人工知能を使用してデジタル製造を制御する

MIT ニュース オフィスの Web サイトでダウンロードできる画像は、クリエイティブ コモンズ表示、非営利、改変禁止ライセンスに基づいて、非営利団体、報道機関、および一般の人々に提供されています。 提供された画像は、サイズに合わせてトリミングする以外に変更することはできません。 画像を複製する場合はクレジットラインを使用する必要があります。 以下に提供されていない場合は、画像のクレジットを「MIT」に記載してください。

前の画像 次の画像

科学者やエンジニアは、3D プリントに使用できる独自の特性を備えた新しい材料を常に開発していますが、これらの材料を使ってプリントする方法を見つけるのは、複雑でコストのかかる難題になる可能性があります。

多くの場合、専門のオペレーターは、新しい素材を効果的に一貫して印刷するための理想的なパラメーターを決定するために、手動で試行錯誤し、場合によっては数千回の印刷を行う必要があります。 これらのパラメータには、印刷速度とプリンタが堆積する材料の量が含まれます。

MIT の研究者は現在、人工知能を使用してこの手順を合理化しています。 彼らは、コンピュータ ビジョンを使用して製造プロセスを監視し、材料の扱い方のエラーをリアルタイムで修正する機械学習システムを開発しました。

彼らはシミュレーションを使用して、誤差を最小限に抑えるために印刷パラメータを調整する方法をニューラル ネットワークに学習させ、そのコントローラーを実際の 3D プリンターに適用しました。 彼らのシステムは、比較した他のすべての 3D プリント コントローラーよりも正確にオブジェクトをプリントしました。

この研究により、ニューラル ネットワークをトレーニングするために数千または数百万の実際のオブジェクトを印刷するという法外に高価なプロセスが回避されます。 また、エンジニアは新しい材料をより簡単にプリントに組み込むことができるようになり、特殊な電気的または化学的特性を持つオブジェクトの開発に役立つ可能性があります。 また、材料や環境条件が予期せず変化した場合に、技術者が印刷プロセスをその場で調整できるようにすることもできます。

「このプロジェクトは、実際には、機械学習を使用して複雑な制御ポリシーを学習する製造システムを構築する最初のデモンストレーションです」と、主著者である MIT の電気工学およびコンピュータ サイエンスの教授であり、計算設計および製造グループ (CDFG) を率いる Wojciech Matusik 氏は述べています。 ) コンピューター サイエンスおよび人工知能研究所 (CSAIL) 内。 「よりインテリジェントな製造機械があれば、現場の変化する環境にリアルタイムで適応して、システムの歩留まりや精度を向上させることができます。機械からより多くの能力を引き出すことができます。」

この研究の共同主著者は、CDFG の機械エンジニア兼プロジェクトマネージャーである Mike Foshey と、オーストリア科学技術研究所の博士研究員である Michal Piovarci です。 MIT の共著者には、電気工学とコンピューター サイエンスの大学院生である Jie Xu と、CDFG の元技術員である Timothy Erps が含まれています。

パラメータの選択

デジタル製造プロセスの理想的なパラメータの決定は、非常に多くの試行錯誤が必要となるため、プロセスの中で最もコストがかかる部分の 1 つとなります。 そして、技術者がうまく機能する組み合わせを見つけたら、それらのパラメータは 1 つの特定の状況にのみ理想的になります。 彼女は、材料が他の環境や異なるハードウェアでどのように動作するか、または新しいバッチが異なる特性を示すかどうかについて、ほとんどデータを持っていません。

機械学習システムの使用には課題​​も伴います。 まず、研究者はプリンターで何が起こっているかをリアルタイムで測定する必要がありました。

これを行うために、彼らは 3D プリンターのノズルに向けた 2 台のカメラを使用するマシンビジョン システムを開発しました。 このシステムは、材料が堆積されるときに材料に光を当て、通過する光の量に基づいて材料の厚さを計算します。

