סבב ראשון של יישומי בינה מלאכותית כבר הגיע בעיבוד חומרי לייזר. סיבוב שני יאיץ באופן מסיבי למידת מכונה. והכי חשוב: בינה מלאכותית מוכרת.
ANDREAS THOSS, עורך תורם
עד כה, AI עשתה התקדמות אדירה בהתבסס על יכולתה לעבד כמויות גדולות של נתונים. ניתוח של מיליוני מסמכי טקסט, למשל, הוביל לפיתוח מודלים גדולים של שפה איתם אנו מתקשרים כאילו הם אנושיים. זו הייתה הבטחה מאז הימים הראשונים של מדעי המחשב, כמו גם נושא בספרי מדע בדיוני רבים. זה התגשם רק לאחרונה.
באדיבות Fraunhofer Institute for Laser Technology ILT, אאכן, גרמניה.
בתעשייה, AI השיגה דברים מדהימים עוד יותר ולאחרונה הפכה למהירה להפליא.
AI בתעשייה
יישומי בינה מלאכותית בתעשייה עולים בהרבה על עיבוד שפות (למרות שסוכני בינה מלאכותית כובשים גם אתרים של ספקים). ראשית, הם עוזרים לבצע אוטומציה של מספר משימות עיבוד תמונה שונות. מפתח המכונות הגרמני TRUMPF, למשל, מציע מצב AI מיוחד עבור תוכנת עיבוד התמונה שלה. עבור ריתוך סיכות ראש במנועים חשמליים, AI עוזר לזהות את שותפי הריתוך (כגון סיכות ראש) כאשר מתעוררים קשיים עקב ניגודיות, השתקפויות או צללים בתמונה. לפי TRUMPF, הפתרון הגדיל את "תשואת-המעבר הראשון" מ-99.2% ל-99.8%. זה שווה ל-4× פחות חלקים "לא בסדר".
אבל זו רק ההתחלה. בעתיד, AI תשתמש בנתונים ממקורות מרובים ותשפר את הפרודוקטיביות לפני, במהלך ואחרי העיבוד. היכולת שלה לעבד כמויות עצומות של נתונים מתקדמת במיוחד מכיוון שמספר מגמות מובילות ליותר ויותר יצירת נתונים בתעשייה.
מגמה אחת כזו היא בקרת איכות. יצרני רכב, למשל, יכולים לצלם כל תפר ריתוך ולעקוב אחר בעיות עמידות לתהליכי ייצור. בינה מלאכותית יכולה להבחין בין תפרי ריתוך "טובים" ל"רעים" על סמך תצלומים שנאספים במהלך הייצור. זוהי דוגמה להליך מוטבע, או שלאחר-תהליך, שמייצר נתונים לאורך כל שלבי הייצור הקריטיים. כמובן, זה חל על יותר מאשר ייצור מכוניות.
מגמה שנייה קשורה לתאומים דיגיטליים. מכונות שלמות או מתקני ייצור מדומים בעולם דיגיטלי, שבו תהליך הריתוך עצמו מדמה על גבי המחשב. נתונים אמיתיים עוזרים לשפר מודלים כאלה, אם כי הנתונים שהם מייצרים הם סינתטיים.
שתי המגמות קשורות קשר הדוק לאבולוציה של AI. בבקרת איכות, למידת מכונה (ML) משמשת להפרדה בין חלקים טובים ורעים. המכונה לומדת אילו פרמטרים חשובים, והמפעיל או המתכנת מגדירים את הספים לאזהרות או למתי המכונה צריכה להפסיק.
כמו כן, הודגם השימוש ב-AI בבדיקות שלאחר-תהליך. לדוגמה, חברת Scansonic MI הגרמנית משתמשת בבינה מלאכותית כדי לזהות תפרי ריתוך טובים ורעים בתמונות. מחקר נוסף יקבע כיצד ניתן להשתמש באבחון "שימוש ב-תהליך" עבור בקרת תהליך-סגורה. בנוסף לעיבוד תמונה, זה עשוי לכלול חיישנים ספקטרליים, טריאנגולציה בלייזר להדמיה תלת-ממדית או טומוגרפיה קוהרנטית אופטית לאבחון-עומק ריתוך.
ריתוך הוא דוגמה חזקה, אבל היא רק אחת. טכנולוגיה כזו יכולה (ותהיה) לשמש בכל מקום שבו מקרה השימוש גדול מספיק כדי להצדיק את ההשקעה.
AI בבקרת איכות משמש בעיקר לזיהוי תבניות של חלקים מעובדים. כדי לסגור את לולאת הבקרה, AI דורש ידע על התהליך מההתחלה. לכן, החוקרים משתמשים בסימולציות תהליכים המוזנות בכמה שיותר פרמטרים של תהליך. כאן, ל-AI יש פוטנציאל גדול עוד יותר - זה עשוי לחבר פרמטרי קלט ופלט. חוקרים במתקן הלייזר המרכזי במעבדת רתרפורד אפלטון של מועצת המדע והטכנולוגיה באנגליה, למשל, השתמשו בבינה מלאכותית כדי לייעל מערכת לייזר להאצת פלזמה1. יש הרבה כפתורים לסובב, ותהליך הפלזמה בלייזר הוא מאוד לא ליניארי. AI עזר למדענים לייצב את המערכת וליצור תעלת פלזמה להאצת אלקטרונים.
