लेजर सामग्री प्रसंस्करण में एआई अनुप्रयोगों का पहला दौर पहले ही आ चुका है। दूसरे दौर में मशीन लर्निंग में बड़े पैमाने पर तेजी आएगी। सबसे महत्वपूर्ण बात: AI बिकता है।
एंड्रियास थॉस, योगदान संपादक
अब तक, एआई ने बड़ी मात्रा में डेटा संसाधित करने की अपनी क्षमता के आधार पर जबरदस्त प्रगति की है। उदाहरण के लिए, करोड़ों पाठ दस्तावेज़ों का विश्लेषण करने से बड़े भाषा मॉडल का विकास हुआ, जिनके साथ हम इस तरह संवाद करते हैं जैसे कि वे मानव हों। यह कंप्यूटर विज्ञान के शुरुआती दिनों से ही एक वादा रहा है, साथ ही कई विज्ञान कथा पुस्तकों में एक विषय भी रहा है। ये हाल ही में पूरा हुआ है.
फ्रौनहोफर इंस्टीट्यूट फॉर लेजर टेक्नोलॉजी आईएलटी, आचेन, जर्मनी के सौजन्य से।
उद्योग में, AI ने और भी अधिक आश्चर्यजनक चीजें हासिल की हैं और हाल ही में यह उल्लेखनीय रूप से तेज़ हो गया है।
उद्योग में ए.आई
उद्योग में एआई के अनुप्रयोग भाषा प्रसंस्करण से कहीं अधिक हैं (हालांकि एआई एजेंट विक्रेताओं की वेबसाइटों पर भी कब्ज़ा कर लेते हैं)। सबसे पहले, वे कई विशिष्ट छवि प्रसंस्करण कार्यों को स्वचालित करने में मदद करते हैं। उदाहरण के लिए, जर्मन मशीन डेवलपर TRUMPF अपने इमेज प्रोसेसिंग सॉफ़्टवेयर के लिए एक विशेष AI मोड प्रदान करता है। इलेक्ट्रिक मोटरों में हेयरपिन वेल्डिंग के लिए, जब छवि में कंट्रास्ट, प्रतिबिंब या छाया के कारण कठिनाइयां उत्पन्न होती हैं, तो एआई वेल्डिंग भागीदारों (जैसे हेयरपिन) की पहचान करने में मदद करता है। TRUMPF के अनुसार, समाधान ने "प्रथम - पास उपज" को 99.2% से बढ़ाकर 99.8% कर दिया है। यह 4× कम "ठीक नहीं" भागों के बराबर है।
लेकिन यह तो केवल शुरूआत है। भविष्य में, AI कई स्रोतों से डेटा का उपयोग करेगा और प्रसंस्करण से पहले, उसके दौरान और बाद में उत्पादकता में सुधार करेगा। बड़ी मात्रा में डेटा को संसाधित करने की इसकी क्षमता विशेष रूप से समय पर है क्योंकि कई रुझान उद्योग में अधिक से अधिक डेटा निर्माण की ओर ले जा रहे हैं।
ऐसी ही एक प्रवृत्ति है गुणवत्ता नियंत्रण। उदाहरण के लिए, कार निर्माता प्रत्येक वेल्ड सीम की तस्वीर ले सकते हैं और विनिर्माण प्रक्रियाओं में स्थायित्व समस्याओं का पता लगा सकते हैं। एआई उत्पादन के दौरान एकत्र की गई तस्वीरों के आधार पर "अच्छे" और "खराब" वेल्ड सीम के बीच अंतर कर सकता है। यह एक इनलाइन, या पोस्ट-प्रक्रिया, प्रक्रिया का एक उदाहरण है जो सभी महत्वपूर्ण उत्पादन चरणों में डेटा उत्पन्न करता है। बेशक, यह कार निर्माण से कहीं अधिक पर लागू होता है।
दूसरा चलन डिजिटल जुड़वाँ से संबंधित है। संपूर्ण मशीनें या उत्पादन सुविधाएं डिजिटल दुनिया में सिम्युलेटेड होती हैं, जहां वेल्डिंग प्रक्रिया स्वयं कंप्यूटर पर सिम्युलेटेड होती है। वास्तविक डेटा ऐसे मॉडलों को बेहतर बनाने में मदद करता है, हालांकि वे जो डेटा उत्पन्न करते हैं वह अनिवार्य रूप से सिंथेटिक होता है।