「視覚システムはプロセスをリアルタイムで監視する一連の目であると考えることができます」と Foshey 氏は言います。

次に、コントローラーはビジョン システムから受信した画像を処理し、エラーに基づいて送り速度とプリンターの方向を調整します。

しかし、この製造プロセスを理解するためにニューラル ネットワーク ベースのコントローラーをトレーニングするには大量のデータが必要であり、何百万枚もの印刷物を作成する必要があります。 そこで研究者らは代わりにシミュレーターを構築した。

シミュレーションの成功

コントローラーをトレーニングするために、モデルが報酬を与えながら試行錯誤を通じて学習する強化学習として知られるプロセスを使用しました。 モデルには、シミュレートされた環境で特定のオブジェクトを作成する印刷パラメーターを選択するというタスクが課されました。 予想される出力が表示された後、モデルが選択したパラメーターによって出力と予想される結果の間の誤差が最小限に抑えられた場合、モデルは報酬を受けました。

この場合、「エラー」とは、モデルが材料を吐出しすぎて、開いたままにしておくべき領域に材料を配置したか、または材料を十分に吐出せず、埋める必要がある開いたスポットを残したことを意味します。モデルがさらにシミュレーションされたプリントを実行するにつれて、モデルはさらにシミュレーションされたプリントを実行しました。 、報酬を最大化するために制御ポリシーを更新し、ますます正確になりました。

しかし、現実の世界はシミュレーションよりも厄介です。 実際には、印刷プロセスのわずかな変動やノイズによって条件が変化するのが一般的です。 そこで研究者らは、3D プリンターからのノイズを近似する数値モデルを作成しました。 彼らはこのモデルを使用してシミュレーションにノイズを追加し、より現実的な結果をもたらしました。

「興味深いことに、このノイズ モデルを実装することで、物理的な実験によるトレーニングを行わずに、純粋にシミュレーションでトレーニングされた制御ポリシーをハードウェアに転送できることがわかりました」と Foshey 氏は言います。 後から実機で微調整する必要はありませんでした。

彼らがコントローラーをテストしたところ、評価した他のどの制御方法よりも正確にオブジェクトを印刷できました。 オブジェクトの内部を印刷する埋め込み印刷で特に優れたパフォーマンスを発揮しました。 他のコントローラーの中には、印刷物が膨らむほど多くの材料を堆積させたものもありましたが、研究者のコントローラーは物体が水平に保たれるように印刷経路を調整しました。

彼らの制御ポリシーは、材料が堆積された後にどのように拡散するかを学習し、それに応じてパラメータを調整することもできます。

「また、さまざまな種類の材料をその場で制御できる制御ポリシーを設計することもできました。そのため、現場で製造プロセスを行っていて材料を変更したい場合でも、材料を再検証する必要はありません。新しい材料をロードするだけで、コントローラーが自動的に調整してくれるでしょう」と Foshey 氏は言います。

3D プリンティングにおけるこの技術の有効性が証明されたので、研究者らは他の製造プロセス用のコントローラーを開発したいと考えています。 また、複数のマテリアル層がある場合、または複数のマテリアルが一度に印刷されるシナリオに合わせて、アプローチをどのように変更できるかについても確認したいと考えています。 さらに、彼らのアプローチでは、各材料の粘度（「シロップ度」）が一定であると仮定していましたが、将来の反復では、AI を使用してリアルタイムで粘度を認識し、調整できる可能性があります。

この研究のその他の共著者には、マックス プランク研究所の人工知能支援設計および製造グループを率いる Vahid Babaei 氏が含まれます。 ピョートル・ディディク、スイスのルガーノ大学准教授。 Szymon Rusinkiewicz、デイビッド M. シーゲル '83 プリンストン大学コンピューター サイエンス教授。 オーストリア科学技術大学教授のベルント・ビッケル氏はこう語る。

この研究は、FWF Lise-Meitner プログラム、欧州研究評議会の開始助成金、および米国国立科学財団によって部分的に支援されました。

前の項目 次の項目