נתוני האימון, דיוק ההכללה שלהם יורד בחדות עקב היעדר אילוצים פיזיים, מה שמקשה על הסתגלותם לתנאי ריתוך בפועל מורכבים ומשתנים. יתר על כן, מכיוון שהם מנותקים לחלוטין מהמגבלות של חוקי שימור האנרגיה והמסה, בתנאי מדגם קטן, הם נוטים להפיק תוצאות חיזוי לא עקביות שמפרות את ההיגיון הפיזיקלי הבסיסי, מהווים סיכון ביטחון רציני.

2.2 סימולציה דינמית של תהליך הריתוך: טיפול באי-יציבות חולפת כגון קריסת חור המנעול וריכוך בריתוך בלייזר, המחקר עבר בהדרגה לעבר ארכיטקטורות למידה עמוקה המשלבות צילום במהירות גבוהה ונתוני רנטגן-. מודל רשת עצבית קונבולוציונית טיפוסית + רשת זיכרון לטווח קצר-ארוך (CNN+LSTM), על ידי חילוץ מאפיינים מרחביים ודפוסי אבולוציה זמניים של תמונת הבריכה המותכת, משיג חיזוי דינמי מקצה לקצה של התנהגות חולפת, ובמידה מסוימת מפצה על המגבלות של מודלים פונדקאיים בלכידת תהליכים דינמיים. עם זאת, טכניקה זו מוגבלת בשל שלמות הנתונים התצפיתיים; אפילו עם חיישנים מרובים, הנתונים הניסויים הם בעצם השלכה או דגימה מקומית של שדה הזרימה התלת-ממדי על מישור דו-מימדי. ללא אילוצים של עקרונות מכניקת נוזלים, קשה לשחזר את שדה הזרימה התלת-ממדי המורכב אך ורק ממידע חזותי משטח. בעוד שמודלים קיימים יכולים לתפוס את המאפיינים הפנומנולוגיים של זרימת פני השטח, הם מתקשים להסביר את המנגנונים הבסיסיים של היווצרות פגמי ריתוך מנקודת המבט הבסיסית של העברת אנרגיה ומומנטום.

2.3 פיזיקה-רגרסיה מושכלת: כדי להתמודד עם משבר הפרשנות של מודלים המונעים רק על-נתונים, הופיעו רשתות עצביות מדעת (PINNs) של פיזיקה-. הארכיטקטורה הזו כבר לא מתאימה רק לנתונים שנצפו, אלא מטביעה את המונחים השיוריים של משוואות ה-Navier-Stokes ומשוואות הולכת חום חולפת כאילוצי רגולציה בפונקציית ההפסד של המודל. תהליך האימון בעצם מחפש את הפתרון האופטימלי במרחב הפרמטרים, המתאים גם לנתונים הנצפים וגם עומד בחוקי השימור הפיזיים. תיאורטית, האילוצים הנוקשים של המשוואות הפיזיקליות יכולים לפצות ביעילות על ממדי נתונים חסרים בתצפיות ניסיוניות, מה שמאפשר למודל להסיק מדרגות לחץ פנימיות ושדות מהירות במרחב הסמוי עקביים פיזית. עם זאת, הפרקטיקה ההנדסית מראה ששיטה זו מתמודדת עם אתגרים רציניים: ההבדל בגודל בין שיפועי נתונים ושיפועים שיוריים פיזיים יכול להוביל בקלות לקשיים בהתכנסות הרשת; ונקודות האיסוף בצפיפות-הגבוהות הנדרשות לחישוב מדויק של נגזרות{10}}מסדר גבוה מגדילות משמעותית את עלויות ההדרכה, אפילו מקזזות את יתרונות היעילות של למידת מכונה בכמה בעיות חולפות בתדירות גבוהה-.

03 השוואה וסימולציה משותפת של למידת מכונה ו-CFD: כדי להבהיר את ההבדלים באפקטיביות בין למידת מכונה ודינמיקת נוזלים חישובית מסורתית (CFD) בסימולציה מספרית של ריתוך לייזר, וכדי להבין את התרחישים וערכי הליבה הרלוונטיים שלהם, נערך ניתוח השוואתי שיטתי מחמישה ממדי ליבה, עלות ורזולוציה כללית, מנגנון חישוב ורזולוציה ישימים: תרחישים. ניתוח זה מבהיר את היתרונות והחסרונות של שתי השיטות ואת הקשר המשלים ביניהן, כמפורט להלן.