दोनों रुझान एआई के विकास के साथ निकटता से जुड़े हुए हैं। गुणवत्ता नियंत्रण में, अच्छे और बुरे हिस्सों को अलग करने के लिए मशीन लर्निंग (एमएल) का उपयोग किया जाता है। मशीन सीखती है कि कौन से पैरामीटर महत्वपूर्ण हैं, और ऑपरेटर या प्रोग्रामर चेतावनियों के लिए या मशीन को कब रुकना चाहिए, इसकी सीमा निर्धारित करता है।
प्रक्रिया के बाद निरीक्षण में एआई के उपयोग का भी प्रदर्शन किया गया है। उदाहरण के लिए, जर्मन कंपनी स्कैनसोनिक एमआई छवियों में अच्छे और खराब वेल्ड सीम की पहचान करने के लिए एआई का उपयोग करती है। आगे का शोध यह निर्धारित करेगा कि "प्रक्रिया में उपयोग" डायग्नोस्टिक्स का उपयोग बंद लूप प्रक्रिया नियंत्रण के लिए कैसे किया जा सकता है। इमेज प्रोसेसिंग के अलावा, इसमें स्पेक्ट्रल सेंसर, 3डी इमेजिंग के लिए लेजर ट्राइएंगुलेशन, या वेल्ड के लिए ऑप्टिकल कोहेरेंस टोमोग्राफी शामिल हो सकती है।
वेल्डिंग एक मजबूत उदाहरण है, लेकिन यह सिर्फ एक है। ऐसी तकनीक का उपयोग किया जा सकता है (और किया जाएगा) जहां उपयोग का मामला निवेश को उचित ठहराने के लिए पर्याप्त बड़ा हो।
गुणवत्ता नियंत्रण में एआई का उपयोग मुख्य रूप से संसाधित भागों की पैटर्न पहचान के लिए किया जाता है। नियंत्रण लूप को बंद करने के लिए, एआई को शुरू से ही प्रक्रिया के बारे में ज्ञान की आवश्यकता होती है। इसलिए, शोधकर्ता यथासंभव अधिक से अधिक प्रक्रिया मापदंडों के साथ प्रक्रिया सिमुलेशन का उपयोग करते हैं। यहां, AI की क्षमता और भी अधिक है - यह इनपुट और आउटपुट मापदंडों को जोड़ सकता है। उदाहरण के लिए, इंग्लैंड में विज्ञान और प्रौद्योगिकी सुविधा परिषद की रदरफोर्ड एपलटन प्रयोगशाला में केंद्रीय लेजर सुविधा के शोधकर्ताओं ने प्लाज्मा त्वरण के लिए लेजर प्रणाली को अनुकूलित करने के लिए एआई का उपयोग किया है।1. घुमाने के लिए कई नॉब होते हैं, और लेज़र प्लाज्मा प्रक्रिया अत्यधिक अरैखिक होती है। एआई ने वैज्ञानिकों को सिस्टम को स्थिर करने और इलेक्ट्रॉन त्वरण के लिए एक प्लाज्मा चैनल स्थापित करने में मदद की।
उद्योग पर लागू, एआई - आधारित प्रक्रिया सिमुलेशन प्रक्रिया नियंत्रण के लिए लूप को बंद करने की अनुमति दे सकता है। एआई को पता है कि उत्पाद की गुणवत्ता को विशिष्टता पर वापस लाने के लिए कौन सा नॉब घुमाना है। यह वस्तुतः सभी नॉब्स के साथ प्रयोग करके और पैरामीटर परिदृश्य की खोज करके सीख सकता है। इस कार्य को हल करने के लिए सुप्रसिद्ध मॉडल मौजूद हैं।
लेकिन सभी विविधताओं का परीक्षण करने में समय- और ऊर्जा{{1}खपत हो सकती है। इस बिंदु पर दिलचस्प सवाल पूर्व ज्ञान से संबंधित है: यदि मॉडल को प्रक्रिया के बारे में मनुष्य पहले से ही जानते हैं तो एआई सीखना कितना तेज़ हो सकता है?
