Un nouveau système d'IA aide à expliquer les défauts de soudage au laser
Les modèles de grands langues (LLM) alimentés par l'intelligence artificielle doivent être formés sur des ensembles de données massifs pour faire des prédictions précises, mais que se sile si les chercheurs n'ont pas assez du bon type de données?
Une équipe de Penn State a récemment développé un cadre d'intégration qui utilise un minimum de nouvelles données expérimentales pour identifier les informations pertinentes dans la littérature scientifique existante. En combinant des informations provenant de la recherche existante et de leurs propres expériences, le cadre propulsé par la LLM peut dériver des équations numériques qui prédisent avec précision les phénomènes physiques dans le soudage laser à grande vitesse, une technique de fabrication capable de soudures très précises sur des éléments comme les piles à combustible dans les véhicules électriques.
En utilisant leur nouvelle approche, les chercheurs ont déclaré qu'ils pouvaient commencer à optimiser la technique de soudage, qui a généralement un potentiel élevé d'échec technique. Leurs recherches, disponibles en ligne aujourd'hui, seront présentées dans le numéro d'octobre de la Journal international de machines-outils et de fabrication.
Selon Zhengxiao Yu, un doctorant étudiant l'ingénierie industrielle et manufacturière (IME) et le co-auteur de l'article, les méthodes traditionnelles de développement des équations prennent du temps pour les chercheurs et nécessitent des tonnes de données numériques existantes. Les chercheurs doivent produire plus de 1 000 points de données à partir de leurs propres expériences, soit examiner et interpréter les points de données des études antérieures par d'autres chercheurs pour formuler avec précision une équation.
« Avec notre modèle, nous pouvons simplement saisir les données de la littérature et accélérer considérablement le processus », a déclaré Yu.
Les équations numériques permettent aux chercheurs de mieux comprendre les liens entre divers paramètres, conduisant à des informations très détaillées sur les raisons pour lesquelles et quand certaines réponses physiques apparaissent lors du soudage.
Selon Zen-Hao Lai, un doctorant étudiant la science et l'ingénierie des matériaux et le co-auteur de l'article, l'un des phénomènes les plus répandus que leur LLM peut aider à expliquer est la « bosse » – un défaut commun dans le soudage laser qui se produit lorsque le métal est soudé trop rapidement. Les équations détaillant les paramètres spécifiques impliqués dans les erreurs de bosse pourraient aider les chercheurs à résoudre le problème dans les soudures futures.
L'utilisation d'une équation permet également à l'équipe d'incorporer efficacement les données tirées des expériences antérieures lors de la prévision des propriétés physiques d'une nouvelle soudure, même si les caractéristiques physiques des anciennes soudures – comme le type de métal ou la vitesse du système de soudage – ne sont pas identiques.
Le défi est que les données des expériences antérieures sont souvent disponibles uniquement en tant que texte – les chercheurs qui, selon eux, devraient peigner individuellement de nombreux articles pour identifier les données, puis les convertir au format correct, selon Jingjing Li, professeur d'IME et de sciences de l'ingénierie et de mécanique.
« Nous avons suffisamment de données existantes, mais la plupart sont basées sur du texte plutôt que des données numériques et très expérimentales, ce qui signifie qu'il est difficile de généraliser aux nouvelles soudures », a expliqué Li. « Traditionnellement, nous ne pouvons pas développer des équations sans données numériques, mais cette application d'un modèle LLM nous le permet. »
L'équipe a utilisé 48 ensembles de données au total pour développer son cadre, dont cinq provenaient de leurs propres expériences et 43 de la recherche existante. L'équipe a utilisé les données de leurs expériences – y compris les types de métal et la fréquence de la bosse – pour développer des équations candidates représentant des variables spécifiques et leurs relations. Ensuite, les chercheurs ont développé une rubrique à utiliser en tant que LLM traité la littérature scientifique existante.
Le LLM pourrait identifier les informations pertinentes, convertir les données correctes et recommander les équations les plus susceptibles de décrire comment les différents paramètres physiques influenceraient la qualité d'une soudure, ou si la soudure connaîtrait la bosse.
Bien que le processus de sélection d'une équation ne soit pas entièrement automatisé par le LLM, Li a expliqué comment il est beaucoup plus efficace et généralisable que les approches précédentes. En utilisant le cadre, 10 équations peuvent être générées en environ une minute – beaucoup plus efficaces que les heures de recherche qu'il a fallu pour créer une équation avec des méthodes traditionnelles. Les chercheurs marquent et classent ensuite les équations en fonction de la rubrique développée, en utilisant l'équation avec le score le plus élevé.
« Nous utilisons les paramètres physiques de la vitesse de fusion comme la soudure, la conductivité thermique et la densité pour déterminer comment l'équation va être appliquée », a déclaré Li. « Cela nécessite encore beaucoup de connaissances du domaine des chercheurs, mais pourrait être construit et maintient nos équations standardisées sur différents matériaux et propriétés physiques. »
L'équipe prévoit de continuer à optimiser son cadre, dans le but d'appliquer efficacement le LLM sur différentes applications dans la fabrication.
« Ce que nous faisons vraiment avec ce travail, c'est d'appliquer des modèles LLM existants dans le domaine de la fabrication d'une manière nouvelle », a déclaré Yu. « L'intégration de ce cadre pourrait nous permettre d'optimiser la fabrication additive, entre autres applications de fabrication au-delà du simple soudage au laser. »