השילוב המסורתי של סימולציה מספרית של ריתוך לייזר ולמידת מכונה משתמש בדרך כלל במצב לא מקוון, שבו חישובי CFD והכשרת מודלים מבוצעים בשלבים נפרדים. תהליך זה מסתמך על קריאה, כתיבה והמרת פורמט נרחבת של כמויות גדולות של נתונים בכונן הקשיח, וכתוצאה מכך זרימת נתונים לא יעילה ומקשה על תמיכה במחקר בקרת לולאה-בזמן סגור-באמת. ארכיטקטורת הצימוד מבוססת PyFluent- משתמשת בממשק Python כדי לקרוא לפותר ANSYS Fluent, ומשתמשת בפרוטוקול gRPC כדי להשיג אינטראקציה ישירה בין ליבת החישוב לאלגוריתמים חיצוניים ברמת הזיכרון. שיטת צימוד זו הופכת את פותר ה-CFD הבלתי תלוי לאובייקט חישובי שניתן לקרוא לו על ידי סקריפטים של Python, ומאפשרת לאלגוריתמי למידה עמוקה לקרוא ישירות נתוני שדות זרימה ולשלוט בתהליך הפתרון, ומספקת נתיב הנדסי משולב ליצירת קשרי מיפוי שדה פיזיים-גבוהים. היישום הספציפי של ארכיטקטורה זו כולל שני היבטים מרכזיים: עדכון פרמטרים דינמי וחילוץ מקוון של נתוני שדות זרימה. במונחים של בקרת פרמטרים, שיטה זו נוטשת את מצב הדגימה הבדיד המסורתי המבוסס על מערכים אורתוגונליים סטטיים (DOE). באמצעות אלגוריתמי אופטימיזציה בייסיאנית או למידת חיזוק בצד Python, הסט הבא של משתני התהליך כגון כוח הלייזר ומהירות הריתוך מחושבים אוטומטית בהתבסס על סטיית הניבוי או אסטרטגיית החקירה של המודל הנוכחי, ותנאי הגבול של הפותר משתנים בזמן אמת דרך ממשק PyFluent. מנגנון זה מאפשר לרכז משאבים חישוביים באזורי פרמטרים שבהם התגובות הפיזיות משתנות באופן דרסטי או אי הוודאות בחיזוי גבוהה, מה שמאפשר יצירה אדפטיבית של נקודות דגימה.

מבחינת העברת נתונים, נעשה שימוש במנגנון שיתוף זיכרון כדי להחליף את תהליך ייצוא קבצי ASCII המסורתי. במהלך-חזרת שלב הזמן ב-Fluent, הסקריפט של Python יכול לגשת ישירות לזיכרון הפותר דרך ממשק field_data כדי לחלץ נתוני טמפרטורה, חלקי נפח ושדה מהירות של אזור הבריכה המותכת, ולהמיר אותם למערכים NumPy או טנסורים לקלט לרשת העצבית. זרימת נתונים בזמן אמת זו מאפשרת הדרכה מקוונת ושינוי של המודל במהלך מרווחי חישובי ה-CFD, תוך השגת פעולה סינכרונית של התפתחות שדה פיזי ומידול מונע-נתונים.

שילוב PyFluent בתהליכי עבודה של למידת מכונה משפר את עומק המודלים של סימולציה, אך גם מציג אתגרי הטמעה הנדסיים חדשים. מנקודת מבט טכנית, אינטראקציה עם נתונים ברמת הזיכרון-משפרת את איכות הדגימה ויעילות החישובית. חילוץ ישיר של נתוני נקודה צפה- מזיכרון הפותר מונע שגיאות חיתוך הנגרמות מהמרת פורמט טקסט, ומשמר את הדיוק החישובי המקורי. זה חיוני ללכידת מאפיינים רגישים ביותר כגון תנודות דקות על קיר חור המנעול. יתר על כן, ארכיטקטורה זו מספקת יכולות אימות בקרת תהליכים, המאפשרת הטמעת לוגיקה בקרה בין שלבי זמן סימולציה כדי לדמות תהליך סגור-לולאה של "ניטור בריכת נמס - החלטת פרמטר - התאמת הספק", ובכך לאמת את היתכנותן של אסטרטגיות בקרת ריתוך חכמות ברמה המספרית.

04 חלק זה מסכם את תפקידה של למידת מכונה בסימולציה מספרית של ריתוך לייזר, בעיקר תוך התמקדות במינוף המנגנונים הפיזיים ובסיס הנתונים של CFD מסורתיים כדי לטפל בבעיה של יעילות חישובית נמוכה בחישובי שדות מרובי-פיזיקה. מחקר עתידי יתמקד באינטגרציה של פיזיקה ונתונים: ראשית, שימוש בממשק PyFluent להשגת אינטראקציה דינמית ברמת זיכרון הפותר, הקמת מסגרת צימוד מקוונת לפעולה סינכרונית של למידת מכונה ו-CFD, ובכך לטפל בבעיות של השהיה בהעברת נתונים והיעדר שליטה בלולאה סגורה במצבים מקוונים מסורתיים; שנית, יישום רשתות עצביות-מודעת (PINN) כדי לשלב משוואות מסה, מומנטום ושימור אנרגיה באילוצים אלגוריתמיים, תוך תיקון החסרונות של מודלים מונעי נתונים בלבד-חסרי עקביות פיזית. באמצעות שיטות אלה, המטרה היא להשיג מהפך בסימולציה מספרית של ריתוך לייזר מחיזוי לא מקוון לתאומים דיגיטליים-באמינות-באמת.