फोटोनिक्स उद्योग में एआई का चलन
अक्टूबर . 2 और 3, 2025 को, फ्रौनहोफर इंस्टीट्यूट फॉर लेजर टेक्नोलॉजी आईएलटी (फ्रौनहोफर आईएलटी) और फेडरल एसोसिएशन बीआईटीएमआई - द्वारा समर्थित जर्मन उद्योग संघ स्पेक्टारिस - ने फोटोनिक्स में एआई पर एक कार्यशाला आयोजित की। प्रतिभागी अनुसंधान संस्थानों से आए थे, जिनमें स्वयं फ्राउनहोफर आईएलटी और कई विश्वविद्यालय शामिल थे, लेकिन मुख्य रूप से उद्योग से, जिनमें माइक्रोसॉफ्ट, ZEISS, TRUMPF, ऑडी, प्रीसिटेक विजन, बिस्ट्रोनिक, ब्लैकबर्ड रोबोटर्ससिस्टम, 4D फोटोनिक्स GmbH और अन्य के प्रतिनिधि शामिल थे। जबकि 27 प्रस्तुतियों में से कुछ ने ऑप्टिकल डिजाइन में एआई पर चर्चा की, कार्यशाला मुख्य रूप से औद्योगिक लेजर प्रौद्योगिकी में एआई अनुप्रयोगों पर केंद्रित थी।
एआई सहायक लेज़र ऑपरेटरों को बड़े ज्ञान आधार में सही ट्यूटोरियल ढूंढने या लेज़र कटिंग में प्रक्षेपवक्र योजना को अनुकूलित करने में मदद कर सकते हैं। अधिक दिलचस्प यह है कि एआई कैसे जटिल निर्णयों का समर्थन करता है, उदाहरण के लिए, लेजर वेल्डिंग या लेजर एडिटिव विनिर्माण प्रक्रियाओं के गुणवत्ता नियंत्रण में। आरडब्ल्यूटीएच आकिन विश्वविद्यालय में ऑप्टिकल सिस्टम प्रौद्योगिकी के अध्यक्ष और फ्राउनहोफर आईएलटी के विभाग प्रमुख कार्लो होली ने अपनी पूर्ण प्रस्तुति में प्रमुख प्रवृत्ति का सारांश दिया: "अब हम डेटा आधारित एआई से डेटा- और भौतिक विज्ञान आधारित एआई की ओर बढ़ रहे हैं।"
होली ने इसे अपने शोध के एक उदाहरण से समझाया। फ्राउनहोफर आईएलटी की एक टीम ने पहले उच्च गति लेजर सामग्री जमाव (ईएचएलए, या अत्यधिक उच्च गति लेजर सामग्री जमाव) के लिए एक प्रक्रिया विकसित की थी। इस प्रक्रिया में 100 से अधिक पैरामीटर कोटिंग की गुणवत्ता को प्रभावित करते हैं। इस प्रकार, प्रक्रिया को किसी अन्य सामग्री में स्थानांतरित करने में आमतौर पर 1500 प्रयोगों और विश्लेषणों के साथ दो साल लगते हैं। प्रक्रिया के सरोगेट मॉडल और (बायेसियन) एआई अनुकूलन मॉडल का उपयोग करके, होली की टीम ने परीक्षणों की संख्या को काफी कम कर दिया: इष्टतम प्रक्रिया मापदंडों को खोजने के लिए केवल 17 परीक्षणों की आवश्यकता थी2.
बेशक, उचित मॉडल और रणनीतियाँ खोजना शोध का एक सतत विषय है। उत्साहजनक रूप से, वर्तमान शोध से पता चला है कि प्रक्रिया अनुकूलन का समय महीनों के बजाय मिनटों में कम हो गया है। और, निःसंदेह, स्वचालित प्रक्रिया अनुकूलन बंद लूप प्रक्रिया नियंत्रण की दिशा में अगला कदम है।
10× कम एनोटेटेड डेटा के साथ एमएल
जबकि प्रक्रिया अनुकूलन पूर्व ज्ञान से लाभान्वित होता है, एमएल इसके विपरीत से लाभान्वित हो सकता है। होली ने एनोटेशन फ्री एमएल के विचार के साथ SPECTARIS कार्यशाला में इस आश्चर्यजनक तथ्य को पेश किया। उनके सहयोगी, जूलियस न्यूस ने बाद में एल्यूमीनियम बैटरी हाउसिंग के लेजर वेल्डिंग का उपयोग करके प्रयोगों के आधार पर प्रदर्शित किया कि वेल्डिंग प्रक्रिया के गुणवत्ता नियंत्रण में यह कैसा दिखता है।
शुरुआती बिंदु के रूप में, न्यूस ने नए दृष्टिकोण की तुलना क्लासिक पर्यवेक्षित वर्कफ़्लो से की। एक पर्यवेक्षित सेटअप में, ऑपरेटरों को वेल्ड सीम के प्रत्येक भाग को मैन्युअल रूप से एनोटेट करना होगा: तार की स्थिति, पिघला हुआ पूल, मनका ज्यामिति, छिद्र और स्पैटर (चित्र 1)। यहां तक कि एक छोटे डेटा सेट के लिए भी, यह जल्दी ही श्रम-गहन हो जाता है। इसके अलावा, एआई केवल वही सीखता है जो स्पष्ट रूप से लेबल किया गया है, और इसकी मजबूती एनोटेट किए गए डेटा सेट की विविधता और गुणवत्ता दोनों से सीमित है।