מיושם בתעשייה, סימולציית תהליכים מבוססת בינה מלאכותית-יכולה לאפשר סגירת מעגל לבקרת תהליכים. AI יודע לאיזה כפתור לסובב כדי להחזיר את איכות המוצר למפרט. זה יכול ללמוד על ידי ניסוי וירטואלי עם כל הכפתורים וחקירת נוף הפרמטרים. קיימים-מודלים ידועים לפתרון משימה זו.
אבל בדיקת כל הווריאציות עשויה לגזול זמן- ואנרגיה-. השאלה המעניינת בשלב זה מתייחסת לידע מוקדם: כמה מהר יותר יכולה למידת בינה מלאכותית להפוך אם המודל יוזן במה שבני האדם כבר יודעים על התהליך?
מגמות AI בתעשיית הפוטוניקה
ב-. 2 ו-3 באוקטובר 2025, איגוד התעשייה הגרמני SPECTARIS - הנתמך על ידי Fraunhofer Institute for Laser Technology ILT (Fraunhofer ILT) והאיגוד הפדרלי BITMi - ערכו סדנה בנושא AI בפוטוניקה. המשתתפים הגיעו ממוסדות מחקר, בהם Fraunhofer ILT עצמה, וממספר אוניברסיטאות, אך בעיקר מהתעשייה, עם נציגים ממיקרוסופט, ZEISS, TRUMPF, Audi, Precitec Vision, Bystronic, Blackbird Robotersysteme, 4D Photonics GmbH, ועוד. בעוד שחלק מ-27 המצגות דנו בבינה מלאכותית בעיצוב אופטי, הסדנה התמקדה בעיקר ביישומי בינה מלאכותית בטכנולוגיית לייזר תעשייתית.
עוזרי AI יכולים לעזור למפעילי לייזר למצוא את ההדרכה הנכונה במאגר ידע גדול או לייעל את תכנון המסלול בחיתוך לייזר. מעניין יותר הוא כיצד בינה מלאכותית תומכת בהחלטות מורכבות, למשל, בבקרת איכות של ריתוך לייזר או תהליכי ייצור תוספים בלייזר. קרלו הולי, יו"ר הטכנולוגיה של מערכות אופטיות באוניברסיטת RWTH Aachen וראש מחלקה ב-Fraunhofer ILT, סיכם את המגמה העיקרית במצגת המליאה שלו: "אנחנו עוברים כעת מ-AI מבוסס-נתונים לכיוון נתונים- ופיזיקה-מיודעת AI."
הולי הסביר זאת בדוגמה מהמחקר שלו. צוות ב-Fraunhofer ILT פיתח בעבר תהליך להשקעת חומרי לייזר-במהירות גבוהה (EHLA, או אקסטרים גבוהה-השקעת חומרי לייזר במהירות גבוהה). יותר מ-100 פרמטרים משפיעים על איכות הציפוי בתהליך זה. לפיכך, העברת התהליך לחומר אחר נמשכת בדרך כלל שנתיים עם 1500 ניסויים וניתוחים. באמצעות מודל פונדקאי של התהליך ומודל אופטימיזציה של AI (בייסיאני), הצוות של הולי הפחית את מספר הבדיקות באופן משמעותי: נדרשו רק 17 ניסויים כדי למצוא את פרמטרי התהליך האופטימליים2.
כמובן, מציאת המודלים והאסטרטגיות המתאימים היא נושא מחקר מתמשך. באופן מעודד, מחקרים עדכניים הראו שהזמן לאופטימיזציה של תהליכים הצטמצם לדקות ולא לחודשים. וכמובן, אופטימיזציה אוטומטית של תהליכים היא השלב הבא לקראת בקרת תהליך-סגורה.
ML עם 10× פחות נתונים מוערים
בעוד שאופטימיזציה של תהליכים מרוויחה מידע קודם, ML עשויה להפיק תועלת מההיפך. הולי הציגה את העובדה המפתיעה הזו בסדנת SPECTARIS עם הרעיון של ML ללא הערות-. עמיתו, Julius Neuß, הדגים מאוחר יותר איך זה נראה בבקרת האיכות של תהליך ריתוך, בהתבסס על ניסויים באמצעות ריתוך לייזר של בתי סוללות אלומיניום.
כנקודת התחלה, Neuß השווה את הגישה החדשה לזרימת העבודה המפוקחת הקלאסית. בהגדרה מפוקחת, המפעילים חייבים לציין ידנית לכל חלק בתפר הריתוך: מיקום חוט, בריכת נמס, גיאומטריית חרוזים, נקבוביות ונתזים (איור 1). אפילו עבור מערך נתונים קטן, זה הופך במהירות-לצריך עבודה. יתרה מכך, הבינה המלאכותית לומדת רק את מה שמסומן במפורש, והחוסן שלו מוגבל הן על ידי הגיוון והאיכות של מערך הנתונים המובא.
